基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別(附代碼)

【代碼及說明見第四頁】基于三層BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別實(shí)驗(yàn)要求采用三層前饋BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)標(biāo)準(zhǔn)人臉YALE數(shù)據(jù)庫的識(shí)別。二、BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)算法實(shí)驗(yàn)中建議采用如下最簡單的三層BP神經(jīng)網(wǎng)絡(luò)，輸入層為，有n個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層具有m個(gè)神經(jīng)元，網(wǎng)絡(luò)輸出為,隱含層具有k個(gè)神經(jīng)元，采用BP學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)BP網(wǎng)絡(luò)在本質(zhì)上是一種輸入到輸出的映射，它能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系，而不需要任何輸入和輸出之間的精確的數(shù)學(xué)表達(dá)式，只要用已知的模式對(duì)BP網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就具有輸入輸出對(duì)之間的映射能力。BP網(wǎng)絡(luò)執(zhí)行的是有教師訓(xùn)練，其樣本集是由形如（輸入向量，期望輸出向量）的向量對(duì)構(gòu)成的。在開始訓(xùn)練前，所有的權(quán)值和閾值都應(yīng)該用一些不同的小隨機(jī)數(shù)進(jìn)行初始化。BP算法主要包括兩個(gè)階段：(1)向前傳播階段①從樣本集中取一個(gè)樣本(Xp,Yp)，將Xp輸入網(wǎng)絡(luò)，其中Xp為輸入向量，Yp為期望輸出向量。②計(jì)算相應(yīng)的實(shí)際輸出Op。在此階段，信息從輸入層經(jīng)過逐級(jí)的變換，傳送到輸出層。這個(gè)過程也是網(wǎng)絡(luò)在完成訓(xùn)練后正常運(yùn)行時(shí)執(zhí)行的過程。在此過程中，網(wǎng)絡(luò)執(zhí)行的是下列運(yùn)算：(2)向后傳播階段①計(jì)算實(shí)際輸出Op與相應(yīng)的理想輸出Yp的差；②按極小化誤差的方法調(diào)整權(quán)矩陣。這兩個(gè)階段的工作一般應(yīng)受到精度要求的控制，定義(1)作為網(wǎng)絡(luò)關(guān)于第p個(gè)樣本的誤差測度（誤差函數(shù)）。而將網(wǎng)絡(luò)關(guān)于整個(gè)樣本集的誤差測度定義為(2)如前所述，將此階段稱為向后傳播階段，也稱之為誤差傳播階段。為了更清楚地說明本文所使用的BP網(wǎng)絡(luò)的訓(xùn)練過程，首先假設(shè)輸入層、中間層和輸出層的單元數(shù)分別是N、L和M。X=(x0,x1,…,xN-1)是加到網(wǎng)絡(luò)的輸入矢量，H=(h0,h1,…,hL-1)是中間層輸出矢量，Y=(y0,y1,…,yM-1)是網(wǎng)絡(luò)的實(shí)際輸出矢量，并且用D=(d0,d1,…,dM-1)來表示訓(xùn)練組中各模式的目標(biāo)輸出矢量。輸出單元i到隱單元j的權(quán)值是Vij，而隱單元j到輸出單元k的權(quán)值是Wjk。另外用θk和Φj來分別表示輸出單元和隱單元的閾值。于是，中間層各單元的輸出為：(3)而輸出層各單元的輸出是：(4)其中f(*)是激勵(lì)函數(shù)，采用S型函數(shù)：(5)在上述條件下，網(wǎng)絡(luò)的訓(xùn)練過程如下：(1)選定訓(xùn)練集。由相應(yīng)的訓(xùn)練策略選擇樣本圖像作為訓(xùn)練集。(2)初始化各權(quán)值Vij，Wjk和閾值Φj，θk，將其設(shè)置為接近于0的隨機(jī)值，并初始化精度控制參數(shù)ε和學(xué)習(xí)率α。(3)從訓(xùn)練集中取一個(gè)輸入向量X加到網(wǎng)絡(luò)，并給定它的目標(biāo)輸出向量D。(4)利用式(7)計(jì)算出一個(gè)中間層輸出H，再用式(8)計(jì)算出網(wǎng)絡(luò)的實(shí)際輸出Y。(5)將輸出矢量中的元素yk與目標(biāo)矢量中的元素dk進(jìn)行比較，計(jì)算出M個(gè)輸出誤差項(xiàng)：對(duì)中間層的隱單元也計(jì)算出L個(gè)誤差項(xiàng)：functionmain()%%clcclearall;%closeall;load('date1_5.mat','feature');warningoffallSamNum=35;%輸入樣本數(shù)量TestSamNum=35;%測試樣本數(shù)量ForcastSamNum=20;%預(yù)測樣本數(shù)量HiddenUnitNum=8;%中間層隱節(jié)點(diǎn)數(shù)量取8InDim=40;%網(wǎng)絡(luò)輸入維度OutDim=4;%網(wǎng)絡(luò)輸出維度%%inputp=[];t=[];pnew=[];fori=1:55if(mod(i,11)<=7&&mod(i,11)>0)p=[p;feature(i,:)];elsepnew=[pnew;feature(i,:)];endendp=p';pnew=pnew';%%outputs1=[00000000