1、毕业设计（论文）开题报告题目基于神经网络的人脸识别系统设计专业电子信息工程1选题的背景、意义基于神经网络的人脸识别系统是一个复杂的过程，主要包括从ORL内提取人脸、人脸规范化、特征提取、软件识别、输入系统、中间处理层、输出结果这七个过程。人工神经网络的发展已经有一段比较长的历史了，据MATLAB神经网络应用设计的记载，它的发展有过两个高潮，第一次热潮开始于1943年，著名心理学家WMCCULLOCH、数学家WPITTS、HEBB开创了神经科学理论研究时代。之后相继有了更大的发展伺服电机反馈自稳定系统、模拟人脑感知和学习能力的感知器概念、神经元网络方程、自适应线性元件等等，大家对神经系统表现出来
2、的好奇心大大的推动了神经网络的发展，一直到1969年，这段时间的发展科学家们为此作出了巨大的贡献1。之后进入了一个低潮，据董长虹所编著的MATLAB神经网络应用设计所叙述20世纪60年代到70年代是神经网络发展的低潮时期，主要是因为人们发现了神经网络的传感器存在很多缺陷，并不能象所预期的正确的测试出我们所要的结果2。但是这中间也一定发展自组织映射、神经认知机网络理论、BSB模型、BP理论等等。第二次高潮是在20时间80年代，就是在1982年提出“HOPFIELD”一个非线性动力系统的理论模型之后，神经网络有了巨大的发展，之后又有了大规模并行网络学习机（隐单元）、NETTAL程序系统、杂志神经网
3、络、IEEE的神经网络杂志等都不断推动了【3】。人脸的识别是基于生物特征识别技术的一种主要方法。早在1888年和1910年，高尔顿在NATURE杂志内发表了2篇关于通过人脸进行身份识别的文章，而且对人类自身的人脸识别能力也进行了分析。自1990年之后，人脸识别得到了空前的发展，许多理工科大学和IT产业公司都开始对此进行了研究，通过对人脸图像的检测标准化，然后进一步分析人脸的表征，提取人脸的特征，识别人脸，最后输出相应的符号。人脸识别其实是基于光学的人脸图像的身份识别和验证，通过属性分离、特征提取、分类判断得到最后的结果4。神经网络是由大量的神经元相互连接而成的的，是一个自适应的动态系统，而神经
4、元是人工神经网络中的基本元件，人工神经网络从某种角度模仿、简化和抽象了人脑功能的若干基本特征。从脑神经元学说之后就有了人工神经元的研究。1943年开始一直到现在，神经网络一直不断的发展，虽然中间也遇到不少挫折，但是仍然得到了突破性的发展5。MATLAB则是一款功能强大的信号处理软件，是交互性非常好的可视化工具，里面还有各种的工具箱，可以通过对文件编程和连接，完成各种高难度的计算和转化识别。所以说，人脸识别是实现的内容,神经网络则是实现这个任务的具体技术，通过MATLAB软件的综合实现完成最终的识别。2相关研究的最新成果及动态如今神经网络理论的应用已经在当今社会有了很大的发展，自从IEEE的神经
5、网络杂志出现后，各种杂志层出不穷，神经网络技术进入了一个蓬勃发展的时期。神经网络技术不仅是在人工智能、自动控制、计算机科学、信息处理等方面有很大突破，而且也在机器人、模式识别、CAD/CAM方面也有发展6。研究内容相当的广泛，是多种学科交叉技术领域，生物原型研究、建立理论模型、网络模型与算法研究、神经网络应用系统这四个内容中有重要的体现。而其主要的研究领域和网络应用有A模式识别和图像处理（印刷体和手写字符识别、语音识别、签字识别等）B控制和优化（化工过程控制、机器人运动控制、家电控制、半导体生产中参杂控制等）C预报和智能信息管理（股票市场预测、地震预报、交通管理）D通讯（自适应均衡、回波抵消、
6、路由选择等）E空间科学（空间交会对接控制、导航信息智能管理、飞行程序优化管理）我认为，神经网络技术在未来还是有很大的发展前景的，前人对其的突破发展和现在生活的发展需要都对不断推动整个神经网络研究队伍的扩大起到了重要的作用，同时基于神经网络的人脸识别系统，也可以得到一定的提高。人脸的识别由于其更容易识别、更容易应用、更容易接受的特点，已经在人类对生物的识别中受到了广泛的认识和传播7。在第17届国际人脸识别证实（FAT2004）测试会议中,我国清华大学的模式识别方法被评为性能最佳的人脸证算法。人脸识别是实验的最后目的，对于我们初学者来说，还是充满很多疑问的，简单的人脸识别让我对整个生物的识别都起了
7、巨大的兴趣。在很多问题上，人脸识别具有不可取代的重要作用，例如在现在的犯罪侦查上就使侦破速度有了空前的突破。当然，作为我们大学生更应该为未来的科学发展做出自己的贡献。同时，神经网络技术也会在将来的社会中也会有更大的发展和应用。据现在的观察和展望，表明纹理识别算法、3D变形模型、混合模型、多特征融合、多分类器融合等应该会有很大的发展空间8。另外对于人脸的不同角度透视和能量分析，高精度的特征提取，系统具体的识别分析，也都是有一定发展的空间的。每一个领域都不会完全发展到极致，总是需要更多的新鲜血液注入发展。3课题的研究内容及拟采取的研究方法（技术路线）、研究难点及预期达到的目标31研究内容根据对神经
