基于神经网络的人脸识别

代码分为read_can_use.m和main_can_ues.m 先运行read_can_use.m 读取图片的像素值，使用奇异值分解的方法得到对应的特征。程序预设了只读取前5个人的人脸图片 ，可以自己改成最多15个人。 然后运行main_can_use.m ，程序会输出 1 1 2 3 2 3，每个数字代表一张图片最有可能的识别类别（就是人的编号）。 对每个人的11张图片，取前7张训练网络，后4张测试网络，取前5个人进行实验。所以共有35个训练样本，20个测试样本。 比如输出的结果是 1 1 1 1 2 2 1 2 3 3 3 3 …..，因为每4个数字是属于同一个人的，前四个都是1则都预测正确，第二组的4个数字2 2 1 2 中的那个1 就是预测错误（本来是2预测成了1）。 由于参数的随机初始化，不保证每次的结果都相同。

function main（）
%%
clc
clear all;
%close all;
load（‘date1_5.mat‘‘feature‘）;
warning off all

SamNum=35;                  %输入样本数量
TestSamNum=35;              %测试样本数量
ForcastSamNum=20;            %预测样本数量
HiddenUnitNum=8;            %中间层隐节点数量取8
InDim=40;                    %网络输入维度
OutDim=4;                   %网络输出维度

%%input
p=[];t=[];pnew=[];
for i=1:55
    if（mod（i11）<=7&&mod（i11）>0）
        p=[p;feature（i:）];
    else
        pnew=[pnew;feature（i:）];
    end
end
p=p‘;pnew=pnew‘;
%%output
s1=[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ];
s2=[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ];
s3=[0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ];
s4=[1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 ];
t=[s1;s2;s3;s4];

size（t） %%4*35 输出
size（p） %%40*35 输入

[SamInminpmaxptnmintmaxt]=premnmx（pt）; %原始样本对（输入和输出）初始化

rand（‘state‘sum（100*clock））   %依据系统时钟种子产生随机数
SamOut=tn;

TestSamIn=SamIn;                           %这里取输入样本与测试样本相同因为样本容量偏少
TestSamOut=SamOut;                         %也取输出样本与测试样本相同

MaxEpochs=50000;                              %最多训练次数为50000
lr=0.035;                                       %学习速率为0.035
E0=0.65*10^（-3）;                              %目标误差为0.65*10^（-3）
W1=0.5*rand（HiddenUnitNumInDim）-0.2;   %初始化输入层与隐含层之间的权值
B1=0.5*rand（HiddenUnitNum1）-0.2;       %初始化输入层与隐含层之间的阈值
W2=0.5*rand（OutDimHiddenUnitNum）-0.2; %初始化输出层与隐含层之间的权值
B2=0.5*rand（OutDim1）-0.2;                %初始化输出层与隐含层之间的阈值

ErrHistory=[];                              %给中间变量预先占据内存
for i=1:MaxEpochs
    %     HiddenOut=logsig（W1*SamIn+repmat（B11SamNum））; % 隐含层网络输出
    HiddenOut=1./（1+exp（-（W1*SamIn+repmat（B11SamNum））））; % 隐含层网络输出
    
    NetworkOut=W2*HiddenOut+repmat（B21SamNum）;    % 输出层网络输出
    Error=SamOut-NetworkOut;                       % 实际输出与网络输出之差
    SSE=sumsqr（Error）   ;                            %能量函数（误差平方和）
    
    ErrHistory=[ErrHistory SSE];
    
    if SSE    % 调整权值（阈值）
    Delta2=Error;
    Delta1=W2‘*Delta2.*HiddenOut.*（1-HiddenOut）;
    dW2=Delta2*HiddenOut‘;
    dB2=Delta2*ones（SamNum1）;
    dW1=Delta1*SamIn‘;
    dB1=Delta1*ones（SamNum1）;
    %对输出层与隐含层之间的权值和阈值进行修正
    W2=W2+lr*dW2;
    B2=B2+lr*dB2;
    %对输入层与隐含层之间的权值和阈值进行修正
    W1=W1+lr*dW1;
    B1=B1+lr*dB1;
end


