文件編號(hào)：B239

文件大?。?/strong>19.6M

開(kāi)發(fā)環(huán)境：Matlab2018、2020

猿創(chuàng)承諾：該項(xiàng)目親測(cè)正常運(yùn)行，需遠(yuǎn)程調(diào)試部署需另外收費(fèi)，確保正常使用，不能正常使用全額退款。

簡(jiǎn)要概述：基于誤差反向傳播算法的BP神經(jīng)網(wǎng)絡(luò)的人臉表情分類識(shí)別系統(tǒng)，利用PCA（主成分分析法）對(duì)人臉圖像進(jìn)行降維并提取主成分特征，利用K-交叉檢驗(yàn)法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。

表情分類識(shí)別系統(tǒng)的組成

本次課程設(shè)計(jì)中，基于BP神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別系統(tǒng)由3部分組成，分別是：數(shù)據(jù)預(yù)處理，PCA特征提取和BP神經(jīng)網(wǎng)絡(luò)分類器。

基于BP神經(jīng)網(wǎng)絡(luò)的人臉表情識(shí)別系統(tǒng)

1.數(shù)據(jù)預(yù)處理

本次課程設(shè)計(jì)中所涉及到的數(shù)據(jù)是近4000幅維度為128×128的人臉灰度圖像，在進(jìn)行PCA特征提取之前，我們需要對(duì)這些數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，數(shù)據(jù)標(biāo)準(zhǔn)化是指將數(shù)據(jù)按比例縮放，使之落于一個(gè)小的特定區(qū)間，從而去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)換為無(wú)量綱的純數(shù)值，便于不同單位或量級(jí)的指標(biāo)能夠進(jìn)行比較和加權(quán)。此外，數(shù)據(jù)標(biāo)準(zhǔn)化還可以提升模型的收斂速度和精度。針對(duì)PCA特征提取降維，本次課程設(shè)計(jì)采用零均值標(biāo)準(zhǔn)化（z-score標(biāo)準(zhǔn)化）。

2.PCA特征提取

本文中，待識(shí)別樣本是維度為128×128的人臉灰度圖像，即每個(gè)樣本有多達(dá)16384個(gè)特征，要在如此高維的空間中研究樣本的分布規(guī)律顯然是十分麻煩且困難的，同時(shí)這些特征之間存在著一定的相關(guān)性，從而使得這些特征在一定程度上有信息的重疊。PCA通過(guò)采取降維的方式，找出主成分特征來(lái)代表原來(lái)數(shù)以萬(wàn)計(jì)的特征，以降低特征空間的維度，使后續(xù)的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)在計(jì)算上更容易實(shí)現(xiàn)，同時(shí)消除原有特征之間的相關(guān)度，減少數(shù)據(jù)信息的冗余，更有利于分類。

3.BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是一種具有三層或三層以上的多層神經(jīng)網(wǎng)絡(luò)，每一層都由若干個(gè)神經(jīng)元組成，如圖2所示，它的左右各層之間各個(gè)神經(jīng)元實(shí)現(xiàn)全連接，即左層的每一個(gè)神經(jīng)元與右層的每個(gè)神經(jīng)元都由連接，而上下各神經(jīng)元之間無(wú)連接，如圖3所示。BP神經(jīng)網(wǎng)絡(luò)按有導(dǎo)師學(xué)習(xí)方式進(jìn)行訓(xùn)練，當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，其神經(jīng)元的激活值將從輸入層經(jīng)由各隱含層向輸出層傳播，在輸出層的各神經(jīng)元輸出對(duì)應(yīng)輸入模式的網(wǎng)絡(luò)響應(yīng)。之后，按照減少期望輸出與實(shí)際輸出誤差的原則，從輸出層經(jīng)由各隱含層，最后回到輸入層逐層修正各連接權(quán)值。由于這種修正過(guò)程是從輸出層到輸入層逐層進(jìn)行的，所以稱之為“誤差逆?zhèn)鞑ニ惴ā保S著這種誤差逆?zhèn)鞑ビ?xùn)練的不斷進(jìn)行，網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也將不斷提高。

按需寫(xiě)作：

識(shí)別結(jié)果分析與分析比較

Newff函數(shù)構(gòu)建神經(jīng)網(wǎng)絡(luò)

利用Matlab自帶的newff函數(shù)生成三層BP神經(jīng)網(wǎng)絡(luò)，通過(guò)n×K次循環(huán)，訓(xùn)練集用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，測(cè)試集用于測(cè)試，計(jì)算K個(gè)訓(xùn)練形成的神經(jīng)網(wǎng)絡(luò)的識(shí)別率進(jìn)而計(jì)算n×K次平均識(shí)別率，同時(shí)記錄最高識(shí)別率和最低識(shí)別率，作為人臉表情識(shí)別系統(tǒng)的性能指標(biāo)。

參數(shù)調(diào)節(jié)后結(jié)果比較

運(yùn)行結(jié)果如圖所示

方差結(jié)果如圖所示

交叉驗(yàn)證準(zhǔn)確率如圖所示

(運(yùn)行時(shí)間1個(gè)小時(shí)20分鐘)

激活函數(shù)與訓(xùn)練函數(shù)的初步比較

在激活函數(shù)和訓(xùn)練函數(shù)的初步比較我們可以看出，任何一種參數(shù)組合都會(huì)導(dǎo)致較低的最低識(shí)別率出現(xiàn)，而最高識(shí)別率則都維持在75~85%，因此這兩個(gè)指標(biāo)都不能作為后續(xù)激活函數(shù)和訓(xùn)練函數(shù)選取的標(biāo)準(zhǔn)。從平均識(shí)別率上看，traingda-log/tansig-softmax的組合具有較好的表現(xiàn)，這和比較預(yù)期和一般經(jīng)驗(yàn)是相符合的：softmax適用于多分類，做為輸出層激活函數(shù)是較為合適的，而隱含層激活函數(shù)從經(jīng)驗(yàn)上看常選用log/tansig，訓(xùn)練函數(shù)traingda也即自適應(yīng)lr的梯度下降法，屬于變學(xué)習(xí)速率，既能加快學(xué)習(xí)過(guò)程，同時(shí)又不引起振蕩。

遠(yuǎn)程協(xié)助：

溫馨提示：索煒達(dá).猿創(chuàng)官方提供收費(fèi)遠(yuǎn)程協(xié)助，確保您項(xiàng)目運(yùn)行成功。

點(diǎn)擊查看：遠(yuǎn)程協(xié)助相關(guān)事項(xiàng)

我們提供完整項(xiàng)目文件清單如下：

文件目錄

 ├ 1.項(xiàng)目源碼

 └ 2.演示視頻(因?yàn)檫\(yùn)行時(shí)間1個(gè)小時(shí)20分，所以暫時(shí)不提供視頻)