49
开发应用
1 引言
用第一次计算的雅可比矩阵的结果，从而在多次迭代中只身份识别鉴定是各行各业保证系统安全的必要措施。需要求一次雅可比矩阵就可以达到适应迭代的数据变化的在国家安全、司法、金融、电子商务、电子政务等应用领目的，从而可以大大提高迭代的收敛速度，由于多次迭代域迫切需要。与传统的身份识别系统相比，人脸具有不易过程结合在一起，可以增加每次迭代的修正量，减少收敛伪造、不易窃取、不会遗忘的显著特点；而与指纹、虹膜时需要的迭代次数，避免迭代振荡的情况，使算法获得更等其他生物特征识别相比，人脸识别则具有更自然、友好的收敛性能。M-FastICA算法继承了FastICA算法不需要好、无侵犯性的明显优势。选择步长参数，收敛较有保证和所提取的人脸特征有效的2 特征提取 优点，而且能进一步减少算法收敛的迭代次数和时间。人脸特征提取是人脸识别的第一步。其目标是用最少 3 QGA-BP神经网络分类器设计
的特征量来表征人脸，同时要求特征量最大程度地保持不（1）量子遗传算法。量子遗传算法(Quantum Genetic 同人脸的可区分能力。研究表明不同的人脸特征提取方法Algorithm QGA)是一种高效的并行算法，建立在量子的态对人脸识别的性能影响很大。本文采用的特征提取方法是矢量表达基础上。它改变了传统GA的结构，其染体不用基于整体的代数特征提取方法。 vdisk二进制数、十进制数或符号等来表示，而将量子比特的概（1）ICA算法的原理。独立分量分析方法是由法国学率幅表示应用于染体的编码，染体的状态是一种叠加者Herault和Jutten于1985年提出的，它是一种非常有效的态或纠缠态，并利用量子旋转门实现染体的更新操作，盲源分离技术 (Blind Sources Separation,BSS)。它的基引入量子交叉克服了早熟收敛现象。QGA的遗传操作不是采本思想是用一组独立的基函数来表示一系列随机变量。
用传统GA的选择、交叉和变异等，而是代之以简单的量子独立分量分析在处理高维数据时存在计算量大的缺门运算。
点，目前ICA的应用常采用它的固定点快速算法，该算法更（2）BP神经网络。BP网络是基于BP算法的多层前馈神为简单和快捷。比较著名的固定点快速算法是基于负熵的经网络。BP网络主要用于：函数逼近，即用输入矢量和相快速独立分量分析（FastICA）算法。
数字媒体播放系统
应的输出矢量训练一个网络逼近一个函数；模式识别，即（2）M-FastICA算法。M-FastICA算法是Fa
stICA算法用一个特定的输出矢量将它与输入矢量联系起来；分类，的一种改进算法。FastICA算法最为耗时的过程是每次迭代即把输入矢量以所定义的合适方式进行分类；数据压缩，均需要计算雅可比矩阵JF(w)，因为计算JF(w)涉及计算矩即减少输出矢量维数以便于传输或存储。传统BP网络由输阵的逆，是算法中计算最复杂的部分。因此如果减少迭代入层、隐层、输出层组成，而且有一层或多层隐节点。其过程中雅可比矩阵的计算，就可以达到改善算法计算性能突出特点是有很强的非线性映射能力和柔性的网络结构。的目的。
网络的隐层数目及各层神经元数可根据具体情况设定。
M-FastICA算法将多次迭代结合在一起，在这些多次迭（3）QGA-BP神经网络分类器。BP网络的初始权值是随代中，只计算第一次迭代的雅可比矩阵，后面的迭代都使
机给定的。每次训练的次数和最终的权值略有不同，所以
基于QGA-BP神经网络的人脸识别技术研究
武 艳
（苏州经贸职业技术学院机电系，江苏 苏州 215031）
摘 要：本文介绍了人脸识别的发展概况和人脸识别的主要方法。提出了一种基于QGA和BP神经网络相结合的人脸识别方法。首先使用M-FastICA方法进行人脸特征提取，然后采用QGA-BP神经网络作为人脸识别的分类器，仿真实验具有较好的识别效果，表明本文方法是一种可行的人脸识别方法。
关键词: 人脸识别；BP神经网络；量子遗传算法（QGA）；独立分量分析
Abstract: In the paper, the development and main methods of face recognition are introduced firstly. A method of face recognition based on QGA and BP neural network is designed. First, a face feature extraction method which is based on M-FastICA is used, then QGA-BP neural networks is used as recognition classifier, the simulation testing which has better recognition effect, indicates that the human face recognition method used in the paper is feasible.
