1、基于 LVQ 神经网络的人脸朝向 识别摘要 人脸识别 是当今模式识别和人工智能的一个重要的研究方向。人脸的朝向识别是一个复杂的模式识别问题。在实际应 用中，大量 图像和视频源中人 脸的位置、朝向、旋 转角度都是不固定的，这大大增加了人 脸识别的难度。 为了解决这些 问题，本实验采用了 LVQ 神经网络模型对图像中的人脸朝向识别进行研究。本 实验基于 matlab 平台设计 LVQ 神经网络，实现对人脸朝向的判断。实验结 果表明， LVQ 神经网络可以根据输入图像的二值信息，以较高的准确率判别该图像中的人脸朝向。关键字： 人脸朝向识别； LVQ 神经网络； matlab； 特征提取人脸识别是一个
2、活跃的研究领域。尽管相 对于虹膜和指 纹识别，人 脸识别的准确还比较低，但人脸的易采集、非接触的优点，让人脸识别受到越来越多的关注。人脸识别对人脸位置和状态都有一定的限制，实际应 用中， 图像和视频源中人脸的位置，朝向和旋转都不是固定的，这就为我们后续 的人脸识别有了更大的难度。在人脸识别的研究领域中，人 脸朝向识别是其中的一个分支。在以往的研究中， 绝大多数的研究人员希望能够消除人脸朝向在人脸识别中的不良影响，但在复杂的实际环境中，我们无法忽略人脸朝向对人脸识别的影响。因此，对人脸朝向的判定和识别是非常有必要和有意义的。1 LVQ 神经网 络学习向量量化 (Learning Vector Q
3、uantization，LVQ) 神经网络，属于前向 神经网络类型，在模式识别和优化领域有着广泛的应用。 LVQ 神经网络由三层组成，即输入层、隐含层和输出层，网络在输入层与隐含层间为 全连接，而在 隐含层与输 出层间为部分连接，每个输出层神经元与隐含层神经元的不同组相连接。 隐含层和输出层 神经元之间的连接权值固定为 1。输入层和隐含层神经元间连接的权值建立参考矢量的分量（对每个隐含神经元指定一个参考矢量）。在网络训练过程中，这些权值被修改。隐含层神经元（或称为 Kohnen 神经元）和输出神经元都具有二进制输出值。当某个 输入模式被送至网络时 ，参考矢量最接近 输入模式的隐含神经元因获得激
4、发而赢得竞争，因而允 许它产生一个“1”，而其它隐含层神经元都被迫产生“0”。与包含获胜神经元的隐含层神经元组相连接的输出神经元也发出“1” ，而其它 输出神经元均发出“0”。产生“1”的输 出神经元给出输入模式的类，由此可 见，每个输出神经元被用于表示不同的类。2 人脸朝向识别的设计2.1 问题描述现采集到一组不同人脸朝向的图像， 这组图像来自于 10 个人，每人 5 张图片，人脸朝向分为：左方、左前方、正面、右前方、右方，如图 2-1 所示。 创建一个 LVQ 神经网络， 对给出的人脸进行朝向的判定与识别。2-1 人脸朝向识别图2.2 建立模型2.2.1 设计思路通过观察不难发现，当人 脸
5、朝向不同的方向时，眼睛在图像中的位置差别较大。所以，将眼睛位置的特征信息作为 LVQ 神经网络识别的输入，将 5 个朝向作为其输出。在对训练集进行训练之后，得到具有预测 功能的神经网络， 对测试集中的 图片进行人脸朝向的预测。2.2.2 设计步骤根据上述的设计思路，可以 归纳为如下步骤，如 图 2-2 所示。图 2-2 设计步骤流程图（1）眼部特征向量的提取在设计思路中，可以知道人脸 朝向不同时，其眼睛所在的位置也有所不同。因此，选取描述人眼位置的特征向量作为 LVQ 神经网络的输入。方法：将整幅图像分为 6 行8 列，人眼的位置信息可以用第 2 行的 8 个子矩阵来描述，边缘检测后 8 个子
6、矩阵中的值为“1” 的像素点的个数与人脸朝向有直接关系。只要分别统计出第 2 行 8 个子矩阵中值为“1” 的像素点的个数即可。（2）生成训练集和测试集为了保证训练集数据的随机性，我 们随机选取图像库中的 30 张图片作为训练数据，选取 20 张图片作为测试数据。（3）LVQ 网络的 创建因为 LVQ 神经 网络具有不需要将 输入向量正交化、归一化的优点，利用 Matlab 工具中的 newlvq()函数构建一个 LVQ 神经网络。（4）LVQ 网络的 训练将训练集中输入向量送入 LVQ 神经网络，之后对网络中权值进行迭代调整，达到要求。利用 Matlab 中的网络训练 函数 train()对
