基于学习向量量化神经网络的人脸朝向识别方法.docVIP

基于学习向量量化神经网络的人脸朝向识别方法 　　摘要：针对传统人脸朝向识别算法中识别准确率较低的缺点，本文采用基于学习向量量化神经网络的识别方法，通过提取人脸图像中眼睛位置的特征向量并对朝向不同的人脸图像样本进行学习训练，优化了学习向量量化神经网络各层间的权值参数，取得了较高准确度的识别效果；仿真结果表明，采用学习向量量化神经网络的识别方法对人脸朝向进行识别可行有效，正确识别率可以达到95%以上，识别率与抗干扰性明显优于误差反传神经网络法。 　　关键词：人脸朝向识别 学习向量量化 神经网络 特征向量提取 　　中图分类号：TP391 文献标识码：A 文章编号：1007-9416（2016）05-0000-00 　　Abstract： Aiming at the low accuracy disadvantage of traditional facial orientation recognition algorithm， the paper employs the recognition method based on the Learning Vector Quantization neural network. By means of extracting the feature vector of eyes positions in the face images and studying the different facial image samples， the paper optimizes the weighting parameters of the LVQ neural network， which achieves good recognition result. The simulation results indicates that the facial orientation recognition based on the learning vector quantization neural network is feasible and effective， and the correct recognition rate can reach more than 95%. Besides， the paper ultimately proofs the accuracy and the validity of the learning vector quantization neural network is better than the Back-Propagation neural network. 　　Key Words： Facial orientation recognition， Learning vector quantization， Neural network，Feature vector extraction 　　人脸识别作为一个复杂的模式识别问题，是生物特征识别领域最困难的研究课题之一，其目的是从图像中剔除背景、提取人脸区域。人脸识别系统主要包括图像数据库采集、人脸图像预处理、人脸特征建模及识别匹配。计算机技术的告诉发展使人脸图像在人机交互中发挥着越来越重要的作用，由于实际应用中，人脸外形的不稳定性以及光照条件的多样性使人脸视觉图像在位置、朝向以及旋转角度等方面产生巨大的差异，因此对人脸进行准确识别变得异常困难。 　　学习向量量化（LVQ）神经网络是一种用于训练竞争层的有监督学习方法的输入前向神经网络，其算法是从Kohonen竞争算法演化而来的[1]。与其他模式识别和映射方法相比，它的优势在于网络结构简单，并且不需要对输入向量进行归一化、正交化处理，只通过计算输入向量与竞争层之间的距离，从而完成复杂的分类处理[2]。当人脸朝向与旋转角度不同时，眼睛局部特征与人脸图像的几何关系有较强的可区分性，因此提取人眼位置信息的特征向量并获得有助于人脸朝向分类的特征数据，将该特征信息作为LVQ神经网络的输入，可实现对任意给出的人脸图像进行朝向的识别，通过仿真可证明该方法的有效性。 　　1学习向量量化（LVQ）神经网络 　　学习向量量化神经网络是在竞争网络结构的基础上提出的，是自组织（SOFM）神经网络的一种有监督形式的扩展。在网络学习过程中加入教师信号作为分类信息对权值进行微调，并对输出神经元预先指定类别，LVQ神经网络实现了二者有效的结合，能够更好发挥竞争学习与有监督学习的优点。 　　1.1 LVQ神经网络结构与工作原理 　　广义学习向量量化神经网络由三层神经元组成，即输入层、隐藏的竞争层和线性输出层[3]，其网络结构如图1所示。输入层与竞争层之间