【技术实现步骤摘要】
本专利技术涉及生物特征识别领域，具体涉及一种基于模糊小波多层神经网络的人脸识别身份认证方法。
技术介绍
1、人脸识别是一种生物特征识别领域的技术，通过分析和识别人脸图像的独特特征，从而确定一个人的身份。人脸识别技术在安全性和便捷性方面提供了巨大的潜力，因此广泛应用于犯罪侦查、人机交互和医疗诊断等领域，专家学者们提出了一系列基于深度学习的人脸识别方法。从国内外的研究成果来看，人脸识别的难点主要体现在人脸定位和检测、人脸特征提取和人脸对比识别等方面：
2、一、人脸定位和检测方面，人脸检测过程中，光照条件的变化、背景干扰、摄像头质量和角度选择等因素可能导致图像的质量差异，这增加了定位和检测的难度。
3、二、人脸特征提取方面，人脸图像中的信息非常丰富，包括脸部轮廓、眼睛、鼻子、嘴巴等各种特征。准确提取和表示这些特征是人脸识别的核心问题。其中，面部特征在不同光照、角度和表情条件下的变化增加了特征提取的难度。
4、三、人脸对比识别方面，人脸识别对比是人脸识别的关键任务，高准确性的人脸识别系统对于减少误认率和漏识率至关重要。
技术实现思路
1、本专利技术的目的是为克服上述的技术缺点和不足，提供了一种基于模糊小波多层神经网络的人脸识别身份认证方法。
2、本专利技术采用的技术方案如下：
3、基于模糊小波多层神经网络的人脸识别身份认证方法，包括以下步骤：
4、第1步、摄像头实时捕获人脸图像，并对图像进行灰度化处理，得到人脸的灰度图
5、第2步、对灰度图像进行直方图均衡处理，以提高图像的对比度；
6、第3步、从均衡处理后的人脸图像中提取像素点数据，使用主成分分析法对提取的特征数据进行降维以减少数据的维度，然后将降维后的人脸特征值用于构建人脸特征数据库；
7、第4步、构建模糊小波多层神经网络，包括输入层、隐藏层和输出层，使用训练数据集来训练神经网络；
8、第5步、输出最终的识别结果。
9、第1步：使用haar分类器捕获实时人脸图像并将其转换为灰度图像序列，具体步骤如下：
10、第1.1步、计算haar特征，haar分类器使用haar-like特征描述图像中的对象。这些特征是基于矩形区域的灰度差异计算而来，具体为黑色矩形减去白色矩形所得到的差值；
11、第1.2步、使用adaboost算法训练一系列弱分类器，将它们级联在一起组成强分类器；
12、第1.2.1步、初始化训练数据的权值分布，令每个样本的初始权值相等；
13、第1.2.2步、在每轮迭代中，选择最佳特征和阈值来构建弱分类器，然后调整样本的权值，使错误分类的样本权值增加；
14、第1.2.3步、根据弱分类器的性能，计算每个弱分类器的权重，将它们组合成一个强分类器；
15、第1.3步、使用haar分类器将级联分类器应用于图像中的滑动窗口。窗口移动到不同位置和尺寸，计算窗口内的特征值；
16、第1.4步、将图像中红色、绿色和蓝色通道的权重平均化计算其灰度值，根据灰度值将图像转为灰度图像。
17、第2步：对灰度图像进行直方图均衡化，提高其对比度，具体步骤如下：
18、第2.1步、初始化直方图数组hist，其中hist[i]表示灰度级别为i的像素数目，读取图像中的每个像素(x，y)的灰度值，统计每个灰度级别(0-255)的像素数目；
19、第2.2步、计算直方图的累计分布函数cdf，描述其累积分布情况；
20、第2.2.1步、初始化累积分布函数cdf为一个与直方图hist同样大小的数组，cdf[i]表示灰度级别i的像素累积数；
21、第2.2.2步、从灰度级别0开始，对于每个灰度级别i，使用cdf[i]＝cdf[i-1]+hist[i]计算其累计分布值；
22、第2.2.3步、对cdf数组进行归一化，确保其最小值为0，最大值为总像素数，得到最终的累积分布函数；
23、第2.3步、使用公式映射原始像素值p到均衡化后的值peq。
24、其中cdf(p)是原始图像的累积分布函数，cdfmin是累积分布函数的最小值，m和n是图像的宽度和高度，l是灰度级别的数量。
25、第3步：从均衡处理后的图像中提取像素点数据，使用pca对特征数据进行降维，然后构建人脸特征数据库，具体步骤如下：
