基于LVQBPSVM神经网络算法人脸朝向识别Word文档格式.docx
《基于LVQBPSVM神经网络算法人脸朝向识别Word文档格式.docx》由会员分享，可在线阅读，更多相关《基于LVQBPSVM神经网络算法人脸朝向识别Word文档格式.docx（23页珍藏版）》请在冰豆网上搜索。
1.2.2设计思路
通过观察不难发现，当人脸面朝不同方向时，眼睛在图像中的位置差别较大。
因此，可以考虑将图片中描述眼睛位置的特征信息提取出来作为LVQ神经网络的输入，5个朝向分别用1，2，3，4，5表示，作为LVQ神经网络的输出。
通过对训练集的图像进行训练，得到具有预测功能的网络，便可以对任意给出的人脸图像进行朝向判断和识别。
1.2.3设计步骤
根据上述设计思路，设计步骤主要包括以下几个部分，如图1-2所示。
图1-2设计步骤流程图
1．人脸特征向量提取
如设计思路中所述，当人脸朝向不同时，眼睛在图像中的位置会有明显的差别。
因此，只需要将描述人眼位置信息的特征向量提取出来即可。
方法是将整幅图像划分成6行8列，人眼的位置信息可以用第2行的8个子矩阵来描述（注意：
针对不同大小的图像，划分的网格需稍作修改），边缘检测后8个子矩阵中的值为“1”的像素点个数与人脸朝向有直接关系，只要分别统计出第2行的8个子矩阵中的值为“1”的像素点个数即可。
2．训练集／测试集产生
为了保证训练集数据的随机性，随机选取图像库中的30幅人脸图像提取出的特征向量作为训练集数据，剩余的20幅人脸图像提取出来的特征向量作为测试集数据。
3．LVQ网络创建
LVQ神经网络的优点是不需要将输入向量进行归一化、正交化，利用MATLAB自带的神经网络工具箱函数newlvq（）可以构建一个Lvo神经网络，关于该函数的用法及说明在第26章中已作详细说明，此处不再赘述。
4．LVQ网络训练
网络创建完毕后，便可以将训练集输入向量送入到网络中，利用Lv01或LVQ2算法对网络的权值进行调整，直到满足训练要求迭代终止。
5．人脸识别测试
网络训练收敛后，便可以对测试集数据进行预测，即对测试集的图像进行人脸朝向识别。
对于任意给出的图像，只需要将其特征向量提取出来，便可对其进行识别。
1.3MATLAB实现
利用MATLAB神经网络工具箱提供的函数可以方便地在MATLAB环境下实现上述设计步骤。
1.3.1清空环境变量
程序运行之前，清除工作空间（workspace）中的变量及命令窗口（commandwindow）中的命令。
具体程序为：
%%清空环境变量
clearall
clc
1.3.2人脸特征向量提取
如设计步骤中所述，人脸特征向量提取的任务是将图像中描述人眼位置的信息提取出来，即统计出划分网格第2行的8个子矩阵中的值为“1”的像素点个数。
具体实现程序如下：
%%人脸特征向量提取
%人数
M=10;
%人脸朝向类别数
N=5：
%特征向量提取
pixel_value=feature_extraction（M,N）;
其中，feature_extraction为人脸特征向量提取子函数，feature_extraction.m的程序代码为：
functionpixel_value=feature—extraction（m,n）
pixel_value=zeros（50,8）;
sample_number=0；
fori=1:
m
forj=l:
n
str=strcat（’Images’,num2str（i）,'
_'
num2str（j）,’.bmp’）;
img=imread（str）；
[rowscols]=size（img）;
img_edge=edge（img,‘Sobel’）;
subrows=floor（rows/6）;
subLcols=floor（cols/8）;
sample_number=sample_number+1;
forsubblock_i=1:
8
forii=sub_rows+1:
2*sub_rows
forjj=（subblock_i-1）*sub_cols+1:
subblock—i*sub_cols
pixel_value（sample_number,subblock_i）=一．
pixel_value（sample_number,subblock_i）+img_edge（ii,jj）#
end
说明：
①人脸图像库的图片放在文件名为Images的文件夹中，图片的命名规则为“1-J．bmp”，其中，i表示人的编号，j表示人脸朝向的编号，这里，i-l，2，…，10;
j=l，2，…，5。
②函数strcat（）的作用是将字符串进行水平连接，具体用法可以查看Help帮助文档。
③函数imread（）用于将图片转换成对应的矩阵。
④edge（）是边缘提取函数，其参数“Sobel”是边缘提取算子。
1.3.3训练集／测试集产生
