基于神经网络的人脸识别附代码Word文件下载.docx
《基于神经网络的人脸识别附代码Word文件下载.docx》由会员分享，可在线阅读，更多相关《基于神经网络的人脸识别附代码Word文件下载.docx（9页珍藏版）》请在冰豆网上搜索。
（2）向后传播阶段
①计算实际输出Op与相应的理想输出Yp的差；
②按极小化误差的方法调整权矩阵。
这两个阶段的工作一般应受到精度要求的控制，定义
（1）
作为网络关于第p个样本的误差测度（误差函数）。
而将网络关于整个样本集的误差测度定义为
（2）
如前所述，将此阶段称为向后传播阶段，也称之为误差传播阶段。
为了更清楚地说明本文所使用的BP网络的训练过程，首先假设输入层、中间层和输出层的单元数分别是N、L和M。
X=（x0,x1,…,xN-1）是加到网络的输入矢量，H=（h0,h1,…,hL-1）是中间层输出矢量，Y=（y0,y1,…,yM-1）是网络的实际输出矢量，并且用D=（d0,d1,…,dM-1）来表示训练组中各模式的目标输出矢量。
输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk。
另外用θk和Φj来分别表示输出单元和隐单元的阈值。
于是，中间层各单元的输出为：
（3）
而输出层各单元的输出是：
（4）
其中f（*）是激励函数，采用S型函数：
（5）
在上述条件下，网络的训练过程如下：
（1）选定训练集。
由相应的训练策略选择样本图像作为训练集。
（2）初始化各权值Vij，Wjk和阈值Φj，θk，将其设置为接近于0的随机值，并初始化精度控制参数ε和学习率α。
（3）从训练集中取一个输入向量X加到网络，并给定它的目标输出向量D。
（4）利用式（7）计算出一个中间层输出H，再用式（8）计算出网络的实际输出Y。
（5）将输出矢量中的元素yk与目标矢量中的元素dk进行比较，计算出M个输出误差项：
对中间层的隐单元也计算出L个误差项：
（6）依次计算出各权值和阈值的调整量：
（6）
（7）
（8）
（9）
（7）调整权值和阈值：
，
（8）当k每经历1至M后，判断指标是否满足精度要求：
E≤ε，其中E是总误差函数，且
。
如果不满足，就返回（3），继续迭代。
如果满足，就进入下一步。
（9）训练结束，将权值和阈值保存在文件中。
这时可以认为各个权值已经达到稳定，分类器形成。
再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化。
BP算法流程图
YALE数据库是由耶鲁大学计算视觉与扼制中心创立,包括15位志愿者，每个人有11张不同姿势、光照和表情的图片，共计165张图片,图片均为80*100像素的BMP格式图像。
我们将整个数据库分为两个部分，每个人的前5幅图片作为网络的训练使用，后6副图片作为测试使用。
说明：
程序的输入数据可以从这里下载：
链接:
密码:
vsfb
如果不能下载了，可以自己找找YALE人脸数据库。
代码分为read_can_use.m和main_can_ues.m
先运行read_can_use.m读取图片的像素值，使用奇异值分解的方法得到对应的特征。
程序预设了只读取前5个人的人脸图片，可以自己改成最多15个人。
然后运行main_can_use.m，程序会输出112323，每个数字代表一张图片最有可能的识别类别（就是人的编号）。
对每个人的11张图片，取前7张训练网络，后4张测试网络，取前5个人进行实验。
所以共有35个训练样本，20个测试样本。
比如输出的结果是111122123333…..，因为每4个数字是属于同一个人的，前四个都是1则都预测正确，第二组的4个数字2212中的那个1就是预测错误（本来是2预测成了1）。
由于参数的随机初始化，不保证每次的结果都相同。
functionmain（）
%%
clc
clearall;
%closeall;
load（'
date1_5.mat'
'
feature'
）;
warningoffall
SamNum=35;
%输入样本数量
TestSamNum=35;
%测试样本数量
ForcastSamNum=20;
%预测样本数量
HiddenUnitNum=8;
%中间层隐节点数量取8
InDim=40;
%网络输入维度
OutDim=4;
%网络输出维度
%%input
p=[];
t=[];
pnew=[];
fori=1:
55
if（mod（i,11）<
=7&
&
mod（i,11）>
0）
p=[p;
feature（i,:
）];
else
pnew=[pnew;
end
end
p=p'
;
pnew=pnew'
%%output
s1=[00000000000000000000000000000000000];
s2=[00000000000000000000011111111111111];
s3=[00000001111111111111100000000000000];
