基于GA-BP神经网络的人脸识别方法研究

崔向东，崔婧楠

(1 安徽和信科技发展有限责任公司,安徽　合肥　230001；

2 华南理工大学　计算机学院，广东　广州　510006)



基于GA-BP神经网络的人脸识别方法研究

崔向东1，崔婧楠2

(1 安徽和信科技发展有限责任公司,安徽合肥230001；

2 华南理工大学计算机学院，广东广州510006)

摘要：针对传统的BP神经网络算法易陷入局部极小点、训练速度慢的问题，文章用遗传算法(Genetic Algorithm，GA)来优化BP神经网络，实现全局寻优和局部寻优相结合，有效提高神经网络的学习性能和收敛性。实验结果表明，文章提出的方法训练速度快，克服其陷入局部最优的缺点，具有很好的识别性能。

关键词：特征提取；人脸识别； GA；BP神经网络

人脸识别是近些年模式识别领域的一个研究热点[1]，与其他的生物特征识别方法相比，人脸识别具有快捷、自然、非侵犯性等优点。人脸识别的这些良好特性，使其成为计算机视觉和模式识别领域的一个前沿课题[2]。特征提取和分类器的设计是人脸识别的关键环节。主要的人脸识别方法有[3]：基于K-L变换特征脸的识别方法、基于几何特征的识别方法和基于神经网络的识别方法。基于K-L变换特征脸的识别方法是利用K-L 变换将高维空间进行降维，该算法对不同的表情有一定的鲁棒性，但需要大量的训练样本。基于几何特征的识别方法是通过提取人脸的几何特征来进行识别，但它忽略了局部细微特征从而造成部分信息丢失。传统的BP神经网络由于输入输出的映射关系复杂、权值和阈值的更新速度慢、每次迭代的步长固定，局部搜索可能会使得实际问题寻找不到全局最优解，导致训练失败，因此存在学习速度慢、局部收敛不理想的现象，影响其工作性能[4]。由于遗传算法(Genetic Algorithm，GA)具有全局寻优能力而BP神经网络具有局部寻优能力，因此本文用GA来优化BP 神经网络，实现全局寻优和局部寻优相结合，能有效提高神经网络的学习性能和收敛性。在ORL人脸数据库上的实验表明，本文提出的方法具有很好的识别性能。

1基于GA-BP网络的人脸识别

1.1特征提取

本文采取主成分分析(Principal Component Analysis，PCA)进行特征提取，贡献率取94%，经过PCA特征提取后特征值个数为p=85。

1.2GA-BP优化算法

GA-BP优化算法的流程图如图1所示。

图1遗传算法优化BP神经网络算法流程图

(1)种群初始化

每个个体由各层的权值和阈值构成，并按实数编码方式对其进行编码。个体的长度L如公式(1)所示。

L=im*hm+hm+hm*om+om

(1)

式(1)中，im为输入层节点数，hm为隐含层节点数，om为输出层节点数。

(2)适应度函数

根据个体初始化后得到的数值串，将其分别赋予新建BP神经网络的各层权值和阈值，并使用这个网络对输入数据进行预测，适应度函数F如公式(2)所示。

(2)

式(2)中，oi(i=1,2,…,om)为预测输出，yi(i=1,2，…,om)为目标输出，om为输出层节点数，也是待分类类别数。

(3)选择交叉操作

采用轮盘赌法进行选择操作，交叉的方法采用实数交叉。配对个体以交叉概率交换部分基因，形成两个新个体。第k个染色体ak和第1个染色体a1在第j位置上交叉的方法如公式(3)所示。

(3)

式(3)中，b为0和1之间的随机数。

(4)变异操作

本文使用实值变异，第i个个体的第j位基因aij进行变异如公式(4)所示。

(4)

