【无标题】pca bp gabp cpobp算法的人脸识别技术研究
该文本主要介绍了特征脸空间的构造及其在人脸识别中的应用。通过PCA（主成分分析）操作提取特征脸，并将训练样本中心化后计算协方差矩阵Ω以获得特征数值。文中还提到利用预存人脸图像进行特征提取，并通过PCA BP（可能是BP指神经网络训练算法）结合的技术进行人脸识别研究，并附有相关Matlab代码和文献引用。
****
特征脸空间的构造
对每个特征脸而言,我们都可以应用主成分分析(PCA)操作以提取其数值特征。原始输入图像会被嵌入到对应的特征空间中进行处理,其中每个输入图像被表示为n维向量x,具体来说,训练集包含p个样本图像,因此构建了一个三维矩阵X[n][p][9],其中每一行代表一个像元像素,每一列则对应于一个不同的人脸图像。为了后续处理方便,我们首先从训练样本集中每个人脸图像中减去均值图,并计算各像素之间的差异程度,从而完成人脸中心化的过程。随后生成中心化后的数据矩阵X后,我们将其与自身的转置矩阵相乘得到了所需的协方差矩阵Ω= X * X^T,这就是我们需要进行分析的关键数值结果。
将训练集中的每个样本人脸图像均展宽为一列后进行拼接起来形成一个完整的二维数据矩阵A。假设计算机中每个样本的人脸图像均为M×M维大小，则该样本在被展宽为一列后的人脸特征向量维度即为N=M×M的大小。若共有20个不同的人脸样本，则最终得到的数据矩阵A的整体维度则为20×N（其中N=M×M）。
通过计算所有20个人脸在各自对应维度上的总和，并对这些总和取其平均值，则能够获得一张"平均脸"。
3.1.2预存人脸图像的特征提取
生成特征脸的过程需要通过PCA算法进行计算，并通过降维技术将图像数据转换为特征数值和特征脸。
所对应的图像，由于这些图像很像人脸，所以它们被称为“特征脸。
图3-1特征脸
图像投影得到特征脸子空间
这样的特征脸就是为了后面的论证提供了良好的基础。
测试的结果如下
pca bp
gabp
load tt.mat train_pro train_labels test_pro test_labels
load e.mat pn tn pnew
load net1
%找出训练数据和预测数据
input_train=train_pro;
output_train=train_labels;
input_test=test_pro;
output_test=test_labels;
%节点个数
inputnum=5;
hiddennum=11;
outputnum=1;
归一化处理选择输入输出样本
建立神经网络模型...
其中包含三层前馈神经网络架构（三层输入层、一层隐藏层和一层输出层），采用tansig型激活函数作为隐藏层非线性变换函数，并选择纯线性激活函数作为输出层变换函数...
粒子群优化算法参数设置如下：加速因子设定为c_{{\text{maxPSO}}}=2（对应全局搜索能力）和c_{{\text{local}}}=1.8（对应局部搜索能力）。
训练参数配置包括：最大迭代次数设置为...
划分训练集比例为...
maxgen=200; %进化次数
sizepop=40; %种群规模
Vmax=1;
Vmin=-1;
popmax=10000;
popmin=-1;
wmax=0.9;
wmin=0.4;
for iter=1:maxgen
W(iter)=wmax-((wmax-wmin)/maxgen)*iter;
end
对于i从sizepop：
初始化一个大小为sizepop的矩阵。
其中 pop 矩阵的每一行由5 \times rand(-0.5:0.5)填充。
V 矩阵则由\text{rand}(-0.5:0.5)填充。
计算 fitness 值并赋值给 fitness 矩阵中的对应位置。
结束循环。
注：个体极值与群体极值
基于PCABPGABPCPOB算法的人脸识别方法研究-机器学习文档类资源-文库
[1] 樊昀，王润生.从图像中提取人脸[J] .国防科技大学学报,2002,24 (1) :59-62.
注
该研究探讨了计算机语言学技术在中文识别人脸后处理过程中的运用。研究对象为夏莹、马少平和孙茂松等学者所著述的经典文献，在《中文信息》期刊上发表于1996年第三期，并详细列出了其理论基础和实践应用范围为50至51页。
[4] 郑阿奇，曹戈，赵阳.MATLAB实用教程[M].北京：电子工业出版社
[5] 程卫国，冯峰，姚东，徐听.MATLAB5.3应用指南[M].北京：人民邮电出版社
[6] 陈杨.MATLAB 6.X图像编程与图像处理[M].西安：西安电子科技大学出版社
[7] 阮秋琦.数字图像处理[M].电子工业出版社，2001年.