基于聚類(lèi)算法人臉識別方法的研究
摘要:研究基于聚類(lèi)算法進(jìn)行人臉識別的方法。通過(guò)學(xué)習過(guò)程訓練RBF神經(jīng)網(wǎng)絡(luò )的連接權值、隱含層中心和寬度等參數。通過(guò)仿真實(shí)驗數據對比分析了人臉圖像子圖像的保留個(gè)數、每幅子圖像保留奇異值向量的個(gè)數以及聚類(lèi)因數、因數的選取,為聚類(lèi)算法人臉識別取得良好的應用效果提供了量化的指導。
本文引用地址:http://dyxdggzs.com/article/115695.htm關(guān)鍵詞:聚類(lèi)算法;人臉識別;RBF神經(jīng)網(wǎng)絡(luò );仿真實(shí)驗
引言
在智能小區的安防系統中,人臉識別技術(shù)的應用,提高了安防報警系統的安全可靠性。人臉識別技術(shù)因其具有非接觸性、特征提取方便、防偽性能高等優(yōu)勢得到廣泛的應用。人臉識別技術(shù)綜合了計算機、通信、光學(xué)、電子、機械等多學(xué)科技術(shù),在控制領(lǐng)域和智能建筑領(lǐng)域有著(zhù)廣闊的應用前景 [1~8] 。本文研究了基于聚類(lèi)算法判別人臉圖像的方法,達到應用于智能小區門(mén)禁系統和樓宇門(mén)禁系統的實(shí)際應用要求,如圖1所示。
基于圖像分塊進(jìn)行人臉識別時(shí),隨著(zhù)分塊數目的增多,子圖像保留的奇異值個(gè)數、維數的控制,以及子圖像權重的賦值等問(wèn)題,若只依靠主觀(guān)經(jīng)驗來(lái)決定,則缺乏客觀(guān)依據[9~10]。徑向基函數(RBF-Radial Basis Function)網(wǎng)絡(luò )是一種性能良好的前饋型三層神經(jīng)網(wǎng)絡(luò ),具有全局逼近性質(zhì)和最佳逼近性能,訓練方法快速易行,RBF 函數還具有局部響應的生物合理性。在隱含層中心確定的情況下,RBF網(wǎng)絡(luò )只需對隱含層至輸出層的單層權值學(xué)習修正,比多層感知器具有更快的收斂速度。利用 YALE人臉數據庫,通過(guò)RBF網(wǎng)絡(luò )對奇異值個(gè)數、子圖像數目、特征值數量、聚類(lèi)因數 、聚類(lèi)個(gè)數、 因數的測試結果,為人臉圖像的識別提供客觀(guān)地指導。
利用相關(guān)參數的仿真實(shí)驗結果,為進(jìn)一步研究子圖像賦值情況,提高人臉識別的速度和精確度提供了有效的幫助和參數支持。
聚類(lèi)算法的初始化
RBF神經(jīng)網(wǎng)絡(luò )可描述為:
式中為隱含層第i個(gè)節點(diǎn)與輸出層第k個(gè)輸出節點(diǎn)的連接權值。
隱含層聚類(lèi)的初始化過(guò)程如下。
(1)在每個(gè)類(lèi)別收斂于一個(gè)聚類(lèi)中心的假設前提下,將隱含層的節點(diǎn)數初始設定為輸出層的節點(diǎn)數,即u=s,再根據RBF神經(jīng)網(wǎng)絡(luò )的訓練情況具體調整。
(2)隱含層第k個(gè)神經(jīng)元的中心Ck為 k 類(lèi)特征矢量的均值。
(3)計算從均值Ck到屬于類(lèi)別k的最遠點(diǎn)kfarP的歐氏距離。
(4)計算各個(gè)j聚類(lèi)中心到k聚類(lèi)中心的距離。再根據dmin(k,l)和dk,dl的關(guān)系,對以下幾種情況進(jìn)行判斷。
情況(a):若滿(mǎn)足的條件,則表明類(lèi)別k與其他類(lèi)別l無(wú)重疊。
情況(b):若滿(mǎn)足的條件,則表明類(lèi)別k與其他類(lèi)別l有重疊,需要進(jìn)一步考慮以下情況 。
(i)當滿(mǎn)足的條件時(shí),則表明兩個(gè)類(lèi)別雖有重疊,但是互相不包含。
(ii)當滿(mǎn)足的條件時(shí),則表明類(lèi)別k包含于其他類(lèi)別之中,可能導致RBF神經(jīng)網(wǎng)絡(luò )分類(lèi)錯誤。
(5)按照以下分離原則對每類(lèi)樣本進(jìn)行判別并細分。
(i)包含規則:若滿(mǎn)足,則表明類(lèi)別k包含于類(lèi)別l之中,類(lèi)別l應被進(jìn)一步細分為兩個(gè)聚類(lèi)。
(ii)正確歸類(lèi)規則:若類(lèi)別k包含許多其他類(lèi)別l的數據,則需要將類(lèi)別k進(jìn)一步細分為兩個(gè)聚類(lèi)。
重復上述步驟,直至選定的全部人臉圖像的訓練樣本都被處理為止,整個(gè)RBF神經(jīng)網(wǎng)絡(luò )的結構隨之確定。
評論