基于模糊RBF神經(jīng)網(wǎng)絡(luò)的人臉識別系統(tǒng)研究.pdf

1、人臉識別是一個(gè)典型的圖像模式分析、理解與分類計(jì)算問題，涉及到模式識別，計(jì)算機(jī)視覺，人機(jī)交互，統(tǒng)計(jì)學(xué)習(xí)，認(rèn)知科學(xué)等多個(gè)學(xué)科，是模式識別領(lǐng)域研究的熱點(diǎn)和難點(diǎn)之一。同時(shí)，作為一種生物特征識別關(guān)鍵技術(shù)，AFR技術(shù)在身份認(rèn)證、智能監(jiān)控、信息安全、金融等領(lǐng)域具有潛在而廣大的應(yīng)用前景。然而，非理想條件下的人臉識別技術(shù)仍然是一個(gè)極具挑戰(zhàn)性的課題，要開發(fā)出魯棒和實(shí)用性強(qiáng)的AFR系統(tǒng)還需要解決大量的關(guān)鍵問題。
　　 本文概括地分析了國內(nèi)外在人臉識別

2、方面的研究歷史和現(xiàn)狀，闡述了人臉圖像預(yù)處理的主要算法，研究了幾種目前流行的人臉特征提取算法及其改進(jìn)，探索了基于模糊RBF神經(jīng)網(wǎng)絡(luò)的人臉圖像識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)。
　　 本文主要工作如下：
　　 1、對人臉圖像進(jìn)行基于分塊的離散余弦變換(Divided Discrete Cosine Transform，DDCT)。首先對人臉進(jìn)行分割，對分割出的各圖像塊進(jìn)行DCT變換，然后提取DCT(Discrete Cosine Tra

3、nsform)系數(shù)的低頻分量和高頻分量構(gòu)造出每塊人臉的DCT特征矩陣。
　　 2、利用奇異值分解閾值壓縮(Singular Value Decomposition Threshold Compression，TCSVD)方法對DCT特征矩陣進(jìn)行奇異值分解與壓縮降維。由于分割圖像的DCT低頻分量含有大量由于遮擋、光照及表情變化等因素引起的冗余信息，有必要對圖像的奇異值進(jìn)行壓縮降維，然后對這些奇異值特征進(jìn)行組合，構(gòu)造出最終的人臉組合

4、鑒別特征。
　　 3、設(shè)計(jì)一種基于模糊RBF神經(jīng)網(wǎng)絡(luò)的人臉圖像分類器。由于RBF網(wǎng)絡(luò)與模糊推理過程具有函數(shù)等價(jià)性，可以將兩種不同構(gòu)造的系統(tǒng)在函數(shù)上統(tǒng)一起來，使網(wǎng)絡(luò)的參數(shù)和運(yùn)算具有明確的含義。我們將RBF網(wǎng)絡(luò)中的模式聚類中心數(shù)和模糊規(guī)則數(shù)對應(yīng)起來，構(gòu)造網(wǎng)絡(luò)的環(huán)境參數(shù)使網(wǎng)絡(luò)具有模糊推理和分類能力。
　　 4、訓(xùn)練模糊RBF神經(jīng)網(wǎng)絡(luò)。模糊RBF神經(jīng)網(wǎng)絡(luò)一般采用BP算法進(jìn)行學(xué)習(xí)，收斂速度慢，提出了一種改進(jìn)的Levenberg-M