[发明专利]基于神经网络的人脸识别方法

说明书

技术领域

本发明涉及一种基于神经网络的人脸识别方法，属于人脸识别领域。

背景技术

人脸识别是通过分析人类脸部视觉特征来达到身份鉴别目的的一种计算机技术。学术界对人脸识别给出了广义和狭义两方面的具体定义。广义的人脸识别包括人脸检测（face detection）、人脸表征（face representation）、人脸鉴别（ face identification ）、表情分析（ face expression analysis ） 以及物理分类（physical classification）等一系列相关技术；而狭义的人脸识别则被定义为一种技术或系统，这一技术或系统能够通过人脸的特征进行身份确认、身份比较和身份查找。

目前，由于人脸识别技术能够通过生物体（一般特指人）本身的生物特征来区分个体，提高了生物体识别的精度，因此，该技术得到了广泛关注和推崇，使该领域也成为了生物识别特征研究中的热点。以人类为例，生物特征主要来自于以下方面：脸、视网膜、虹膜、手掌纹、指纹、语音、体形、习惯等，因而基于上述内容，研究则被重点放在了识别人脸、视网膜、虹膜、手掌纹、指纹、语音、体形、键盘敲击、签字等相应特征的计算机识别技术上，并取得了具有重要意义的成果。

人脸识别的优势在于其自然性和友好性的特点。所谓自然性，是指人类本身也是通过观察和比较人类脸部特征来辨别和确认对方身份的，如语音识别、体形识别等也同样具有自然性的特征，而人类或其他生物通常不通过指纹、虹膜等特征区别个体，因此上述特征识别就不具有自然性的特征。

所谓友好性，是指该识别方法不因特殊对待而增加被鉴别人的心理负担，并且也因此而更容易获取直接和真实的特征信息。指纹或者虹膜识别需要利用电子压力传感器或红外线等特殊技术手段采集信息，上述特殊的采集技术易被人发现，大大增加了被鉴别人躲避身份鉴别的可能性，降低了身份鉴别的效率。

然而，人脸识别却可通过简单的图像或视频技术直接获取被鉴别人的人脸信息，这种信息采集方式不易于被人察觉，增加了信息的真实性和可靠性。

虽然人脸识别技术具有上述优点，但该技术的实现却并不容易。主要受人脸的生物特性所限制，具体表现在：

第一，由于同种类型的人脸的结构都具有较高的相似性。该特点可以用于人脸定位，但是却大大增加了利用人脸特征鉴别个体的难度。

第二，受年龄、情绪、温度光照条件、遮盖物等因素的限制，人脸的外形很不稳定，甚至在不同观察角度，人脸的图像特征也存在显著的差异，增加了人脸识别技术应用的复杂性。

为使人脸识别技术更好的服务于所需领域，则需要对上述两项限制进行研究寻求突破。

基于核子空间的人脸识别技术是人脸识别领域中应用最为广泛的技术之一。一个一般的核子空间人脸识别算法流程如图1所示，由于核子空间中基的表示要用到所有的训练样本，因此随着训练样本个数的增多，测试样本的投影速度减慢，进而严重影响了人脸识别速度，尤其是在实时系统和在线系统中这种弊端体现的更为明显。

发明内容

鉴于上述现有技术的不足之处，本发明的目的在于提供一种基于神经网络的人脸识别方法，希望建立一种人脸识别算法模型，使其能够对核特征子空间的基表示进行约减。在人脸识别过程中，使测试样本避免向由全部训练样本构成的特征子空间的基进行投影，而是向约减的近似子空间投影，以此来提高人脸识别速度。

为了达到上述目的，本发明采取了以下技术方案：

本发明提供了一种基于神经网络的人脸识别方法，包括以下步骤：

步骤一、建立训练集图像集合，对训练集人脸位图进行存储，并读取位图数据；

步骤二、原始输入空间中的训练样本进行特征提取，形成训练集样本集合；

步骤三、利用训练集位图数据和特征提取后的训练集样本集合训练一个RBF神经网络；

步骤四、建立测试集图像集合，对测试集人脸位图进行存储，并读取位图数据；

步骤五、将测试集位图数据输入训练完成的RBF神经网络，得到测试集样本点集合；

步骤六、利用分类器，对测试集图像进行分类识别。

优选的，上述步骤二进行特征提取是通过KPCA方法来进行。

优选的，上述步骤三训练RBF神经网络包括无监督和有监督训练两个步骤。

优选的，上述训练包括以下步骤：

第一步、通过聚类的方法计算基函数中心；

第二步、计算方差；

第三步、获取隐含层神经元到输出层神经元连接权值。