1.3GA-BP网络的人脸识别

随机抽取人脸库中每个人的若干张图像作为训练图像，剩余的人脸图像作为测试图像，基于的GA-BP人脸识别方法的步骤如图2所示。

图2GA-BP网络的人脸识别框图

2实验结果及分析

2.1实验参数设定

种群规模选取20，交叉概率，变异概率，进化迭代次数为50，神经网络输入层节点数为85，隐含层节点数为120，输出层的节点数为待分图像的类别数，ORL库包含40个人，故输出节点数为40，目标误差goal为0.001。

为验证GA-BP算法的可行性和有效性，在ORL人脸库上进行了实验。由于训练和相应的测试样本都为随机选择，故每组实验均重复进行10次，取实验结果的平均值作为最终结果。

2.2实验结果分析

ORL人脸库由40个人、每人10幅图像组成，每张照片的大小为112×92像素。照片是在不同时间、不同光照、不同面部遮掩物下获得的，面部细节、姿势和尺度有着不同程度的变化。为了验证算法的性能，依次随机抽取每人的4、5、6、7、8幅图像作为训练样本，剩余部分作为测试样本，进行GA-BP神经网络和BP神经网络两种算法之间的实验比较。实验结果如图3、图4所示。

图3不同算法在ORL人脸库上识别率对比

图4不同算法在ORL人脸库上训练时间对比

从图3中可以看出，随着训练样本的增加，BP网络和GA优化后的BP神经网络的识别正确率都会提高。但是在相同的训练样本数时，GA优化后的BP神经网络比未优化的BP神经网络的识别正确率有较大提高。

从图4中可以看出，在相同训练样本条件下，GA优化后的BP神经网络的训练时间比BP神经网络训练时间大为减少，且随着训练样本数的增加，训练时间的差距会变得更加明显。

为了验证算法的收敛性能，随机抽取每人的4幅图像作为训练样本，剩余部分作为测试样本，进行了GA-BP神经网络和BP神经网络两种算法之间的训练步数实验比较。实验结果如下表所示。

两种方法训练步数的对照表

算法收敛步数识别率BP神经网络121786.75%GA-BP40291.4167%

从表中可以看出，在实验参数相同的情况下，GA-BP的训练步数仅为BP神经网络的33.03%，收敛速度明显提高。

综上所述，利用遗传算法来优化BP 网络的初始权值和阈值，并将最优权值和阈值代入BP 神经网络中进行样本训练和识别，从而提高网络训练速度，避免了在局部最优解附近徘徊，能有效克服BP神经网络的缺陷，提高识别精度。

3结论

从以上实验结果可以看出，本文提出的GA-BP算法利用遗传算法对神经网络的初始权值和阈值进行了优化处理，从而克服了BP神经网络容易陷入局部极小点、训练速度慢的缺点，最终提高了人脸识别准确率和收敛速度。

参考文献：

[1]叶长明，蒋建国，詹曙，等.基于三维人脸成像系统的复数域人脸识别方法[J].电子测量与仪器学报，2011，25(5)： 420—426.

[2]Jigar M P，Rathod D，Jadav J J.A Survey of Face Recognition approach[J].International Journal of Engineering Research and Applications (IJERA)，2013，3(1)： 632—635.

[3]周杰,卢春雨,张长水，等.人脸自动识别方法综述[J].电子学报,2000,4(4)：102—106.

[4]曾黄麟.智能计算[M].重庆：重庆大学出版社，2004：16-24.

(责任编辑：杨阳)

收稿日期：2016—03—23

作者简介：崔向东(1970—)，男，安徽合肥人，安徽和信科技发展有限责任公司工程师，研究方向：图像处理和计算机应用。

中图分类号：TP 391.4

文献标识码：A

文章编号：1672—9536(2016)02—0030—03

Abstract：To solve the problem that traditional BP neural network algorithm is easily got stuck in local minima and with low training speed，this paper studies the optimization of BP neural network by using genetic algorithm，which successfully combine global and local optimization and effectively improve the learning ability and convergence of neural network.The experimental results show that the method introduced in this paper has the advantage of fast speed which avoids the network being stuck in local minima as well as good recognition performance.

Key words：feature extraction; face recognition; GA; BP neural network