000000000000000000000000000];s2=[00000000000000000000011111111111111];s3=[00000001111111111111100000000000000];s4=[11111110000000111111100000001111111];t=[s1;s2;s3;s4];size(t)%%4*35輸出size(p)%%40*35輸入[SamIn,minp,maxp,tn,mint,maxt]=premnmx(p,t);%原始樣本對(duì)（輸入和輸出）初始化rand('state',sum(100*clock))%依據(jù)系統(tǒng)時(shí)鐘種子產(chǎn)生隨機(jī)數(shù)SamOut=tn;TestSamIn=SamIn;%這里取輸入樣本與測試樣本相同因?yàn)闃颖救萘科賂estSamOut=SamOut;%也取輸出樣本與測試樣本相同MaxEpochs=50000;%最多訓(xùn)練次數(shù)為50000lr=0.035;%學(xué)習(xí)速率為0.035E0=0.65*10^(-3);%目標(biāo)誤差為0.65*10^(-3)W1=0.5*rand(HiddenUnitNum,InDim)-0.2;%初始化輸入層與隱含層之間的權(quán)值B1=0.5*rand(HiddenUnitNum,1)-0.2;%初始化輸入層與隱含層之間的閾值W2=0.5*rand(OutDim,HiddenUnitNum)-0.2;%初始化輸出層與隱含層之間的權(quán)值B2=0.5*rand(OutDim,1)-0.2;%初始化輸出層與隱含層之間的閾值ErrHistory=[];%給中間變量預(yù)先占據(jù)內(nèi)存fori=1:MaxEpochs%HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum));%隱含層網(wǎng)絡(luò)輸出HiddenOut=1./(1+exp(-(W1*SamIn+repmat(B1,1,SamNum))));%隱含層網(wǎng)絡(luò)輸出NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum);%輸出層網(wǎng)絡(luò)輸出Error=SamOut-NetworkOut;%實(shí)際輸出與網(wǎng)絡(luò)輸出之差SSE=sumsqr(Error);%能量函數(shù)（誤差平方和）ErrHistory=[ErrHistorySSE];ifSSE<E0,break,end%調(diào)整權(quán)值（閾值）Delta2=Error;Delta1=W2'*Delta2.*HiddenOut.*(1-HiddenOut);dW2=Delta2*HiddenOut';dB2=Delta2*ones(SamNum,1);dW1=Delta1*SamIn';dB1=Delta1*ones(SamNum,1);%對(duì)輸出層與隱含層之間的權(quán)值和閾值進(jìn)行修正W2=W2+lr*dW2;B2=B2+lr*dB2;%對(duì)輸入層與隱含層之間的權(quán)值和閾值進(jìn)行修正W1=W1+lr*dW1;B1=B1+lr*dB1;endHiddenOut=1./(1+exp(-((W1*SamIn+repmat(B1,1,TestSamNum)))));%隱含層輸出最終結(jié)果NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum);%輸出層輸出最終結(jié)果a=postmnmx(NetworkOut,mint,maxt);%還原網(wǎng)絡(luò)輸出層的結(jié)果%%%利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行預(yù)測pnewn=tramnmx(pnew,minp,maxp);%歸一化；HiddenOut=1./(1+exp(-(W1*pnewn+repmat(B1,1,ForcastSamNum))));anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum);%輸出層輸出預(yù)測結(jié)果%把網(wǎng)絡(luò)預(yù)測得到的數(shù)據(jù)還原為原始的數(shù)量級(jí)；anew=postmnmx(anewn,mint,maxt);answer=zeros(1,size(anew,2));d=1;forj=1:20fori=4:-1:1answer(j)=answer(j)+anew(i,j)*d;d=d*2;endd=1;endanswer=answer+0.5;answer=floor(answer)

function[feature]=read_can_use()clc,clear;%%fori=1:5forjj=1:11%%s1='YALE\subject0';s2=int2str(i);s22='_';s222=int2str(jj);s3='.bmp';str=strcat(s1,s2);str=strcat(str,s22);str=strcat(str,s222);str=strcat(str,s3);a2=imread(str);M=double(a2);%%num=1;forj=1:10fork=1:4x=i;%將圖片的灰度矩陣劃分成32塊小矩陣temp_num1=size(M,1)./10;%100*80temp_num2=size(M,2)./4;temp=M((j-1)*temp_num1+1:j*temp_num1,(k-1)*temp_num2+1:k*temp_num2);%對(duì)每個(gè)小矩陣進(jìn)行SVD變