BP神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)探究

韋大歡 蘇燕

摘 要：文章提出一種基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)，該系統(tǒng)采取預(yù)處理方法來確保人臉識別準(zhǔn)確率不會因圖像背景及光照條件等特征的變化而下降，同時(shí)通過直方圖平衡、橢圓遮罩以及濾波等處理方式，以使系統(tǒng)具備更高的人臉識別準(zhǔn)確率。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);人臉識別;模式識別;圖像預(yù)處理

0? ? 引言

計(jì)算機(jī)技術(shù)的快速發(fā)展，使得各種新興技術(shù)不斷涌現(xiàn)，人臉識別技術(shù)便是其中之一。在人機(jī)交流、安全驗(yàn)證以及公安系統(tǒng)等各個(gè)領(lǐng)域，人臉識別技術(shù)都有其巨大的應(yīng)用價(jià)值。人們可以利用人臉識別來進(jìn)行檔案管理、視頻會議乃至醫(yī)學(xué)醫(yī)療。現(xiàn)階段，人們已普遍使用智能手機(jī)來進(jìn)行購物、交流，這也促使人臉識別技術(shù)的應(yīng)用場景不斷增多。但是，人們在用智能手機(jī)對人臉圖像進(jìn)行掃描時(shí)，容易因背景及光照條件的變化而影響到人臉識別結(jié)果。對于該問題，需要采取人臉圖像的預(yù)處理措施來消除這種不利影響，并且以BP神經(jīng)網(wǎng)絡(luò)為核心設(shè)計(jì)相應(yīng)的人臉識別系統(tǒng)。

1? ? 預(yù)處理策略

1.1? viola-jones算法

在一幅圖像中，如果某個(gè)或多個(gè)區(qū)域中存在人臉時(shí)，便可通過人臉檢測技術(shù)來進(jìn)行定位。對于人臉檢測技術(shù)來說，其主要采用viola-jones算法，viola-jones算法具有三大要點(diǎn)，分別是Haar-like特征、Cascade結(jié)構(gòu)與AdaBoost算法。其中Haar-like特征通過積分圖像來對矩形區(qū)域中存在的差分信號進(jìn)行快速計(jì)算，而AdaBoost算法則能夠?qū)tump函數(shù)進(jìn)行結(jié)合，以便于選擇的弱分離器具有較強(qiáng)的區(qū)分能力，通過對這些弱分類器進(jìn)行線性組合，以此提高分類性能。對于Cascade結(jié)構(gòu)來說，其具有早期決策作用，這使其能夠?qū)Ψ侨四槖呙璐翱谶M(jìn)行快速拋棄，采用viola-jones人臉檢測算法，能夠?qū)D像中存在的人臉進(jìn)行快速定位，并且采取類似于人眼的方式來進(jìn)行興趣區(qū)域處理，以此對人臉中的相關(guān)特征圖像進(jìn)行截取。

1.2? 基于人眼識別的興趣區(qū)域處理

在人臉識別系統(tǒng)中，需以人眼識別為原理，將人臉圖像中的人臉作為興趣區(qū)域進(jìn)行處理后，能夠?qū)θ四槄^(qū)域中的人臉特征進(jìn)行截圖，然后采取預(yù)處理方法來提取圖像特征，以使光照與背景變化給人臉識別準(zhǔn)確率造成的不利影響得到有效消除。系統(tǒng)需要采取直方圖平衡化處理方式來進(jìn)行圖像處理，這樣圖像的對比度能夠顯著提高，以使圖像能夠在更大范圍中進(jìn)行灰度值取值，從而提高了圖像的清晰度。系統(tǒng)還可采取濾波處理來對圖像中的噪點(diǎn)進(jìn)行清除，最后系統(tǒng)還能利用橢圓遮罩處理方法，使圖像中與人臉不相關(guān)的背景圖案被有效屏蔽[1]。

2? ? BP神經(jīng)網(wǎng)絡(luò)

