系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是系列相似度得分，表明待识别的人脸的身份。现实生活中，人脸特征提取和识别技术又分为多种，而此次论文中主要讨论使用进行特征提取进而通过算法以及算法进行识别，并比较两者的异同。算法和算法均属于人工神经网络算法，人工神经网络是通过模拟大脑的基本特性，在神经科学研究的基础上提出的神经网络的模型。其中网络的全称为，即反向传播网络，它是个前向多层网络，结构上类似于多层感知器，利用误差反向传播算法对网络进行训练，由于其结构简单可调参数多可塑性强训练算法多可操控性好，故在函数逼近模式识别信息分类及数据压缩等领域得到了广泛的实际应用。而径向基函数神经网络简称径向基网络是个以函数逼近理论为基础构造的类前向神经网络。它是个只有个隐藏层的三层前馈神经网结构，其中间层以对局部响应的径向基函数代替传统的全局响应的激发函数，由于局部响应的特性，使其能够以任意精度逼近任意连续函数，而且训练过程很短。又由于它具有简单的结构快速的训练过程及与初始值无关是的优良特性，在多维曲面拟合自由曲面重构和大型设备故障诊断等领域有着较多的应用。绪论国内外研究动态人脸识别系统的研究始于上世纪年代，随着年代后计算机技术和光学成像技术的发展以及年代初期模式识别技术的兴起得到了提高，并随着时代的发展逐渐进入了初级应用阶段，尤其是在美国发生事件以后，引起了各界广泛的重视，自此人脸识别技术在公共安全等领域发挥着愈加重要的作用。与众多生物认证手段相比，人脸识别具有不可代替的显著优点，因而人脸识别逐渐成为当前模式识别和人工智能领域的个研究热点，尤其是近年来，人脸自动识别的研讨获得了很大的开展，从工程索引上检索到的关联文献已达数千篇，包含模式分析与机器智能汇刊在内的重要世界期刊也有专栏乃至专刊报导人脸识别的最新研讨开展，些还承办了专门的世界学术会议，当前人脸识别范畴内最著名的世界研讨机构包含美国麻省理工学院媒体试验室及人工智能试验室南加州大学卡内基梅隆机器人研讨及交互体系试验室马里兰大学等。与此同时，国内些研究机构也逐渐开展了许多关于人脸识别研究工作，如年代中后期，国内的许多研究机构在天然科学基金方案攀爬方案等赞助下，开展了对人脸识别的研究。其间主要包括清华大学计算机系自动化系电子系，哈尔滨工业大学，南京理工大学信息学院，中科院自动化所，上海交通大学图画处置与形式辨认研讨所，中山大学数学系等，它们在人脸识别研究范畴内进行了许多很有意义的测验，积累了十分丰富的经验。般来说，人脸识别系统包括图像摄取人脸定位图像预处理以及人脸识别身份确认或者身份查找。系统输入般是张或者系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是系列相似度得分，表明待识别的人脸的身份。目前人脸识别的算法可大致分为四类基于人脸特征点的识别算法基于整幅人脸图像的识别算法基于模板的识别算法基于神经网络进行识别的算法。所谓神经网络即人工神经网络，缩写，简称神经网络，缩写，是种模仿生物神经网络的结构和功能的数学模型或计算模型。基于人工神经网络的人脸识别的常用学习方法又根据网络结构和模型不同而分为算法和算法。这两种算法在很多领域中都具有很重要的实用价值，在人脸识别领域中尤为突出。而这两种算法也正是本文研究的主要内容。理论及实际意义人脸识别技术是图像处理和模式识别的重要应用之，它涵盖了图像处理模式识别和计算机视觉等多个领域，在公安银行海关等机要部门都有着广泛的应用，除此之外在部分地区的安保部门的门禁系统摄像监视系统，学校的考勤系统，相机，智能手机,访问控制，视觉监控以及人机接口，视频会议，档案管理，电子相册等领域也有些应用。广义的人脸识别包括构建人脸识别系统的系列相关技术，包括人脸图像采集人脸定位人脸识别预处理身份确认以及身份查找等而狭义的人脸识别特指通过人脸进行身份确认按特征值大小以降序排列训练阶段计算特征脸形成的坐标系算法神经网络与人脑相似之处可以概括为两方面通过学习过程利用神经网络从外部环境中获取知识内部神经元用来存储获取的知识信息网络处理信息的基本原理输入信号通过中间节点隐层节点作用于输出节点，经过非线性转换产生输出信号，网络训练的每个样本包括输入向量和期望输出，网络实际输出值与期望输出值之间的偏差，通过调整输入节点与隐层节点连接强度取值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复的学习训练，确定与最小误差相对应的网络参数权值和阈值，训练即告停止，此时经过训练的神经网络即能够对类似样本的输入信息自行处理，输入误差最小的经过非线性转换的信息。神经网络结构如图所示图网络结构神经网络的学习过程及过程网络输入向量,网络目标向量中间层单元输入向量输出向量输出层单元输入向量,输出向量,输入层至中间层的连接权中间层至输出层的连接权中间层各单元的输出阈值输出层各单元的输出阈值参数,。初始化。给每个连接权值阈值与赋予区间,内的随机值。随机选取组输入和目标样本,提供给网络。用输入样本,连接权和阈值计算中间层各单元的输入,然后用通过传递函数计算中间层各单元的输出。,,利用中间层的输出连接权和阈值计算输出层各单元的输出，然后通过传递函数计算输出层各单元的响应。,,利用网络目标向量，网络输出，计算输出层单元般化误差。