【人脸朝向识别与分类预测】基于Elman神经网络

课题名称：基于Elman神经网络的人脸朝向识别分类

版本日期：2024-02-20

运行方式：直接运行Elman0503.m文件

代码获取方式（付费）：

QQ：491052175

VX：Matlab_Lover

模型描述：

采集到一组人脸朝向不同角度时的图像，图像来自不同的10个人，每个人5幅图像，人脸的朝向分别是左方，左前方，前方，右前方，右方。通过观察不难法线，当人脸面朝不同方向时，眼睛在图像中的位置差别比较大.因此可以考虑将图片中描述眼睛位置的特征喜喜提取出来作为LVQ神经网络的输入，5个朝向分别用1，2，3，4，5表示，作为LVQ神经网络的输出。通过对训练集的图像进行训练，得到具有预测功能的网络，便可以对任意给出的人脸图像进行朝向判断和识别分类

算法流程：

1.人脸特征向量提取：如设计思路中所述，当人脸朝向不同时，眼睛在图像中的位置会有明显的差别。因此，只需要将描述人眼位置信息的特征向量提取出来即可。方法是将整幅图像划分成6行8列， 人眼的位置信息可以用第2行的8个子矩阵来描述（注意：针对不同大小的图像，划分的网格需稍作修改）边缘检测后8个子短阵中的值为“1”的像萦点个数与人脸朝向有直接关系， 只要分别统计出第2行的8个子短阵中的值为“1”的像素点个数即可。

2.训练集和测试集的产生：为了保证训练集数据的随机性，随机选取图像库中的30隔入脸图像提取出的特征向量作为训练集数据，剩余的20幅人脸图像提取出来的特征向盘作为测试集数据。

3.Elman神经网络创建：使用newelm（）函数创建Elman神经网络

4.Elman网络训练：使用训练输入数据和训练输出数据进行训练Elman神经网络

5.人脸识别测试：网络训练收敛后，便可以对测试集数据进行预测，即对测试集的图像进行人脸朝向识别．对于任意给出的图像，只需要将其特征向量提取出来，便可对其进行识别。

Elman神经网络调用格式：

net=newelm（PR,[S1 S2...SN1],{TF1 TF2...TFN1},BTF,BLF,PF,IPF,OPF)

PR: R 组输入元素的最小值和最大值的设定值，R*2维的矩阵

T：SN*Q2 的具有SN 个元素的输出矩阵

Si：第i 层的长度；TFi 为第i层的传递函数，默认值：隐藏层为tansig，输出层为purelin

BTF: 反向传播神经网络训练函数，默认值:trainlm

BLF: 反向传播神经网络权值／阔值学习函数，默认值:learngdm

PF: PF为性能函数，默认值为mse

IPF: 输入处理函数，默认值: fixunknowns/ removeconstantrows/ mapminmax

OPF:输出处理函数，默认值：removeconstantrows，mapminmax

改进方向：无

待改进方向:

1.研究隐含层层数及其他网络参数对于神经网络的影响，采用自适应的方法选取最优参数带入到仿真中。

2.利用智能算法去优化Elman神经网络的权值和阈值，比如GA算法，PSO算法，SA算法，GASA算法等等。

特殊说明：

1. 经过测试，对训练和测试数据进行归一化，反而降低了预测精度

2. 神经网络每一次的预测结果都不相同，为了得到更好的结果，建议多次运行取最佳值

Matlab仿真结果：

基于Elman神经网络的人脸朝向识别精确率：

基于Elman神经网络的人脸朝向识别分类结果：

基于Elman神经网络的人脸朝向识别分类预测误差：