2.1? BP神經(jīng)網(wǎng)絡(luò)模型的建立

對于BP神經(jīng)網(wǎng)絡(luò)來說，其是一種多層前饋網(wǎng)絡(luò)，該網(wǎng)絡(luò)是以誤差逆?zhèn)鞑ニ惴▉黹_展訓(xùn)練的。在BP神經(jīng)網(wǎng)絡(luò)中包括3個(gè)層次，即輸入層、隱藏層與輸出層，并通過全連接來映射層和層之間的關(guān)系。這3層中的神經(jīng)單元并未進(jìn)行連接，通過層層處理，能夠使輸入向量X=（x1，x2…xn）在向量Y=（y1，y2...yn）中進(jìn)行非線性映射。在人臉識別過程中應(yīng)用BP神經(jīng)網(wǎng)絡(luò)后，其網(wǎng)絡(luò)神經(jīng)結(jié)構(gòu)共包括3層，輸入層、隱藏層和輸出層的數(shù)量均為一層。

在BP神經(jīng)網(wǎng)絡(luò)中的各個(gè)神經(jīng)單元相當(dāng)于獨(dú)立的感知設(shè)備，通過神經(jīng)單元能夠使實(shí)數(shù)值向量轉(zhuǎn)化成輸入?yún)?shù)，通過對輸入的線性組合進(jìn)行計(jì)算，并分析結(jié)果與某個(gè)閥值之間的大小。當(dāng)結(jié)果比閥值大時(shí)，則輸出值為1反之則為-1。在本文中通過sigmoid壓縮函數(shù)來設(shè)置感知設(shè)備，輸入向量則通過sigmoid函數(shù)進(jìn)行計(jì)算并輸出，以此獲得壓縮輸出值，從而確保整個(gè)BP神經(jīng)網(wǎng)絡(luò)能夠快速收斂。

在BP神經(jīng)網(wǎng)絡(luò)中，通過反向傳播算法的應(yīng)用，利用反向傳播過程中產(chǎn)生的誤差值，以此對網(wǎng)絡(luò)各個(gè)神經(jīng)單元所賦有的權(quán)重進(jìn)行適當(dāng)調(diào)整，這樣便可獲得神經(jīng)網(wǎng)絡(luò)的穩(wěn)定收斂權(quán)值，從而使訓(xùn)練得以順利宛成。待訓(xùn)練完畢時(shí)，在新的圖像中，其新的輸入向量X=（x1，x2，…，xn）能夠獲得具有唯一性的輸出向量，即Y=（y1，y2，…，yn），該向量Y能夠當(dāng)作圖像的最終識別結(jié)果。

2.2? 設(shè)置沖量項(xiàng)

對于BP神經(jīng)網(wǎng)絡(luò)來說，其在收斂訓(xùn)練過程中需要應(yīng)用到反向傳播算法，由于利用梯度下降算法會造成BP神經(jīng)網(wǎng)絡(luò)的收斂速度降低或出現(xiàn)局部最優(yōu)解問題，所以需要從思維理解上把梯度下降算法比喻成球是沿著誤差曲面進(jìn)行向下滾落的，這樣沖量項(xiàng)的作用便相當(dāng)于小球從一次迭代至下次迭代過程中的滾動方向是相同的。通過沖量能夠使球在誤差曲面中滾下時(shí)可能會產(chǎn)生局部最小值，由于其同樣發(fā)揮著增大搜索步長的作用，所以能夠加快BP神經(jīng)網(wǎng)絡(luò)的收斂速度。通過對沖量項(xiàng)進(jìn)行引入，并對反向傳播算法公式進(jìn)行替換，便可得出算法主循環(huán)中經(jīng)過n次迭代后的權(quán)值更新結(jié)果[2]。

3? ? 基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)

3.1? 系統(tǒng)設(shè)計(jì)

在基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)中，主要包含三大模塊，分別是圖像采集預(yù)處理模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊以及人臉識別模塊。其中，圖像采集預(yù)處理模塊能夠通過opencv來實(shí)現(xiàn)圖像采集，而攝像頭則是圖像信息采集的重要設(shè)備。此外，該模塊還對ROI算法進(jìn)行了應(yīng)用，以此實(shí)現(xiàn)圖像預(yù)處理，進(jìn)而消除光照條件和背景變化給人臉識別率造成的不利影響。對于神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊來說，則能夠處理大量的訓(xùn)練數(shù)據(jù)，該模塊能夠?qū)P神經(jīng)網(wǎng)絡(luò)模型進(jìn)行構(gòu)建，以此確定不同因素的權(quán)值。對于人臉識別模塊來說，該模塊能夠?qū)⒉杉降膱D像信息錄入已構(gòu)建完畢的BP神經(jīng)網(wǎng)絡(luò)模型，以便于通過BP神經(jīng)網(wǎng)絡(luò)模型來對圖像信息進(jìn)行訓(xùn)練與計(jì)算，并采用歐式距離來判定結(jié)果，以此獲得準(zhǔn)確的識別結(jié)果。