,利用连接权输出层的般化误差和中间层计算中间层各单元的般化误差。利用输出层各单元的般化误差与中间层各单元的输出来修正连接权和阈值。利用中间层各单元的般化误差，输出层各单元的输入,来修正连接权和阈值。随机选取下个随机样本向量提供给网络，返回步骤，直到个训练样本训练完毕。重新从个学习样本中随机选取组输入和目标样本，返回步骤，直到网络全局误差小于预先设定的个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛。学习结束。训练过程主要代码归化训练样本顺序打乱网络训练，指定训练参数纯线性函数用于模式识别速度较快测试过程主要代码读入副测试图像计算坐标，是阶矩阵归化神经网络流程框架如所示结束初始化给定输入向量和期望输出期望输出与实际输出的误差误差是否满足要求所有误差均满足求隐层输出层单元输出是否否是计算隐层单元误差求误差梯度更新权值图流程流程框架实验结果及分析本文采用人脸库中幅人脸图像作为网络训练图像，剩余的幅作为测试图像，设定目标误差为，设置训练次数，通过训练修改权值，进行识别，使误差尽可能达到目标设定值。实验结果如所示图算法测试结果如上图所示在经过次训练时，达到目标误差，但未达到最小梯度，此时未设置靴子速率，学习速率为系统默认速率图算法测试结果训练停止的两个条件为训练次数达到预定值或达到目标误差。如上图所示，训练结果达到目标误差，训练停止。图算法测试结果如上图所示，本文中网络人脸识别实现是利用函数进行训练，在第次的时候达到了目标误差，虽未达到最小梯度，但此时的训练误差已经非常小了。图算法测试结果如上图所示训练函数为，输出层激活函数为，隐含层激活函数采用，目标误差为，学习速率为图算法测试结果图算法测试结果如上图和所示，将训练次数设置为次，此时识别的目标误差人设为，训练速率设为，当达到训练次数上限时，训练结果的误差远大于目标误差，也未达到最小梯度。图算法测试结果如上图所示，若把训练次数设置为次，其训练时间将明显缩短，与预期结果致，当训练次数达到预定值时训练即停止，网络分类识别率为，此时识别率非常小图算法测试结果图算法测试结果图算法测试结果图算法测试结果图算法测试结果图算法测试结果如上图所示，此时，输出函数与目标函数达到致图算法测试结果图算法测试结果图算法测试结果图算法测试结果图算法测试结果图算法测试结果如上图所示，当训练次数仍设为次时，只把学习速率变大为,结果会发生很大差异，甚至当达到最大训练次数时，仍未达到目标误差。综上所述网络的训练次数和学习速率对网络识别率有很大的影响，但没有具体规律，应根据所选用的具体网络模型而定，在实验中可以边增加训练次数，边观察仿真结果，观察训练次数和误差相关图像来确定最佳训练次数和学习速率，使识别率达到最高。基于算法的人脸识别基于和的人脸识别方法研究内容径向基函数神经网络简称径向基网络是个只有隐含层的三层前馈神经网络结构。隐含层采用径向基函数作为激励函数，该径向基函数般为高斯函数。网络的训练过程分为两步第步为无教师式学习，确定训练输入层与隐含层间的权值第二步为有教师式学习，确定训练隐含层与输出层权值。神经网络结构如图所示网络结构图神经网络结构网络学习训练主要代码如下学士学位论文题目基于人工神经网络的人脸识别方法的研究与实现姓名学号专业计算机科学与技术指导教师摘要人脸识别系统的研究始于上世纪年代，随着年代后计算机技术和光学成像技术的发展以及年代初期模式识别技术的兴起得到了提高，并随着时代的发展逐渐进入了初级应用阶段，尤其是在美国发生事件以后，引起了各界广泛的重视，自此人脸识别技术在公共安全等领域发挥着愈加重要的作用。与众多生物认证手段相比，人脸识别具有不可代替的显著优点，因而人脸识别逐渐成为当前模式识别和人工智能领域的个研究热点。般来说，人脸识别系统包括图像摄取人脸定位图像预处理以及人脸识别身份确认或者身份查找。系统输入般是张或者系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图像或者相应的编码，而其输出则是系列相似度得分，表明待识别的人脸的身份。基于人工神经网络的人脸识别的常用学习方法根据网络结构和模型不同又分为算法和算法。本文主要讲述的是基于特征提取和和神经网络的人脸识别。其中特征提取和特征选择是人脸识别中数据处理阶段的关键技术，特征提取就是将最优的特征子集从原始特征集中选取出来进行种形式的转换以得到新特征，然后将新特征组合构成特征脸空间，并将其输入经过训练的和网络内，比对相似率，以达到人脸识别的目的。关键词神经网络人脸识别机器学习,目录摘要绪论国内外研究动态理论及实际意义基于特征提取和算法的人脸识别基于和的人脸识别方法研究内容应用程序的需求分析基于和的人脸识别方法研究过程人脸图像获取人脸图像预处理特征提取算法实验结果及分析基于算法的人脸识别基于和的人脸识别方法研究内容实验结果及分析网络和网络的异同结论致谢参考文献基于人工神经网络的人脸识别方法的研究与实现人脸识别技术是图像处理和模式识别的重要应用之，它涵盖了图像处理模式识别和计算机视觉等多个领域，在公安银行海关等机要部门都有着广泛的应用，除此之外在部分地区的安保部门的门禁系统摄像监视系统，学校的考勤系统，相机，智能手机,访问控制，视觉监控以及人机接口，视频会议，档案管理，电子相册等领域也有些应用。广义的人脸识别包括构建人脸识别系统的系列相关技术，包括人脸图