不同的特征塊對應(yīng)的貝葉斯分類器對最終判別結(jié)果貢獻(xiàn)是不相同的，本文采取的是基于子分類器分類準(zhǔn)確率分配權(quán)值的方法：將各子分類器重新放回其訓(xùn)練集，計(jì)算其在訓(xùn)練集上的識(shí)別率，利用這些識(shí)別率，采用下式計(jì)算第b個(gè)子分類器的權(quán)值：

圖1人臉圖像的預(yù)處理

圖2  RBF神經(jīng)網(wǎng)絡(luò)的工作原理

RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

　　RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2。徑向基函數(shù)的實(shí)質(zhì) [9]，即尋求一個(gè)基于→的映射函數(shù)（s?r），其中r 是輸入空間的維數(shù)，s是輸出空間的維數(shù)，u是隱層節(jié)點(diǎn)數(shù)。

　　假定∈（1≤j≤r）為輸入層神經(jīng)元，為隱層第 i個(gè)神經(jīng)元的中心，則第j個(gè)神經(jīng)元在第i個(gè)隱層節(jié)點(diǎn)的輸出為： , i =1,2,…,u，式中||||表示歐氏范數(shù)。當(dāng)RBF選用高斯核函數(shù)時(shí)，其輸出為：

　　式中為隱層第 i 個(gè)神經(jīng)元的寬度。輸出層第 k 個(gè)節(jié)點(diǎn)的輸出值  為： ，式中為隱層節(jié)點(diǎn) k 到第 j 個(gè)輸出節(jié)點(diǎn)的連接權(quán)值。

RBF神經(jīng)網(wǎng)絡(luò)的構(gòu)建和初始化

　　RBF神經(jīng)網(wǎng)絡(luò)隱層聚類的初始化過程如下[10]：

　?。?）隱層節(jié)點(diǎn)數(shù)u=s。假設(shè)每個(gè)類收斂于一個(gè)聚類中心，再根據(jù)情況具體調(diào)整。

　?。?）隱層第 k 個(gè)神經(jīng)元的中心為 k 類特征矢量的均值。，k=1,2,…,u，   

　　（3）計(jì)算從均值 到屬于類k 的最遠(yuǎn)點(diǎn)的歐氏距離

　?。?）計(jì)算各個(gè)j聚類中心到k聚類中心的距離，j=1,2,…,s, j≠k

　　　　a）若，則類k與其他類無重疊。

　　　　b）若，則類k與其他類有重疊，需進(jìn)一步考慮：

　?。?） 包含規(guī)則：若且，則類k包含于類中，類應(yīng)被

　　細(xì)分為兩個(gè)聚類。若類k包含許多其他類的數(shù)據(jù)，需將類k細(xì)分為兩個(gè)聚類。

RBF神經(jīng)網(wǎng)絡(luò)的算法

　　網(wǎng)絡(luò)學(xué)習(xí)就是通過調(diào)整連接權(quán) 、隱層中心和寬度，以減小輸出誤差。

　　1、連接權(quán)值的調(diào)整

　　定義誤差函數(shù)為：，，其中是第個(gè)訓(xùn)練樣本的實(shí)際輸出值和理想輸出值。通過線性最小二乘法求解最佳權(quán)值。

　　2、隱層中心及寬度調(diào)整

　　W固定，采用梯度下降法，經(jīng)推導(dǎo)可得和的迭代計(jì)算公式為：

　　其中，分別為隱層中心寬度的學(xué)習(xí)速率，m為迭代次數(shù)。

實(shí)驗(yàn)結(jié)果及分析

　　利用Yale人臉庫中的人臉圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)人臉識(shí)別實(shí)驗(yàn)研究，將人臉圖像分塊加權(quán)重構(gòu)的奇異值向量X1，X2，…，Xl（其l中為訓(xùn)練樣本的數(shù)目）矩陣依次輸入RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練，當(dāng)滿足誤差容限或訓(xùn)練次數(shù)，停止訓(xùn)練。在測試過程中，依據(jù)競爭選擇的辦法做出識(shí)別判斷。
本文重點(diǎn)研究人臉圖像的32子塊權(quán)值選取情況如下：

