基于神经网络的人脸识别方法研究

基于神经网络的人脸识别方法是最近这些年相对活跃的探讨方向，它充分运用神经网络来提取人脸特征并设计分类器。其中有些方法已经非常成熟，如主分量提取法等人脸特征提取法。业内人士还将传统方法与神经网络相结合完成了组合分类器的设计工作，它在识别率方面可与特征脸法相媲美。

几种主要方法如下：

（1）全互联神经网：该法充分运用自存储器完成人脸图像的存储与重建工作。当人脸图像的自相关记忆通过 Hebbian 学习规则成功建立后，将学习律保存于全互联神经网络的权值内[103]。

（2）非线性前馈神经网络：通过BP 算法进行训练之后，可用这种网络来有效识别人脸灰度图像。事实上，该网络实现了多幅人脸图像的压缩编码，它在人脸识别和生理分类上的准确率都比较高[104]。

（3）自相关神经网络：充分运用自相关神经网络把人脸的50 个主元映射于5 维空间中，再通过多层感知器进行判别。它可适用于简单的人脸图像识别[105]。

（4）混合型神经网络：监督与非监督神经网络分别应用于特征提取和分类两个方面[106]。

（5）模糊神经网络：充分运用六大规则来描述人脸特征，并进行器官定位，再把器官彼此间的几何距离传送至模糊神经网络来加以识别[107]。(https://www.xing528.com)

（6）卷积神经网络方法：将相邻像素彼此间的相关性知识高度集成在一起，继而在某种程度上取得图像的平移、旋转、局部变形的不变性。它在人脸图像识别方面效果良好[108]。

（7）基于概率决策的神经网络：充分运用虚拟样本来展开强化与反强化学习，继而取得较好的概率估计结果，且充分运用模块化架构使网络学习更加迅速。该结构对训练、识别、硬件制作都是大有裨益的。

（8）其他神经网络：Hopfield 网络、混合分类器模型、时滞神经网、多模态神经网络等。

在特征提取方面，神经网络并没有非常特别的优势，不过，它具备非常强大的自学习功能，可充分运用反复学习过程来实现各项规律与规则的隐性表达，所以，它在特征提取后的分类识别方面颇具优势。它采用并行的方式对信息进行处理，若可通过硬件来实现，可使速度得到明显的提升。其不足之处在于：神经元数目众多，需要耗用很长的时间进行训练，它将人脸当作一维向量输入，输入的节点数量非常大。比如，对于一个100×100 的图像，其输入节点数目多达10 000 个。鉴于此，降维处理是其至关重要的目标[109]。

人工神经网络可以追溯至20 世纪60 年代的感知算法研究。不过，当时的感知算法只能处理线性分类问题，直到20 世纪80 年代提出了反向传播算法才有效解决了神经网络的优化问题。之后，第一个卷积神经网络LetNet 使手写数字识别的准确率得到大幅度提升。但是，受限于数据量、计算资源、算法等条件，期间，神经网络相比于传统基于统计机器学习的算法SVM 和AdaBoost 等并没有显著优势。随着硬件性能的提高，特别是GUP 运算速度的提升，深度学习得以迅速发展。直到2013 年，AlexNet 在ImageNet 大型图像识别挑战赛中以压倒性优势获得了第一名，才掀起第二次深度学习浪潮。本章主要介绍卷积神经网络的基本理论和典型的人脸检测相关算法。