8、网络的研究和对人脸识别系统的研究，通过对MATLAB的实验仿真和C语言的编程，以及对实验仿真工具的应用，输入从图像中提取出来的特征元素，通过神经网络对人脸识别系统进行辨别。根据图1上所示，首先要对人脸识别通过对上图进行一定的特征提取，并且进行特征训练，结果在误差范围之内，讲提取的数字，输入MATLAB的实验系统之内，在人脸识过程中，特征的分类，之后通过算法复杂度、可实现性是确定特征提取法所需要考虑的因素。所提取特征的对最终结果有着决定性的影响所以。所以，人脸的识别实现需要综合性地考虑特征选择，特征提取和分类器设计9。在从ORL内提取人脸之后并且将人脸规范化、再从特征提取、软件识别、通过输入系统
9、和中间处理层处理、输出最后的识别结果10。在软件设计部分中，要进行单层的设计和多层的设计，并且要进行连接，构成一个分层网络。神经网络系统是一个多输入单输出的网络结构。在神经网络的工具箱中提取相应训练人脸样本图像输入人脸图像特征提取全局特征人脸特征鼻子特征嘴特征得到训练样本的特征子空间获取人脸特征（全局或局部）使用人脸样本特征进行训练融合分类器进行样本特征匹配，并输入出匹配结果图1人脸识别系统框图训练人脸样本图像得到训练样本的特征子空间使用人脸样本人脸识别系统框图的工具，进行编程实验。最重要的环节就是对人脸特征的提取和对特征分析，之后如果系统的设计无误，那么输入所提取的特征之后就会得到相对的人脸
10、识别的结果11。研究的基本内容包括有从ORL内提取人脸、人脸规范化、特征提取、软件识别、输入系统、中间处理层、输出结果。在这个过程之中，主要的问题在于（1）人脸识别的难点，光线、距离、角度、表情等对于人脸的图片都有很大的影响，对于人脸的提取就有一定的要求。（2）人脸的规范化过程，越精确怎么对于特征提取的帮助越大。（3）人脸的特征提取，到目前为止，也没有完全完美的提取方法可以完全无误差，怎么样可以更加快而准确的让系统识别出人脸，更需要设计者对特征的提取有更加新的理解和突破。（4）MATLAB软件中对于神经网络的工具箱也有一定的局限性，对于输入的点要经过计算分析。（5）神经网络的控制需要监督控制、
11、直接逆控制、内模式控制、NN自适应控制、预测控制。（6）神经网络之间的连接方式有很多种，前向网络、有反馈的网络、层内有相互结合的前向网络、相互结合的网络。（7）在软件设计部分中，要进行单层的设计和多层的设计，并且要进行连接，构成一个分层网络。神经网络系统是一个多输入单输出的网络结构。根据对这些问题的思考，针对人脸识别的设计需要，制定了相关的研究方案，更好更具体的解决以上的一些问题。32研究方法BACKPROPAGATION网络是在1986年由RUMELHART与MCCELLAND为首的科学家小组提出的，简称BP神经网络。这是目前应用最为广泛的神经网络的其中一个，具有广泛的适应性和有效型，是误差
12、反向传播（ERRORBACKPROPAGATIONBP）算法而训练出来的多层前馈网络12。BP网络不需要事前揭示出描述映射关系的数学方程，却能学习和存贮大量的输入输出模式映射出来的关系。而BP从另外一方面说，也就是方向传播，传播的东西其实就是误差。这样进行反向传播可以使得每一层都有误差，从而根据误差修正权值和阈值进行算法的练习13。但是具有训练速度慢、局部极小点的逃离问题、所设计的神经网络的能力不能保险的缺点14。所以有改进的BP算法，一个是启发式的学习算法对于表现函数梯度加以分析，从而改进算法；另一种是采用更有效的优化算法基于数值最优化理论的改进。之后则可以根据1学习所需要的时间2泛化的能力
13、3神经网络结构复杂性4鲁棒性。这4个指标来判断神经网络学习算法的好坏。如图2可以看出BP神经网络模型拓扑结构主要包括输入层、隐层、输出层。BP网络主要用于函数逼近、模式识别、分类、数据压缩这几个方面。我们主要研究BP算法，其实是由信号的正向传播和误差的方向传播两个过程组成。相当于一个反馈系统。正向传播时，输入信号从输入层输入，经过各隐层的逐层处理后，传到输出层，由输出层的实际输出15。即正向传播输入样本输入层各隐层（处理）输出层若此实际输出与期望输出不相符，那么就转入误差的反向传播过程即将输出误差以某种形式通过隐层后向输入层逐层反向传递过去，此过程中也将误差分摊给各层的所有单元，也就获得了各层
