基于自組織映射與K-近鄰算法的人臉圖像識(shí)別研究.pdf

1、在圖像識(shí)別的方法中，人們的一般性思維是尋找圖像中存在的某些具體特征，然后利用這些特征進(jìn)行分類，特征提取是圖像處理領(lǐng)域重要的研究方向。但事物的具體特征可能是千差萬別的，如果進(jìn)行某類事物的識(shí)別都要先尋找其具體特征，那么這個(gè)過程似乎是無止境的。如何避開這一個(gè)過程，讓計(jì)算機(jī)從總體上進(jìn)行圖像識(shí)別，是本文的研究目的。
　　 本研究的重點(diǎn)是利用自組織神經(jīng)網(wǎng)絡(luò)(SOM)與K-近鄰(KNN)分類算法以人臉識(shí)別系統(tǒng)為例實(shí)現(xiàn)目標(biāo)圖像的分類任務(wù)。其中，

2、SOM網(wǎng)絡(luò)將高維數(shù)據(jù)映射到低維規(guī)則網(wǎng)格中，可以有效地進(jìn)行大規(guī)模的數(shù)據(jù)挖掘，實(shí)現(xiàn)小量數(shù)據(jù)近似表示大量數(shù)據(jù)的目的。利用SOM，無需提取具體特征，可以構(gòu)建任意多類的分類器，在人臉識(shí)別這樣的多類別、高維數(shù)據(jù)系統(tǒng)中具有明顯優(yōu)勢(shì)。KNN方法是一種簡(jiǎn)單、實(shí)用的模式分類方法，在SOM算法中引入KNN方法，主要是防止應(yīng)用中SOM輸出神經(jīng)元落空的情況：如果測(cè)試樣本激活的是一個(gè)訓(xùn)練時(shí)沒有被標(biāo)識(shí)的神經(jīng)元，這時(shí)候就需要KNN方法來確定被測(cè)樣本分類。
　　

3、 具體工作中，本文分析了SOM神經(jīng)網(wǎng)絡(luò)的工作原理，實(shí)現(xiàn)了基于SOM和KNN的人臉識(shí)別原型系統(tǒng).為了克服SOM缺陷，進(jìn)一步提高性能，除了結(jié)合KNN方法以外，主要做了如下工作：
　　 1.降低圖像維數(shù)。圖像數(shù)據(jù)具有冗余特性，過多的細(xì)節(jié)并不十分重要；通過圖像線性壓縮、主成分分析等方法，降低圖像維數(shù)，可大大減少SOM網(wǎng)絡(luò)計(jì)算負(fù)擔(dān)。
　　 2.探索虛擬樣本技術(shù).訓(xùn)練樣本數(shù)量的多少對(duì)網(wǎng)絡(luò)的性能有較大影響，少量樣本很難充分訓(xùn)練網(wǎng)絡(luò)。因

4、此探索虛擬樣本技術(shù)，增加訓(xùn)練樣本數(shù)量，提高訓(xùn)練水平，是本文研究的重點(diǎn)之一。
　　 3.克服訓(xùn)練樣本光照變化對(duì)網(wǎng)絡(luò)性能的影響。基于總體特征的識(shí)別算法一般對(duì)光照變化等敏感，本文采用圖像歸一化等方法克服上述現(xiàn)象。
　　 4.提出了確定輸出神經(jīng)元數(shù)量的經(jīng)驗(yàn)算法。該算法克服了輸出神經(jīng)元數(shù)量少導(dǎo)致的輸出分類過于密集、輸出神經(jīng)元數(shù)量過多導(dǎo)致分類分散的缺點(diǎn)，提高了網(wǎng)絡(luò)識(shí)別質(zhì)量。
　　 本文設(shè)計(jì)的圖像識(shí)別系統(tǒng)，在Windows X