7、 LVQ 神经网 络进行训练学习。（5）人脸朝向的识别网络训练收敛后，对测试集的数据 进行预测。 对于任意给定的 图像，只需将其特征向量提取出来，便可以进行识别 。3 人脸朝向识别的实现Matlab 提供了许多函数能够让我们在 Matlab 环境下可以实现上述步骤。3.1 清空环境变量在程序运行之前，需要清空工作空间中的变量和命令窗口的命令。源代码如下：clear allclc3.2 眼部特征向量的提取首先将图像中描述眼部信息的特征向量提取出来，即统计 出第 2 行 8 个子矩阵中值为“1”的像素点的个数，源代码如下：% 人脸特征向量提取 % 人数M=10;% 人脸朝向类别数N=5; % 特征
8、向量提取pixel_value=feature_extraction(M,N);feature_extraction（）为人脸特征向量提取子函数，函数体如下：% 特征提取子函数function pixel_value=feature_extraction(m,n)pixel_value=zeros(50,8);sample_number=0;for i=1:mfor j=1:nstr=strcat(Images,num2str(i),_,num2str(j),.bmp); %将字符串进行水平连接img= imread(str); %将图像转换为对应的矩阵rows cols= size(img)
9、;img_edge=edge(img,Sobel); %用 sobel 边缘提取算子来提取边缘sub_rows=floor(rows/6);sub_cols=floor(cols/8);sample_number=sample_number+1;for subblock_i=1:8 for ii=sub_rows+1:2*sub_rowsfor jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_colspixel_value(sample_number,subblock_i)=.pixel_value(sample_number,subblock_i)+i
10、mg_edge(ii,jj); endend end endend3.3 生成训练集和测试集将图片库中图片的眼部特征向量提取出来，随机分为两组 ，即 训练集组和测试集组。训练集中包括 30 幅图像的特征向量， 测试集中包括 20 幅图 像的特征向量，具体源代 码如下：% 训练集/测试集产生% 产生图像序号的随机序列rand_label=randperm(M*N); %产生一个从 1 到 m*n 的随机序列% 人脸朝向标号direction_label=repmat(1:N,1,M); %用于矩阵复制% 训练集train_label=rand_label(1:30);P_train=pixel_
11、value(train_label,:);Tc_train=direction_label(train_label);% 测试集test_label=rand_label(31:end);P_test=pixel_value(test_label,:);Tc_test=direction_label(test_label);3.4 创建 LVQ 神经网络利用 newlvq()函数来创建 LVQ 神经网络， 隐含层神经元个数设置为 20，具体源代码如下：% 计算 PCfor i=1:5ratei=length(find(Tc_train=i)/30;end% 创建 LVQ 网络net=newlv
12、q(minmax(P_train),20,cellmat(rate);% 设置训练参数net.trainParam.epoch = 100;net.trainParam.goal = 0.001;net. trainParam.lr = 0.13.5 训练 LVQ 神经网络用 Matlab 提供的 train()函数对 LVQ 神经网络训练学习，源代 码如下：net = train(net_train,T_train);3.6 人脸朝向识别的测试利用 sim()函数将训练集中的数据送入 LVQ 神经网络 ，这样可以获得测试集的人脸朝向的识别结果，源代码如下：% 测试集中的人脸朝向识别T_sim=sim(net,P_test);Tc_sim=vec2ind(T_sim);result=Tc_test;Tc_sim;4 实验结果分析