图像库中所有图片的特征向量提取出来以后，随机将其分成两组，分别作为训练集和测试集。
其中，训练集包含30个不同人脸朝向的图片的特征向量，测试集为剩余的20个不同人脸朝向的图片的特征向量。
具体程序如下：
%%训练集／测试集产生
%产生图像序号的随机序列
rand-label=randperIn（M*N）;
%人脸朝向标号
direction_label=repmat（l:
N,1,M）;
%训练集
train—label=rand_label（1:
30）;
P_train=pixel_value（train_label,:
）’；
Tc_train=direction_label（train_label）;
T_train=ind2vec（Tc_train）;
%测试集
f：
test—label=rand.label（31:
end）;
P_test=pixel_value（test_label,:
Tc_test=direction_label（test_label）;
（D函数randperm（n）用于产生一个从整数1到行的随机排列。
②函数repmat（）用于矩阵复制。
③函数ind2vec（）。
1.3.4创建LVQ网络
利用newlvq（）函数可以方便地创建一个LVQ神经网络。
这里，隐含层神经元个数设量20。
由于训练集数据是随机产生的，所以参数PC的设置需要事先计算得出，具体的程序为：
%%创建LVQ网络
fori=1:
5
rate{i）=length（find（Tc_train==i））/30;
net=newlvq（minraax（P_train）,20,ce112mat（rate》;
%设置训练参数
net.trainParam.epochs=100;
net.trainParam.goal=0.O01;
net.trainParam.lr=O.l;
1.3.5训练LVQ网络
网络创建及相关参数设置完成后，利用MATLAB自带的网络训练函数train（）可以力地对网络进行训练学习，具体程序为：
%%训练网络
net=train（net,P_train,T_train）;
1.3.6人脸识别测试
利用sim（）函数将测试集输人数据送人训练好的神经网络，便可以得到测试集的输出仿
真数据，即测试集图像的人脸朝向识别结果。
详细程序如下：
Tsim=sim（net,Ptest）;
Tcsim=vec2ind（T_sim）;
result-.=rTctestiTesiml
result第1行为测试集图像的标准人脸朝向类别，第2行为测试集图像的预测人脸朝向类别。
1．3．7结果显示
本案例将识别的结果以更加直观的形式呈现给读者，具体程序如下:
%%结果显示
%训练集人脸标号
strain_label=sort（train_label）;
htrain_label=ceil（strain_label/N）;
%训练集人脸朝向标号
dtrain_label=strain_label-floor（strain_label/N）*N;
dtrain_label（dtrain_label==0）=N;
%显示训练集图像序号
disp（'
训练集图像为；
'
）;
fori=1:
30
str_train=[num2str（htrain_label（i））'
...
num2str（dtrain_label（i））'
'
];
fprintf（'
%s'
str_train）
ifmod（i,5）==0
\n'
）;
%测试集人脸标号
stest_label=sort（test_label）;
htest_label=ceil（stest_label/N）;
%测试集人脸朝向标号
dtest_label=stest_label-floor（stest_label/N）*N;
dtest_label（dtest_label==0）=N;
%显示测试集图像序号
测试集图像：
20
str_test=[num2str（htest_label（i））'
num2str（dtest_label（i））'
str_test）
%显示识别出错图像
error=Tc_sim-Tc_test;
location={'
左方'
左前方'
前方'
右前方'
右方'
};
length（error）
iferror（i）~=0
%识别出错图像人脸标号
herror_label=ceil（test_label（i）/N）;
%识别出错图像人脸朝向标号
derror_label=test_label（i）-floor（test_label（i）/N）*N;
derror_label（derror_label==0）=N;
%图像原始朝向
standard=location{Tc_test（i）};
%图像识别结果朝向
identify
升级会员 