s4=[11111110000000111111100000001111111];
t=[s1;
s2;
s3;
s4];
size（t）%%4*35输出
size（p）%%40*35输入
[SamIn,minp,maxp,tn,mint,maxt]=premnmx（p,t）;
%原始样本对（输入和输出）初始化
rand（'
state'
sum（100*clock））%依据系统时钟种子产生随机数
SamOut=tn;
TestSamIn=SamIn;
%这里取输入样本与测试样本相同因为样本容量偏少
TestSamOut=SamOut;
%也取输出样本与测试样本相同
MaxEpochs=50000;
%最多训练次数为50000
lr=0.035;
%学习速率为0.035
E0=0.65*10^（-3）;
%目标误差为0.65*10^（-3）
W1=0.5*rand（HiddenUnitNum,InDim）-0.2;
%初始化输入层与隐含层之间的权值
B1=0.5*rand（HiddenUnitNum,1）-0.2;
%初始化输入层与隐含层之间的阈值
W2=0.5*rand（OutDim,HiddenUnitNum）-0.2;
%初始化输出层与隐含层之间的权值
B2=0.5*rand（OutDim,1）-0.2;
%初始化输出层与隐含层之间的阈值
ErrHistory=[];
%给中间变量预先占据内存
MaxEpochs
%HiddenOut=logsig（W1*SamIn+repmat（B1,1,SamNum））;
%隐含层网络输出
HiddenOut=1./（1+exp（-（W1*SamIn+repmat（B1,1,SamNum））））;
NetworkOut=W2*HiddenOut+repmat（B2,1,SamNum）;
%输出层网络输出
Error=SamOut-NetworkOut;
%实际输出与网络输出之差
SSE=sumsqr（Error）;
%能量函数（误差平方和）
ErrHistory=[ErrHistorySSE];
ifSSE<
E0,break,end
%调整权值（阈值）
Delta2=Error;
Delta1=W2'
*Delta2.*HiddenOut.*（1-HiddenOut）;
dW2=Delta2*HiddenOut'
dB2=Delta2*ones（SamNum,1）;
dW1=Delta1*SamIn'
dB1=Delta1*ones（SamNum,1）;
%对输出层与隐含层之间的权值和阈值进行修正
W2=W2+lr*dW2;
B2=B2+lr*dB2;
%对输入层与隐含层之间的权值和阈值进行修正
W1=W1+lr*dW1;
B1=B1+lr*dB1;
HiddenOut=1./（1+exp（-（（W1*SamIn+repmat（B1,1,TestSamNum）））））;
%隐含层输出最终结果
NetworkOut=W2*HiddenOut+repmat（B2,1,TestSamNum）;
%输出层输出最终结果
a=postmnmx（NetworkOut,mint,maxt）;
%还原网络输出层的结果
%利用训练好的网络进行预测
pnewn=tramnmx（pnew,minp,maxp）;
%归一化；
HiddenOut=1./（1+exp（-（W1*pnewn+repmat（B1,1,ForcastSamNum））））;
anewn=W2*HiddenOut+repmat（B2,1,ForcastSamNum）;
%输出层输出预测结果
%把网络预测得到的数据还原为原始的数量级；
anew=postmnmx（anewn,mint,maxt）;
answer=zeros（1,size（anew,2））;
d=1;
forj=1:
20
fori=4:
-1:
1
answer（j）=answer（j）+anew（i,j）*d;
d=d*2;
d=1;
answer=answer+0.5;
answer=floor（answer）
function[feature]=read_can_use（）
clc,clear;
5
forjj=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:
10
fork=1:
4
x=i;
%将图片的灰度矩阵划分成32块小矩阵
temp_num1=size（M,1）./10;
%100*80
temp_num2=size（M,2）./4;
temp=M（（j-1）*temp_num1+1:
j*temp_num1,（k-1）*temp_num2+1:
k*temp_num2）;
%对每个小矩阵进行SVD变换
[u,temp1,v]=svd（temp）;
%提取最大的SVD系数作为特征值
temp2=temp1（num,num）;
%得到所有图片的特征矩阵
feature（（x-1）*11+jj,（j-1）*4+k）=temp2;
save（'
date1_5'
升级会员 