人脸图像处理技术研究——年龄识别

      年龄识别系统设计1、 bp神经网络简介BP 为非循环多级网络的训练算法。Werbos在1974年已经提出了该方法[10]；1982年，Paker 完成了相似的工作； BP 神经网络作为一种多层前馈神经网络广泛应用于预测领域。它的一个主要特征就是数据向前传递，误差向后反馈。在向前传递数据的过程中，数据是依次按照输入层、隐含层和输出层的顺序传递。并且每一层的神经元状态只对下一层神经元状态有影响。如果输出层获得的数据与实际数据对比有误差存在，那么转向反向传播过程。根据实际数值与网络输出数据的误差逐级调整神经网络的权值和阀值，从而使得网络的输出数值逐步逼近实际数据值。BP 神经网络的缺点是：其学习速度较慢、局部极小点的逃离问题、算法不一定收敛等问题；其优点是：广泛的适应性和概括性。

        2、 bp网络的模型BP网络是一种多层前馈神经网络，它是J．L．McCelland和D．E．Rumelhart及其研究小组在1986年研究并设计出来的。当前，在人工神经网络的实际应用中，绝大部分的神经网络模型是采用BP网络和它的变化形式，它同时也是前向网络的核心部分，体现了人工神经网络最精髓的部分。BP神经元模型如图所示：人脸图像处理技术研究——年龄识别3、bp网络算法的改进为了克服BP算法的缺点，提高BP网络的性能，提出了一些改进的BP神经网络算法，用来满足解决不同问题的需要。主要的改进算法有动量方法、可变学习速度算法、共轭梯度法等。例如共轭梯度法，基本BP算法之收敛速度慢有一个重要的原因是采用了瞬时梯度来修正权值，用了目标函数一阶导数的信息，权值的调节只是沿梯度下降最速方向进行，而误差曲面是一个十分复杂的超曲面，有着严重的畸形区域，导致这一梯度下降的最速方向可能极大地偏离指向误差曲面最小点的方向，从而急剧的加长了权值到达最小点位置的搜索路径，除此外在极值点附近，由于梯度较小，收敛速度更是慢。学习过程是一个最优化问题，用瞬时梯度相当于最速下降法，分类器采用二阶梯度法，就可以大大加强收敛性。

       三、实验步骤BP神经网络用于人脸识别的步骤为：首先应对输入图像实行图像预处理，之后进行人脸特征提取，接下来就是BP神经网络训练，最后用训练好的网络进行识别,获得识别结果。图像预处理是为了更易特征提取，特征提取就是将图像中大量的冗余信息去除，即实现数据压缩,降低了神经网络结构的复杂度,提高了神经网络的训练效率和收敛率。本文以指定的标准脸为研究对象，将输入图像进行图像压压缩、图像抽样、输入矢量标准化等图像预处理后,送入 BP神经网络训练，经过竞争选择，获得识别结果。整个识别人脸图像处理技术研究——年龄识别1、 样本选择及特征提取2、 找到人脸，然后找到年龄特征量，之后和标准人脸做比较，与哪个最相近即使哪个年龄段。比如放三张标准照片，一张小孩，一张中年人，一张老年人。每个年龄段放5张照片和标准照片做对比，进行最相近匹配得到年龄段。

        3、 特征提取：、 （1）第一图片，转成20*20的矩阵，然后转成200*1的矩阵5、 （2）每一个图片都转成200*1的矩阵6、 （3）所有的图片组成矩阵15*200的矩阵，记成矩阵A7、 （4）类别标签的制作[1 1 1 1 1 2 2 2 2 2 3 3 3 3 3]，一组老年人脸（2）选取其中的一张照片进行matlab的识别，在页面上显示为待识别8、 （5）然后进行神经网络的预测，对于A是神经网络的输入变量，b是输出向量，