26、第3.1步、提取图像中的像素点数据并对其进行标准化，将标准化后的像素数据向量组合成一个数据矩阵，其中每行代表一个图像样本，每列代表一个像素特征；
27、第3.2步、计算矩阵的协方差，使用奇异值分解技术计算协方差矩阵的特征值和对应的特征向量；
28、第3.3步、对特征值按降序排序并选择前n个主成分，使用所选的前n个特征向量将数据投影到新的n维空间中得到降维后的数据；
29、第3.4步、将降维后的数据用于构建人脸特征数据库。每个行表示一个人脸图像，每个列表示一个主成分特征。
30、第4步：构建并训练模糊小波多层神经网络对人脸进行识别，具体步骤如下：
31、第4.1步、构建模糊小波多层神经网络的预处理部分，使用symlet4小波变换对人脸数据进行处理，通过使用公式去除人脸数据中的噪声；
32、第4.2步、使用模糊c矩阵聚类算法构成模糊规则的前提部分，将数据映射到不同的子空间；
33、第4.2.1步、初始化聚类中心v，聚类中心个数为模糊聚类数c，指定最大迭代次数；
34、第4.2.2步、初始化隶属度矩阵u，使其满足约束条件，指定模糊化系数m，令m≥2；
35、第4.2.3步、根据聚类中心v对隶属度矩阵u进行更新，更新隶属度矩阵的公式如下：
36、
37、第4.2.4步、根据更新后的隶属度矩阵u对聚类中心v进行更新，更新聚类中心的公式如下：
38、
39、第4.2.5步、根据公式e＝||u(t)-u(t-1)||＝max{|uij(t)-uij(t-1)|}＜ε计算停止准则函数e，满足条件则终停止。
40、第4.3步、使用多层的最小二乘支持向量回归构建模糊规则的结论部分，采用多项式神经网络的架构为其底层架构；
41、第4.4步、使用预处理过的人脸数据对模糊小波多层神经网络进行迭代训练，并使用粒子群优化算法对其参数进行优化，直到达到预设的最大迭代次数。
42、第5步、输出最终识别结果，具体步骤如下：
43、第5.1步、将采集的原始图像用作训练样本，而需要识别的人脸图像用作测试样本，计算每个人物的相似概率，并将具有最高概率的人物识别作为最终的识别结果。
44、本专利技术的优点和有益效果
45、本专利技术提出了基于模糊小波多层神经网络的方法，本专利技术能够更准确地捕获图像中的细节和特征，对本文档来自技高网...
【技术保护点】
1.一种基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于：第1步中所述的摄像头实时捕获人脸图像，并对图像进行灰度化处理，得到人脸的灰度图像序列，具体步骤如下：
3.根据权利要求1所述的基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于：第2步所述的对灰度图像进行直方图均衡处理，以提高图像的对比度，具体步骤如下：
4.根据权利要求1所述的基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于：第3步所述的从均衡处理后的人脸图像中提取像素点数据，使用主成分分析法对提取的特征数据进行降维以减少数据的维度，然后将降维后的人脸特征值用于构建人脸特征数据库，具体步骤如下：
5.根据权利要求1所述的基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于：第4步所述的构建模糊小波多层神经网络，包括输入层、隐藏层和输出层，使用训练数据集来训练神经网络，具体步骤如下：
6.根据权利要求1所述的基于模糊小波多层神经网络
...【技术特征摘要】
1.一种基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于：第1步中所述的摄像头实时捕获人脸图像，并对图像进行灰度化处理，得到人脸的灰度图像序列，具体步骤如下：
3.根据权利要求1所述的基于模糊小波多层神经网络的人脸识别身份认证方法，其特征在于：第2步所述的对灰度图像进行直方图均衡处理，以提高图像的对比度，具体步骤如下：
4.根据权利要求1所述的基于模糊小波多层神经网络的人脸识别身份认证...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。