【B127】机器学习-基于Matlab BP神经网络的人脸识别(带GUI)

文件编号：B127

文件大小：143M

代码行数：129行(主程序)

开发环境：Matlab2018

猿创承诺：该项目亲测正常运行，需远程调试部署需另外收费，确保正常使用，不能正常使用全额退款。

简要概述：首先，系统使用PCA算法提取面部图像的主成分特征，以进一步降低图像数据的处理时间，并使用GA算法通过交叉变异等操作训练bp神经网络对提取的面部特征进行分类和识别。Ga算法的算子设计，神经网络的分类和设计，PCA提取面部特征是该系统的关键。由于神经网络分类器，面部灰度信息的统计特征在监督训练BP中是固定类别，并且照明均匀人脸识别和应用场景识别是高度准确的，所以虽然该bp神经网络在普通测试环境中可以达到较高准确率但是，在复杂的环境中很难应用。

实验结果与分析：

注: 图13置图16测试结果分为3栏，第一栏的第一行代表魏磊的准确率，第二栏的第二行代表邓程维的准 确率，第三行的第三行代表刘佳昇的准确率，其他行分别表示判断错误的情况，例如第一行的二三行表示本应该判断成魏磊的图片判断成了邓程维和刘佳昇

表格1 不同k值的条件下的识别情况

通过结合实际测试的结果可知，当K值取50时，系统的识别率达到最高。当PCA的特征提取的K值增加时，系统的识别率也会随之增加，当PCA的k值达到一定程度的时候，k值带来的增加逐渐减弱。同时我们也可以看到，训练数据的准确率一直优于测试数据。刘佳昇的识别率一直低于魏磊和邓程维。详细分析后我们可以得到如下结论。
1，PCA人脸认证提取的维度很大程度的影响了人脸识别准确率的好坏。
2，有与PCA算法是将人脸图片转换为灰度图像后进行处理，而灰度图像受光照条件，姿态变化等因素影响比较大，所以系统对人脸数据的特征判定的鲁棒性较差，整个系统极其容易受到光照条件的变化影响。整个系统相同关照条件下的识别效果达到90%，但是判断不同关照条件下的人脸识别率则只有50%，且，当人脸的数量增多时，系统的识别率也随之下降。所以必须要重新训练。

总结

本次实验所呈现的PCA-GA-BP神经网络人脸识别系统在固定较少类别，与相同光照的人脸识别运用情况下，有着较高、较为准确的识别率。但是受PCA提取特征，与BP神经网络分类器的限制。在比较复杂的实际运用环境中，整个系统的健壮性还有待提高。后续则向高准确率，高适应性的方向来调整与更新整个系统的研究成果。

按需写作：

演示视频：

点击查看：系统演示视频

运行效果：

远程协助：

温馨提示：索炜达.猿创官方提供收费远程协助，确保您项目运行成功。

点击查看：远程协助相关事项

我们提供完整项目文件清单如下：

文件目录

 ├ 1.项目源码

 ├ 2.运行截图

 └ 3.演示视频