Key words:Face recognition;BP neural network;Quantum Genetic Algorithm (QGA);Independent component analysis (ICA)
收稿日期：2009-03-15 修回日期：2009-04-26
作者简介：武艳（1980-），女，本科，苏州经贸职业技术学院教师。
图1两种分类器的人脸识别结果比较
网络的寻优不具有唯一性，会出现局部极小；同时，初始权敛迭代次数。
值给定的“盲目性”，也导致训练次数较多，收敛速度 4.2 QGA-BP分类器和BP分类器实验比较液压滑环
慢。如果在BP网络算法之前，能用一种有效的方法大致搜BP分类器和本文设计的QGA-BP分类器在大样本的情况索出一定的权值范围，以此时的权值作为BP算法的初始权下，对测试样本进行人脸识别的平均识别率结果比较见图值，可以解决BP算法易陷入局部极小、收敛速度慢和引起1。
振荡效应等缺点。本文提出了用量子遗传算法改进BP神经
网络进行人脸识别。
QGA-BP是先进行量子遗传运算，再用BP算法运算。即
先随机产生初始种，采用量子遗传算法优化种，对网
络进行循环训练，直到达到与BP算法的转化条件为止，然
后，把量子遗传算法优化后的种解码，将其作为初始权
值，用BP算法接着优化权值，同样对网络进行循环训练，
直至网络的目标误差满足精度要求。
算法流程如下所示：①对于优化参数进行编码生成初
始种；②用量子遗传算法优化种；③计算相应量，看
其是否满足与BP算法之间的转换条件，若满足，则进入下
一步，否则，继续用量子遗传算法优化种；④将染体
进行解码，用BP算法优化种；⑤计算网络的目标误差，本文设计的QGA-BP分类器与BP神经网络分类器，网络看其是否满足结束条件，若满足，则训练结束；否则，继训练次数比较结果见表2。
续采用BP算法优化种。
4 人脸识别实验及分析
4.1 QGA-BP分类器实验一个圆柱形玻璃容器
表2 两种分类器训练次数比较方案一：随机选取前20人的7组人脸数据送入QGA-BP分
通过比较，本文设计的QGA-BP人脸识别分类器大大缩类器进行人脸分类识别，其中二组为训练样本，五组为测
短了网络训练的迭代次数，与BP神经网络分类器相比取得试样本。每组人脸数据由每类人各一幅图像
人脸识别器组成。
了更高的识别率。对于实时性要求较高的在线数据处理问方案二：选取前20类人的每人前4幅共80幅作为训练样
题取得了时间和效率的双赢。
本集，剩下的120幅作为测试图像，送入前面训练好的QGA-
5 结论
BP分类器进行人脸识别。两种方案测试样本分类实验结果
程序升温
本文提出了基于QGA-BP神经网络的人脸识别算法。用见表1。
量子遗传算法离散优化神经网络权值，然后用BP算法在线
微调神经网络权值，利用QGA-BP神经网络分类器进行人脸
识别，更符合实时系统的要求。仿真证明本方法是一种快表1 分类实验结果速、实用、有效的人脸识别方法。
参考文献：
分类实验结果与分析：
[1] 陈绵书，陈贺新，桑爱军.计算机人脸识别技术综述[J].吉林大
方案一当测试样本作为人脸识别图像时，随机选取一
学学报(信息科学版),2003,21,(5):101～109.
组测试样本进行识别，由识别结果可知，当测试样本作为
[2] 周 杰，卢春雨，张长水等.人脸自动识别方法综述[J].电子学人脸识别图像时，人脸识别正确率达到90%。从对小样本的
报,2000,28,(4):102～106.
实验结果分析来看，采用本文设计的QGA-BP分类器能获得
[3] 李 健，廖秋菊.人脸识别方法的研究[J].人工智能,2006,22:4～2.比较满意的结果。[4] L.Najman,R.Vaillan,and E. Pernot. Face from sideview 方案二采用本文设计的QGA-BP分类器在大
样本的情况to ideniifieation.In G.Vernazza, A.N.VenetsanoPoulos, 下，对训练样本的平均识别率达到了100%，对未经过训练and C.Braeeini, editors, Image. Processing:Theory and
APPlications.Elsevier Science Publishers,1993.
的测试样本的识别率也达到了95.83%，这说了本文设计的
QGA-BP人脸识别分类器的有效性。与BP神经网络分类器的
分类结果相比，识别率有了进一步的提高。并且它的网络
收敛迭代次数明显优于单用BP神经网络进行训练的网络收
50
中国西部科技 2009年5月（上旬）第08卷第13期第174期
总
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议