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。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，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，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