表1  人臉圖像劃分不同子塊數(shù)的識(shí)別結(jié)果

表2  賦予人臉圖像32子塊不同權(quán)值的識(shí)別結(jié)果

　　實(shí)驗(yàn)結(jié)果表明，基于人臉面部骨骼特征、以及眼睛分布、鼻子形狀等結(jié)構(gòu)特征，是鑒別人臉的主要依據(jù)。通過子塊權(quán)值的合理分布，突出人臉骨骼特征，而對嘴部和皮膚折皺等表情變化部分特征給予弱化或剔除，這與人類識(shí)別人臉時(shí)的模式相近，識(shí)別效果較好。對人臉圖像進(jìn)行分塊，在樣本數(shù)量很大、維數(shù)很高的情況下，有效地減小了計(jì)算量。但是，子塊不宜過多，否則增加RBF神經(jīng)網(wǎng)絡(luò)計(jì)算負(fù)擔(dān)，識(shí)別率也會(huì)有所下降。

結(jié)論

　　本文提出了基于圖像分塊奇異值壓縮，融合RBF神經(jīng)網(wǎng)絡(luò)和貝葉斯分類器的人臉識(shí)別方法，模擬人類識(shí)別人臉時(shí)剔除同一人臉變化部位的差異能力，采用不同子塊單獨(dú)進(jìn)行人臉識(shí)別，根據(jù)RBF神經(jīng)網(wǎng)絡(luò)識(shí)別效果進(jìn)行權(quán)值分配，通過實(shí)驗(yàn)證明，本文方法在降維和識(shí)別率方面均取得良好的效果，在正面人臉部位（尤其是下顎部）變化較大時(shí)，具有良好的識(shí)別精度和識(shí)別速度。

參考文獻(xiàn)：

[1]HONG Z Q. Algebraic Feature Extraction of Image Recognition. Pattern Recognition, 1991,24(3): 211-219.
[2] RICHARD O.DUBA,etc, Pattern Classification, Second Edition, published by John Wiley & Sons,Inc. 2001.
[3]XIAOGANG WANG and XIAOOU TANG, Bayesian Face Recognition Based on Gaussian Mixture Models Pattern Recognition, Proceedings of the 17th International Conference on Aug.2004, Vol.4:142- 145.
[4]TIAN Y, TAN T N, WANG Y H, FANG Y C. Do Singular Values Contain Adequate Information for Recognition? Pattern Recognition, 2003, 36(3): 649-655.
[5]洪子泉, 楊靜宇. 基于奇異值特征和統(tǒng)計(jì)模型的人臉識(shí)別算法[J]. 計(jì)算機(jī)研究與發(fā)展,1994, 31(3): 60-65.
[6]W.Y.ZHAO, R.CHELLAPPA, P.J.PHILLIPS, and A. Rosenfeld. Face Recognition: A Literature  Survey. ACM Computing Survey, 2003，35（4）：399-458.
[7]R.CHELLAPPA, C.L.WILSON ect. Human and Machine Recognition of Faces: A Survey, Proc.of the IEEE Transactions on Image. 83(5), 1995.5：705-740.
[8] B.MOGHADDAM, T.JEBARA, A.PENTLAND, Bayesian Face Recognition, Pattern Recognition Vol.33, 2000：1771-1782.
[9] MENG JOO RE, SHIQIAN WU, JUWEI LU, HOCK LYE TOH. Face recognition with radial basis function
(RBF) neural networks Neural Networks, IEEE Transactions on Volume 13, Issue 3, May 2002
Page(s): 697-710
[10] FAN YANG, MICHEL PAINDAVOINE. Implementation of an RBF Neural Network on Embedded Systems: Real-Time Face Tracking and Identity Verification [J]. IEEE transaction. on Neural Networks, 2003, 14(5): 1162-1175.
[11]陳彪 吳成東 鄭君剛.基于多個(gè)特征分塊貝葉斯分類器融合策略的人臉識(shí)別方法[J].電子產(chǎn)品世界，2008.10（總第244期）P88-91