14、单元的误差信号，那么这个误差信号就可以作为修正各单元权值的依据。即误差反向传播输出误差（某种形式）隐层（逐层）输入层这种各层权值调整是通过信号正向传与误差反向传播周而复始进行调节的过程。图2中是对整个BP算法的网络结构示意图，更加具体的说明了信号输入节点之后，通过隐性节点，最后由输出节点的过程。权值不断调整的过程也就达到了网络的学习训练过程的目的。训练完成之后，才可以更好的完成识别16。网络学习训练的过程一直会进行到网络输出的误差很小，小到可接受的程度范围内或进行到预先设定的学习次数为止。这样完全了训练过程，也就可以进行更深入的实验了。若是要创建一个两层的BACKPROPAGATION网络，首
15、先要设置一个训练的样本，而且要求是非线性的；然后观察和对比样本训练前后的网络输出的变化；发现每次训练的结果都不相同；对比不同的神经元数对解决非线性问题的影响（1个、5个、10个）；需要注意的是，要解决的问题越复杂，那么需要的隐藏层神经元个数也就会越多8。在图2中的第二部分中的隐节点越多，也就说明需要解决的问题越复杂。另外网络结构的选择也有讲究输入层和输出层节点数选择决定于应用要求，输入节点的个数一般要等于训练的样本的矢量维数（可以是原始数据的维数或者提取的特征维数），网络的规模与网络性能密切相关，网络的隐层数和隐节点数决定网络的规模。神经网络的规模与网络中自由参数成正比，网络规模太小时，神经网
16、络逼近的能力就会不足，就会产生欠拟合，而反之则会产生过拟合【17】。所以说，网络规模的确定是神经网络设计中很重要的内容之一。BP算法的本质是梯度算法，比较容易陷入局部最小点。网络初始权值不相同会导致每次训练的结果也不一样，所以要求网络的初始权值取最小的随机值，这样才可以保证各个神经元的输入值都比较小，可以工作在激励函数斜率辨别最大的范围之内，也可以防止连续多次学习之后，某些权值的绝对值的不合理的无限增长。图2BP算法的网络结构示意图应用BP网络的几个关键问题（A）训练算法要根据目标要求、网络规模、系统性能等各种要求而定。（B）学习率训练速度和稳定性的矛盾。（C）避免局部最优问题一般是神经元的非
17、线性导致的。（D）神经元个数具有不适应性和过适应性。对于误差量和训练速度有三种方法可以改进可以提高待模拟函数频率，隐藏层神经元数量则不改变；或者是待模拟函数频率不变，减少隐藏层神经元的数量；或者是同步提高待模拟函数频率和神经元个数17。4研究工作详细工作进度和安排1、第一周收集资料，方案确定；2、第二周研究神经网络的基础；3、第三周研究人脸特征的提取4、第四周结构方案选定；5、第五六周研究熟悉MATLAB软件并阅读相关资料；6、第七八周编写相关的神经网络系统的程序；7、第九十周用MATLAB的系统软件实现神经系统；8、第十周十五周开题报告、文献综述、外文翻译；9第十六周毕业答辩5参考文献1田景
18、文,高美娟,人工神经网络算法研究及应用M,北京理工大学出版社,20062董长虹,MATLAB神经网络与应用M,国防工业出版,200513巫影,朱石坚等,神经网络综述J,科技进步与对策,2002,196,1331344王志良,孟秀艳,人脸工程学M,机械工业出版社,200875段锦,人脸自动机器识别M,科学出版社,200916焦李成,刘芳,神经网络理论学习、识别与计算的现代途径J,计算机科学,1989,27焦李成,刘芳神经网络研究的进展和展望J电子学报1990,18甘俊英,张有为基于BP神经网络的人脸识别J,系统工程与电子技术,2003,2519王守觉,多值和多阈值神经元及其网络组合与应用M,电子
19、学报,1996,3（3）1610ZHAO,W,CHELLAPPA,RETCFACERECOGNITIONALITERATURESURVEYJACMCOMPUTINGSURVEYSVOL35NO4200339945811APARAMETERIZEDFACEM,DEPTOFELECTRICALENGINEERING,198712SIMULATIONOFFACIALMUSCLEBASEDONRATIONALFREEFORMDEFORMATIONSM,199213ZHAO,W,CHELLAPPA,RETCDISCRIMINANTANALYSISOFPRINCIPALCOMPONENTSFORFACER
20、ECOGNITIONJPROCOFAFGR199833634114PENEV,PANDATICK,JLOCALFEATUREANALYSISAGENERALSTATISTICALTHEORYFOROBJECTREPRESENTATIONJNETWCOMPUTATNEURALSYSTVOLJ7199647750015WISKOTT,L,FELLOUS,JMETCFACERECOGNITIONBYELASTICBUNCHGRAPHMATCHINGJIEEETRANSONPAMIVOL19199777577916HTTP/BAIKEBAIDUCOM/VIEW/69227HTMZ17HTTP/WWWDOC88COM/P69518915098HTMLZ
