基于RBF网络和贝叶斯分类器融合的人脸识别方法

RBF神经网络设计

RBF神经网络的结构如图2。径向基函数的实质 ，即寻求一个基于→的映射函数（s?r），其中r 是输入空间的维数，s是输出空间的维数，u是隐层节点数。

假定∈（1≤j≤r）为输入层神经元，为隐层第 i个神经元的中心，则第j个神经元在第i个隐层节点的输出为： , i =1,2,…,u，式中||||表示欧氏范数。当RBF选用高斯核函数时，其输出为：



式中为隐层第 i 个神经元的宽度。输出层第 k 个节点的输出值 为： ，式中为隐层节点 k 到第 j 个输出节点的连接权值。

RBF神经网络的构建和初始化

RBF神经网络隐层聚类的初始化过程如下[10]：

（1）隐层节点数u=s。假设每个类收敛于一个聚类中心，再根据情况具体调整。

（2）隐层第 k 个神经元的中心为 k 类特征矢量的均值。，k=1,2,…,u，

（3）计算从均值 到属于类k 的最远点的欧氏距离

（4）计算各个j聚类中心到k聚类中心的距离，j=1,2,…,s, j≠k

a）若，则类k与其他类无重叠。

b）若，则类k与其他类有重叠，需进一步考虑：

（5） 包含规则：若且，则类k包含于类中，类应被

细分为两个聚类。若类k包含许多其他类的数据，需将类k细分为两个聚类。

RBF神经网络的算法

网络学习就是通过调整连接权 、隐层中心和宽度，以减小输出误差。

1、连接权值的调整

定义误差函数为：

，

，其中

是第个训练样本的实际输出值和理想输出值。通过线性最小二乘法求解最佳权值。

2、隐层中心及宽度调整

W固定，采用梯度下降法，经推导可得和的迭代计算公式为：



其中，

分别为隐层中心

宽度的学习速率

，m为迭代次数。

实验结果及分析

利用Yale人脸库中的人脸图像数据进行实验人脸识别实验研究，将人脸图像分块加权重构的奇异值向量X1，X2，…，Xl（其l中为训练样本的数目）矩阵依次输入RBF神经网络训练，当满足误差容限或训练次数，停止训练。在测试过程中，依据竞争选择的办法做出识别判断。
本文重点研究人脸图像的32子块权值选取情况如下：



表1 人脸图像划分不同子块数的识别结果



表2 赋予人脸图像32子块不同权值的识别结果



实验结果表明，基于人脸面部骨骼特征、以及眼睛分布、鼻子形状等结构特征，是鉴别人脸的主要依据。通过子块权值的合理分布，突出人脸骨骼特征，而对嘴部和皮肤折皱等表情变化部分特征给予弱化或剔除，这与人类识别人脸时的模式相近，识别效果较好。对人脸图像进行分块，在样本数量很大、维数很高的情况下，有效地减小了计算量。但是，子块不宜过多，否则增加RBF神经网络计算负担，识别率也会有所下降。

结论

本文提出了基于图像分块奇异值压缩，融合RBF神经网络和贝叶斯分类器的人脸识别方法，模拟人类识别人脸时剔除同一人脸变化部位的差异能力，采用不同子块单独进行人脸识别，根据RBF神经网络识别效果进行权值分配，通过实验证明，本文方法在降维和识别率方面均取得良好的效果，在正面人脸部位（尤其是下颚部）变化较大时，具有良好的识别精度和识别速度。