3.2? 系統(tǒng)實(shí)驗(yàn)

為了驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)的應(yīng)用效果，本文采用opencv筆記本攝像頭來對全班學(xué)生的人臉照片進(jìn)行采集，全班共計(jì)45名學(xué)生。每名學(xué)生的人臉圖像采集數(shù)量為10張，其中八張用于BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)集，另外兩張則作為測試識別結(jié)果的數(shù)據(jù)集。獲得的訓(xùn)練數(shù)據(jù)集數(shù)量為360張，而對于結(jié)果測試數(shù)據(jù)集，其數(shù)量則為90張。在人臉圖像中，每張圖像中的像素均為28×23，像素點(diǎn)數(shù)量為644個(gè)，該系統(tǒng)應(yīng)用圖像預(yù)處理模塊，采取基于人眼識別的興趣區(qū)域處理策略，在人臉數(shù)據(jù)集被處理以后用于測試數(shù)據(jù)。

在基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)中，其系統(tǒng)模型共包括3層，在輸入層中共包含644個(gè)神經(jīng)單元，這些神經(jīng)單元均有對應(yīng)的像素點(diǎn)輸入。而在隱藏層中的神經(jīng)單元?jiǎng)t共計(jì)20個(gè)，在輸入層中的神經(jīng)單元數(shù)量為6個(gè)。在對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建立以后，需要應(yīng)用反向傳播算法來進(jìn)行訓(xùn)練，以此獲得能夠?qū)θ四樳M(jìn)行準(zhǔn)確識別的BP神經(jīng)網(wǎng)絡(luò)模型。在識別人臉圖像過程中，針對輸出層中的輸出結(jié)果，其判定需要依據(jù)歐式距離來實(shí)現(xiàn)。比如在輸出層中的神經(jīng)單元中，其輸出結(jié)果分別是0.1，0.2，0.1，0.2和0.9，然后針對該結(jié)果和全班所有同學(xué)的標(biāo)準(zhǔn)輸出對歐式距離進(jìn)行依次計(jì)算，將歐式距離最小的目標(biāo)作為對應(yīng)的判定結(jié)果。通過計(jì)算可以得知，歐式距離最小的人臉圖像為一號同學(xué)的人臉[3]。

3.3? 結(jié)果分析

本文分別對圖像預(yù)處理模塊處理之前的數(shù)據(jù)集和處理之后的數(shù)據(jù)集進(jìn)行了測試對比。經(jīng)測試結(jié)果表明，系統(tǒng)利用圖像預(yù)處理模塊對圖像數(shù)據(jù)集進(jìn)行處理以后，其處理效果要比未處理之前的效果好得多，這也使系統(tǒng)對人臉的識別準(zhǔn)確率在原有基礎(chǔ)上提高了6%。

4? ? 結(jié)語

綜上所述，本文提出通過viola-jones算法和基于人眼識別的圖像興趣處理策略來實(shí)現(xiàn)系統(tǒng)的人臉識別功能，采取圖像采集預(yù)處理模塊、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊以及人臉識別模塊這三大模塊的開發(fā)，以此消除光照條件和背景變化給人臉識別率造成的不利影響，提高系統(tǒng)的人臉識別準(zhǔn)確率，從而使BP神經(jīng)網(wǎng)絡(luò)模型能夠依據(jù)歐式距離來獲得準(zhǔn)確的人臉判定結(jié)果。

[參考文獻(xiàn)]

[1]馮建洋，諶海云.基于人工神經(jīng)網(wǎng)絡(luò)的人臉識別研究[J].自動化與儀器儀表，2017（5）：24-26，29.

[2]王士東，陳標(biāo)，李遠(yuǎn)，等.基于彈性BP神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)[J].科技經(jīng)濟(jì)導(dǎo)刊，2017（26）：24-25.

[3]韓瑞瑞，張尤賽.基于PCA/ICA的人臉識別片上系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].自動化技術(shù)與應(yīng)用，2019（2）：129-134.

（編輯 傅金睿）