基于BP神经网络的人脸方向预测
BP神经网络视频:链接:http://pan.baidu.com/s/1nveLsUH 密码:1eao人脸图像:链接:http://pan.baidu.com/s/1nuHeMNn 密码:955y BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。本章基于BP神经网络进行人脸方向预测,通过不断的调正阈值使得系统达到最优状态。 BP神经网络利用输出后的误差来估计输出层的直接前导层的误差,再用这个误差估计更前一层的误差,如此一层一层的反传下去,就获得了所有其他各层的误差估计。其网络结构图如图 对于如图所示的人脸数据库图像,利用BP神经网络进行人脸方向预测,合理的定位人脸方向。 由于人脸数据图为一系列图像,需要用户自己根据人脸特征进行相关数据提取,由于人眼特征较明显,易于分割,因此基于BP的神经网络算法进行人眼的定位预测人脸方向。 因此需要以下几步:(1)首先提取特征数据;(2)BP神经网络进行数据训练、预测、检验;clc % 清屏clear all; % 删除workplace变量
close all; % 关掉显示图形窗口
images=[ ];
M_train=3; %表示人脸
N_train=5; %表示方向
sample=[];
pixel_value=[];
sample_number=0;
for j=1:N_train
for i=1:M_train
%读取图像,连接字符串形成图像的文件名。
str=strcat('Images\',num2str(i),'_',num2str(j),'.bmp');
img= imread(str);
= size(img); %获得图像的行和列值
img_edge=edge(img,'Sobel');
%由于在分割图片中,人脸的眼睛部分位置变化比较大,边缘检测效果好
sub_rows=floor(rows/6); %最接近的最小整数,分成6行
sub_cols=floor(cols/8); %最接近的最小整数,分成8列
sample_num=M_train*N_train; %前5个是第一幅人脸的5个角度
sample_number=sample_number+1;
for subblock_i=1:8 %因为这还在i,j的循环中,所以不可以用i
block_num=subblock_i;
pixel_value(sample_number,block_num)=0;
for ii=sub_rows:(2*sub_rows)
for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols
pixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj);
end
end
end
end
end
%将特征值转换为小于1的值
max_pixel_value=max(pixel_value);
max_pixel_value_1=max(max_pixel_value);
for i=1:3
mid_value=10^i;
if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10))
multiple_num=1/mid_value;
pixel_value=pixel_value*multiple_num;
break;
end
end
% T 为目标矢量
t=zeros(3,sample_number);
%因为有五类,所以至少用3个数表示,5介于2的2次方和2的3次方之间
for i=1:sample_number
% if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0))
if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15))
t(1,i)=1;
end
%if((mod(i,5)==2)||(mod(i,5)==4))
if((i>3)&&(i<=6))||((i>9)&&(i<=12))
t(2,i)=1;
end
%if((mod(i,5)==3)||(mod(i,5)==0))
if((i>6)&&(i<=9))||((i>12)&&(i<=15))
t(3,i)=1;
end
end
% NEWFF——生成一个新的前向神经网络
% TRAIN——对 BP 神经网络进行训练
% SIM——对 BP 神经网络进行仿真
%定义训练样本
% P 为输入矢量
P=pixel_value'
% T 为目标矢量
T=t
size(P)
size(T)
% size(P)
% size(T)
%创建一个新的前向神经网络
net_1=newff(minmax(P),,{'tansig','purelin'},'traingdm')
%当前输入层权值和阈值
inputWeights=net_1.IW{1,1}
inputbias=net_1.b{1}
%当前网络层权值和阈值
layerWeights=net_1.LW{2,1}
layerbias=net_1.b{2}
%设置训练参数
net_1.trainParam.show = 50;
net_1.trainParam.lr = 0.05;
net_1.trainParam.mc = 0.9;
net_1.trainParam.epochs = 10000;
net_1.trainParam.goal = 1e-3;
%调用 TRAINGDM 算法训练 BP 网络
=train(net_1,P,T);
%对 BP 网络进行仿真
A = sim(net_1,P);
%计算仿真误差
E = T - A;
MSE=mse(E)
x=';
sim(net_1,x)具体也可以参考:http://wenku.baidu.com/link?url= ... reI_fUiYIrLHRK4BhNa
很棒的分享,希望博主坚持下去 感谢楼主分享!
页:
[1]