摘要：研究基于聚類算法進行人臉識別的方法。通過學習過程訓練RBF神經(jīng)網(wǎng)絡的連接權值、隱含層中心和寬度等參數(shù)。通過仿真實驗數(shù)據(jù)對比分析了人臉圖像子圖像的保留個數(shù)、每幅子圖像保留奇異值向量的個數(shù)以及聚類因數(shù)、因數(shù)的選取，為聚類算法人臉識別取得良好的應用效果提供了量化的指導。

　　關鍵詞：聚類算法;人臉識別;RBF神經(jīng)網(wǎng)絡;仿真實驗

　　引言

　　在智能小區(qū)的安防系統(tǒng)中，人臉識別技術的應用，提高了安防報警系統(tǒng)的安全可靠性。人臉識別技術因其具有非接觸性、特征提取方便、防偽性能高等優(yōu)勢得到廣泛的應用。人臉識別技術綜合了計算機、通信、光學、電子、機械等多學科技術，在控制領域和智能建筑領域有著廣闊的應用前景 [1~8] 。本文研究了基于聚類算法判別人臉圖像的方法，達到應用于智能小區(qū)門禁系統(tǒng)和樓宇門禁系統(tǒng)的實際應用要求，如圖1所示。

　　基于圖像分塊進行人臉識別時，隨著分塊數(shù)目的增多，子圖像保留的奇異值個數(shù)、維數(shù)的控制，以及子圖像權重的賦值等問題，若只依靠主觀經(jīng)驗來決定，則缺乏客觀依據(jù)[9~10]。徑向基函數(shù)(RBF-Radial Basis Function)網(wǎng)絡是一種性能良好的前饋型三層神經(jīng)網(wǎng)絡，具有全局逼近性質(zhì)和最佳逼近性能，訓練方法快速易行，RBF 函數(shù)還具有局部響應的生物合理性。在隱含層中心確定的情況下，RBF網(wǎng)絡只需對隱含層至輸出層的單層權值學習修正，比多層感知器具有更快的收斂速度。利用 YALE人臉數(shù)據(jù)庫，通過RBF網(wǎng)絡對奇異值個數(shù)、子圖像數(shù)目、特征值數(shù)量、聚類因數(shù) 、聚類個數(shù)、 因數(shù)的測試結(jié)果，為人臉圖像的識別提供客觀地指導。

　　利用相關參數(shù)的仿真實驗結(jié)果，為進一步研究子圖像賦值情況，提高人臉識別的速度和精確度提供了有效的幫助和參數(shù)支持。

　　聚類算法的初始化

　　RBF神經(jīng)網(wǎng)絡可描述為：

　　式中為隱含層第i個節(jié)點與輸出層第k個輸出節(jié)點的連接權值。

　　隱含層聚類的初始化過程如下。

　　(1)在每個類別收斂于一個聚類中心的假設前提下，將隱含層的節(jié)點數(shù)初始設定為輸出層的節(jié)點數(shù)，即u=s，再根據(jù)RBF神經(jīng)網(wǎng)絡的訓練情況具體調(diào)整。

　　(2)隱含層第k個神經(jīng)元的中心Ck為 k 類特征矢量的均值。

　　(3)計算從均值Ck到屬于類別k的最遠點kfarP的歐氏距離。

　　(4)計算各個j聚類中心到k聚類中心的距離。再根據(jù)dmin(k,l)和dk，dl的關系，對以下幾種情況進行判斷。

　　情況(a)：若滿足的條件，則表明類別k與其他類別l無重疊。

　　情況(b)：若滿足的條件，則表明類別k與其他類別l有重疊，需要進一步考慮以下情況 。

　　(i)當滿足的條件時，則表明兩個類別雖有重疊，但是互相不包含。

　　(ii)當滿足的條件時，則表明類別k包含于其他類別之中，可能導致RBF神經(jīng)網(wǎng)絡分類錯誤。

　　(5)按照以下分離原則對每類樣本進行判別并細分。

　　(i)包含規(guī)則：若滿足，則表明類別k包含于類別l之中，類別l應被進一步細分為兩個聚類。

　　(ii)正確歸類規(guī)則：若類別k包含許多其他類別l的數(shù)據(jù)，則需要將類別k進一步細分為兩個聚類。

　　重復上述步驟，直至選定的全部人臉圖像的訓練樣本都被處理為止，整個RBF神經(jīng)網(wǎng)絡的結(jié)構(gòu)隨之確定。