文件編號：B127

文件大?。?/strong>143M

代碼行數：129行(主程序)

開發(fā)環(huán)境：Matlab2018

猿創(chuàng)承諾：該項目親測正常運行，需遠程調試部署需另外收費，確保正常使用，不能正常使用全額退款。

簡要概述：首先，系統使用PCA算法提取面部圖像的主成分特征，以進一步降低圖像數據的處理時間，并使用GA算法通過交叉變異等操作訓練bp神經網絡對提取的面部特征進行分類和識別。Ga算法的算子設計，神經網絡的分類和設計，PCA提取面部特征是該系統的關鍵。由于神經網絡分類器，面部灰度信息的統計特征在監(jiān)督訓練BP中是固定類別，并且照明均勻人臉識別和應用場景識別是高度準確的，所以雖然該bp神經網絡在普通測試環(huán)境中可以達到較高準確率但是，在復雜的環(huán)境中很難應用。

實驗結果與分析：

注: 圖13置圖16測試結果分為3欄，第一欄的第一行代表魏磊的準確率，第二欄的第二行代表鄧程維的準 確率，第三行的第三行代表劉佳昇的準確率，其他行分別表示判斷錯誤的情況，例如第一行的二三行表示本應該判斷成魏磊的圖片判斷成了鄧程維和劉佳昇

表格1 不同k值的條件下的識別情況

通過結合實際測試的結果可知，當K值取50時，系統的識別率達到最高。當PCA的特征提取的K值增加時，系統的識別率也會隨之增加，當PCA的k值達到一定程度的時候，k值帶來的增加逐漸減弱。同時我們也可以看到，訓練數據的準確率一直優(yōu)于測試數據。劉佳昇的識別率一直低于魏磊和鄧程維。詳細分析后我們可以得到如下結論。
1，PCA人臉認證提取的維度很大程度的影響了人臉識別準確率的好壞。
2，有與PCA算法是將人臉圖片轉換為灰度圖像后進行處理，而灰度圖像受光照條件，姿態(tài)變化等因素影響比較大，所以系統對人臉數據的特征判定的魯棒性較差，整個系統極其容易受到光照條件的變化影響。整個系統相同關照條件下的識別效果達到90%，但是判斷不同關照條件下的人臉識別率則只有50%，且，當人臉的數量增多時，系統的識別率也隨之下降。所以必須要重新訓練。

總結

本次實驗所呈現的PCA-GA-BP神經網絡人臉識別系統在固定較少類別，與相同光照的人臉識別運用情況下，有著較高、較為準確的識別率。但是受PCA提取特征，與BP神經網絡分類器的限制。在比較復雜的實際運用環(huán)境中，整個系統的健壯性還有待提高。后續(xù)則向高準確率，高適應性的方向來調整與更新整個系統的研究成果。

按需寫作：

演示視頻：

點擊查看：系統演示視頻

運行效果：

遠程協助：

溫馨提示：索煒達.猿創(chuàng)官方提供收費遠程協助，確保您項目運行成功。

點擊查看：遠程協助相關事項

我們提供完整項目文件清單如下：

文件目錄

 ├ 1.項目源碼

 ├ 2.運行截圖

 └ 3.演示視頻