基于BP神经网络的主分量分析人脸识别算法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (36): 226-229.

基于BP神经网络的主分量分析人脸识别算法

赵立强¹,张晓华^1,2,高振波³,张洪亮¹

1．河北科技师范学院数理系，河北秦皇岛 066004
2．哈尔滨理工大学计算机科学与技术学院，哈尔滨 150080
3．河北科技师范学院计算机系，河北秦皇岛 066004

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-21 发布日期:2007-12-21
通讯作者: 赵立强

Face recognition based on BP nural networks and principle component analysis

ZHAO Li-qiang¹,ZHANG Xiao-hua^1,2,GAO Zhen-bo³,ZHANG Hong-liang¹

1．Department of Mathematics and Physics，Hebei Normal University of Science and Technology，Qinhuangdao，Hebei 066004，China
2．College of Computer Science and Technology，Harbin University of Science and Technology，Harbin 150080，China
3．Department of Computer，Hebei Normal University of Science and Technology，Qinhuangdao，Hebei 066004，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-21 Published:2007-12-21
Contact: ZHAO Li-qiang

摘要/Abstract

摘要： 提出了基于BP神经网络的主分量人脸识别算法。该算法首先用小波变换对人脸图像进行小波分解，形成低频小波子图，然后用主分量分析法构造特征脸子空间，将人脸图像在特征空间的投影作为BP神经网络的输入，由BP神经网络和后验概率转换器构成人脸识别器。针对ORL人脸库的实验结果表明该方法具有较高的识别率。

关键词: 人脸识别, BP神经网络, 主分量分析（PCA）, 小波变换

Abstract: BP neural network combined with principal component analysis is applied to human face recognition.After extracting low frequency sub-band of face image in wavelet transform，the eigenface space is constructed by PCA.Then all samples are projected into the subspace，the coefficient of every sample is inputted to BP neural network，and the face recognizer consists of BP neural network and post-probability converter.The experiments on ORL face database indicate the recognition ratio is greatly improved.

Key words: face recognition, BP neural network, principle component analysis（PCA）, wavelet transform

赵立强¹,张晓华^1,2,高振波³,张洪亮¹. 基于BP神经网络的主分量分析人脸识别算法[J]. 计算机工程与应用, 2007, 43(36): 226-229.

ZHAO Li-qiang¹,ZHANG Xiao-hua^1,2,GAO Zhen-bo³,ZHANG Hong-liang¹. Face recognition based on BP nural networks and principle component analysis[J]. Computer Engineering and Applications, 2007, 43(36): 226-229.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[3]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[4]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[5]	郑建锋，王应明. 基于DEA-BP神经网络的效率置信区间预测模型研究[J]. 计算机工程与应用, 2021, 57(3): 273-278.
[6]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[7]	黄晶晶，王建宏. 分数阶非因果BP神经网络模型[J]. 计算机工程与应用, 2021, 57(23): 91-97.
[8]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[9]	杜秀丽，马振倩，邱少明，吕亚娜. 基于卷积注意力机制的运动想象脑电信号识别[J]. 计算机工程与应用, 2021, 57(18): 181-185.
[10]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[11]	曹林根，宓超. 集装箱箱号字符识别算法研究[J]. 计算机工程与应用, 2021, 57(15): 178-185.
[12]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[13]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[14]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[15]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.