HiddenOut=1./（1+exp（-（（W1*SamIn+repmat（B11TestSamNum）））））; % 隐含层输出最终结果

NetworkOut=W2*HiddenOut+repmat（B21TestSamNum）;    % 输出层输出最终结果
a=postmnmx（NetworkOutmintmaxt）;               % 还原网络输出层的结果


%%
% 利用训练好的网络进行预测
pnewn=tramnmx（pnewminpmaxp）;         %归一化；
HiddenOut=1./（1+exp（-（W1*pnewn+repmat（B11ForcastSamNum））））;
anewn=W2*HiddenOut+repmat（B21ForcastSamNum）;           % 输出层输出预测结果

%把网络预测得到的数据还原为原始的数量级；
anew=postmnmx（anewnmintmaxt）;
answer=zeros（1size（anew2））;
d=1;
for j=1:20
    for i=4:-1:1
        answer（j）=answer（j）+anew（ij）*d;
        d=d*2;
    en

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-05-16 15:52  基于神经网络的人脸识别\
     文件        3434  2016-07-10 13:19  基于神经网络的人脸识别\main_can_use.m
     文件        1042  2018-05-16 15:46  基于神经网络的人脸识别\read_can_use.m
     目录           0  2017-09-16 12:16  基于神经网络的人脸识别\YALE\
     文件        9080  2002-07-26 10:01  基于神经网络的人脸识别\YALE\subject01_1.bmp
     文件        9080  2002-07-26 10:04  基于神经网络的人脸识别\YALE\subject01_10.bmp
     文件        9080  2002-07-26 10:05  基于神经网络的人脸识别\YALE\subject01_11.bmp
     文件        9080  2002-07-26 10:05  基于神经网络的人脸识别\YALE\subject01_2.bmp
     文件        9080  2002-07-26 10:06  基于神经网络的人脸识别\YALE\subject01_3.bmp
     文件        9080  2002-07-26 10:07  基于神经网络的人脸识别\YALE\subject01_4.bmp
     文件        9080  2002-07-26 10:08  基于神经网络的人脸识别\YALE\subject01_5.bmp
     文件        9080  2002-07-26 10:09  基于神经网络的人脸识别\YALE\subject01_6.bmp
     文件        9080  2002-07-26 10:12  基于神经网络的人脸识别\YALE\subject01_7.bmp
     文件        9080  2002-07-26 10:12  基于神经网络的人脸识别\YALE\subject01_8.bmp
     文件        9080  2002-07-26 10:13  基于神经网络的人脸识别\YALE\subject01_9.bmp
     文件        9080  2002-07-26 10:15  基于神经网络的人脸识别\YALE\subject02_1.bmp
     文件        9080  2002-07-26 10:16  基于神经网络的人脸识别\YALE\subject02_10.bmp
     文件        9080  2002-07-26 10:16  基于神经网络的人脸识别\YALE\subject02_11.bmp
     文件        9080  2002-07-26 10:17  基于神经网络的人脸识别\YALE\subject02_2.bmp
     文件        9080  2002-07-26 10:18  基于神经网络的人脸识别\YALE\subject02_3.bmp
     文件        9080  2002-07-26 10:18  基于神经网络的人脸识别\YALE\subject02_4.bmp
     文件        9080  2002-07-26 10:19  基于神经网络的人脸识别\YALE\subject02_5.bmp
     文件        9080  2002-07-26 10:20  基于神经网络的人脸识别\YALE\subject02_6.bmp
     文件        9080  2002-07-26 10:20  基于神经网络的人脸识别\YALE\subject02_7.bmp
     文件        9080  2002-07-26 10:21  基于神经网络的人脸识别\YALE\subject02_8.bmp
     文件        9080  2002-07-26 10:22  基于神经网络的人脸识别\YALE\subject02_9.bmp
     文件        9080  2002-07-26 10:25  基于神经网络的人脸识别\YALE\subject03_1.bmp
     文件        9080  2002-07-26 10:27  基于神经网络的人脸识别\YALE\subject03_10.bmp
     文件        9080  2002-07-26 10:28  基于神经网络的人脸识别\YALE\subject03_11.bmp
     文件        9080  2002-07-26 10:29  基于神经网络的人脸识别\YALE\subject03_2.bmp
     文件        9080  2002-07-26 10:30  基于神经网络的人脸识别\YALE\subject03_3.bmp
............此处省略139个文件信息