基于BP神经网络的人脸方向预测

Halcom

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；

1. clc % 清屏
   
2. clear all;                         % 删除workplace变量
   
3. close all;                                 % 关掉显示图形窗口
   
4. 
   
5. images=[ ];  
   
6. M_train=3;                        %表示人脸
   
7. N_train=5;                                %表示方向
   
8. sample=[];  
   
9. pixel_value=[];
   
10. sample_number=0;
    
11. 
    
12. for j=1:N_train
    
13.       for i=1:M_train
    
14.         %读取图像，连接字符串形成图像的文件名。
    
15.         str=strcat('Images\',num2str(i),'_',num2str(j),'.bmp');
    
16.         img= imread(str);  
    
17.         [rows cols]= size(img);                                %获得图像的行和列值
    
18.         img_edge=edge(img,'Sobel');
    
19. 
    
20.         %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
    
21.         sub_rows=floor(rows/6);                        %最接近的最小整数,分成6行
    
22.         sub_cols=floor(cols/8);                        %最接近的最小整数，分成8列
    
23.         sample_num=M_train*N_train;                %前5个是第一幅人脸的5个角度
    
24. 
    
25.         sample_number=sample_number+1;
    
26.         for subblock_i=1:8                                 %因为这还在i，j的循环中，所以不可以用i
    
27.             block_num=subblock_i;
    
28.             pixel_value(sample_number,block_num)=0;  
    
29.             for ii=sub_rows:(2*sub_rows)
    
30.                 for jj=(subblock_i-1)*sub_cols+1:subblock_i*sub_cols
    
31.                     pixel_value(sample_number,block_num)=pixel_value(sample_number,block_num)+img_edge(ii,jj);         
    
32.                 end
    
33.             end     
    
34.         end  
    
35.     end
    
36. end
    
37. 
    
38. %将特征值转换为小于1的值
    
39. max_pixel_value=max(pixel_value);
    
40. max_pixel_value_1=max(max_pixel_value);
    
41. for i=1:3
    
42.     mid_value=10^i;
    
43.     if(((max_pixel_value_1/mid_value)>1)&&((max_pixel_value_1/mid_value)<10))
    
44.         multiple_num=1/mid_value;
    
45.         pixel_value=pixel_value*multiple_num;
    
46.         break;
    
47.     end
    
48. end
    
49. 
    
50. % T 为目标矢量
    
51. t=zeros(3,sample_number);
    
52. %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
    
53. for i=1:sample_number
    
54.     % if((mod(i,5)==1)||(mod(i,5)==4)||(mod(i,5)==0))
    
55.     if(i<=3)||((i>9)&&(i<=12))||((i>12)&&(i<=15))
    
56.         t(1,i)=1;
    
57.     end   
    
58.     %if((mod(i,5)==2)||(mod(i,5)==4))
    
59.     if((i>3)&&(i<=6))||((i>9)&&(i<=12))
    
60.         t(2,i)=1;
    
61.     end        
    
62.     %if((mod(i,5)==3)||(mod(i,5)==0))
    
63.     if((i>6)&&(i<=9))||((i>12)&&(i<=15))
    
64.         t(3,i)=1;
    
65.     end           
    
66. end  
    
67. 
    
68. % NEWFF——生成一个新的前向神经网络
    
69. % TRAIN——对 BP 神经网络进行训练
    
70. % SIM——对 BP 神经网络进行仿真
    
71. 
    
72. %  定义训练样本
    
73. % P 为输入矢量
    
74. P=pixel_value'
    
75. % T 为目标矢量
    
76. T=t
    
77. size(P)
    
78. size(T)
    
79. % size(P)
    
80. % size(T)
    
81. 
    
82. %  创建一个新的前向神经网络  
    
83. net_1=newff(minmax(P),[10,3],{'tansig','purelin'},'traingdm')
    
84. %  当前输入层权值和阈值
    
85. inputWeights=net_1.IW{1,1}
    
86. inputbias=net_1.b{1}
    
87. %  当前网络层权值和阈值
    
88. layerWeights=net_1.LW{2,1}
    
89. layerbias=net_1.b{2}
    
90. %  设置训练参数
    
91. net_1.trainParam.show = 50;
    
92. net_1.trainParam.lr = 0.05;
    
93. net_1.trainParam.mc = 0.9;
    
94. net_1.trainParam.epochs = 10000;
    
95. net_1.trainParam.goal = 1e-3;
    
96. %  调用 TRAINGDM 算法训练 BP 网络
    
97. [net_1,tr]=train(net_1,P,T);
    
98. %  对 BP 网络进行仿真
    
99. A = sim(net_1,P);
    
100. %  计算仿真误差  
     
101. E = T - A;
     
102. MSE=mse(E)
     
103. 
     
104. x=[0.14 0 1 1 0 1 1 1.2]';
     
105. sim(net_1,x)

复制代码

具体也可以参考：http://wenku.baidu.com/link?url= ... reI_fUiYIrLHRK4BhNa

albert

很棒的分享，希望博主坚持下去

舞动青春911

感谢楼主分享！