·774· 智能系统学报 第13卷 从图9可以看出，在训练过程中，卷积神经网 所提算法的有效性和优越性，将此方法与几种传 络的输出误差一直在减小，最终不再变化，此时 统的人脸识别算法在ORL数据集全部样本的识 卷积神经网络已达到收敛状态。用训练好的网络 别效果进行对比，结果如表1所示。 模型对OL数据集80张测试样本的识别准确率 表1对比实验结果 为96.25%，对全部样本的识别准确率为98.75%， Table 1 Comparison of experimental results 达到了预期的目标。 算法 正确率/% 3.4PCA降维 Eigenfacel12 97.50 通过卷积神经网络提取到的人脸特征为 160维，维数较高，为降低人脸特征维数，本文采 Fisherface2 98.50 用PCA对160维的特征进行降维处理，为研究主 ICA2☒ 93.75 成分特征值累计贡献率对识别性能的影响，本文 2DPCAI13 98.30 分别研究了不同累积贡献率下基于卷积特征和贝 CNNII4 98.75 叶斯分类器人脸识别方法的识别效果，特征值累 本文方法 99.00 积贡献率与识别率的关系曲线如图10所示。 表1的实验结果可以表明：本文提出的基于 99 卷积特征和贝叶斯分类器的人脸识别算法，在 ORL人脸库的识别效果好于传统的人脸识别算 法；本文方法相对2DPCA的识别准确率提高了 897 0.7%,比FisherFace方法识别准确率提高了0.5%， 96 比Eigenface的识别准确率提高了1.5%，比 ICA识别方法的识别准确率提高了5.25%，比单 95 独卷积神经网络的识别准确率高0.25%。这一系 列实验结果表明，卷积神经网络提取的人脸特征 94 5 80 859095 100 具有较高的辨识度，与PCA和贝叶斯分类器结合 特征值累计贡献率/% 可进一步提高人脸识别正确率。 图10特征值累积贡献率与识别准确率的关系 3.6结果分析 Fig.10 Relationship between eigenvalue cumulative con- tribution rate and recognition accuracy rate 为了克服传统人脸识别算法特征提取带来的 令α表示特征值累积贡献率，从图10可知，当 长时间消耗、低识别度的问题，本文提出一种卷 a的取值从100%减少到95%过程中，识别准确率 积神经网络、PCA和贝叶斯分类器相结合的方 逐渐增加，当α=95%时，识别准确率最高，当a取 法，用卷积神经网络提取人脸特征，用PCA对提 值继续减小时，识别准确率逐渐开始下降。这主 取的特征降维压缩，通过朴素贝叶斯判别分类， 要是因为，当α的取值从100%减少到95%过程 在ORL人脸数据集中获得了良好的识别效果。 中，卷积特征经PCA变换时，冗余信息被去除的 该方法在选取的80张测试图像中获得了97.5% 越来越多，当α取值为95%时，冗余信息几乎被全 的高识别率，在全部人脸图像的识别正确率可达 部剔除，获得的识别准确率也最高；当α继续减少 到99.00%，且识别效果好于几种经典的人脸识别 时，卷积特征中的部分有用信息也被别除，导致 算法以及单独的卷积神经网络算法。因此卷积神 识别效果越来越差。因此，在利用PCA进行降维 经网络提取到的人脸特征具有更强的辨识度，在 压缩时，主成分的维数选择至关重要。在本文人 判别分类的过程中表现出了强大的优势。 脸识别实验中，选取α=95%时的主成分维数，那 4结束语 么经PCA变换之后，原来160维的卷积特征就变 为41维的特征，降维效果比较显著。 当前人脸识别仍是学术界和工业界研究的热 3.5对比实验 点问题。为降低人脸特征提取的复杂性，本文将 本文提出的方法在ORL人脸数据集中获得 当下最为流行的深度学习模型卷积神经网络引入 了良好的识别效果，该方法在选取的80张测试图 人脸识别任务，提出基于卷积神经网络和贝叶斯 像中获得了97.5%的高识别率，在全部人脸图像 分类器以及主成分分析法的人脸识别算法模型， 的识别正确率可达99.00%。为进一步验证本文 首先利用卷积神经网络提取人脸特征，其次通过从图 9 可以看出，在训练过程中，卷积神经网 络的输出误差一直在减小，最终不再变化，此时 卷积神经网络已达到收敛状态。用训练好的网络 模型对 ORL 数据集 80 张测试样本的识别准确率 为 96.25%，对全部样本的识别准确率为 98.75%， 达到了预期的目标。 3.4 PCA 降维 通过卷积神经网络提取到的人脸特征 为 160 维，维数较高，为降低人脸特征维数，本文采 用 PCA 对 160 维的特征进行降维处理，为研究主 成分特征值累计贡献率对识别性能的影响，本文 分别研究了不同累积贡献率下基于卷积特征和贝 叶斯分类器人脸识别方法的识别效果，特征值累 积贡献率与识别率的关系曲线如图 10 所示。 99 98 97 96 95 94 75 80 85 90 95 100 特征值累计贡献率/% 识别率/% 图 10 特征值累积贡献率与识别准确率的关系 Fig. 10 Relationship between eigenvalue cumulative con￾tribution rate and recognition accuracy rate α α α = α α α α α = 令 表示特征值累积贡献率，从图 10 可知，当 的取值从 100% 减少到 95% 过程中，识别准确率 逐渐增加，当 95% 时，识别准确率最高，当 取 值继续减小时，识别准确率逐渐开始下降。这主 要是因为，当 的取值从 100% 减少到 95% 过程 中，卷积特征经 PCA 变换时，冗余信息被去除的 越来越多，当 取值为 95% 时，冗余信息几乎被全 部剔除，获得的识别准确率也最高；当 继续减少 时，卷积特征中的部分有用信息也被剔除，导致 识别效果越来越差。因此，在利用 PCA 进行降维 压缩时，主成分的维数选择至关重要。在本文人 脸识别实验中，选取 95% 时的主成分维数，那 么经 PCA 变换之后，原来 160 维的卷积特征就变 为 41 维的特征，降维效果比较显著。 3.5 对比实验 本文提出的方法在 ORL 人脸数据集中获得 了良好的识别效果，该方法在选取的 80 张测试图 像中获得了 97.5% 的高识别率，在全部人脸图像 的识别正确率可达 99.00%。为进一步验证本文 所提算法的有效性和优越性，将此方法与几种传 统的人脸识别算法在 ORL 数据集全部样本的识 别效果进行对比，结果如表 1 所示。 表 1 对比实验结果 Table 1 Comparison of experimental results 算法 正确率/% Eigenface[12] 97.50 Fisherface[12] 98.50 ICA[12] 93.75 2DPCA[13] 98.30 CNN[14] 98.75 本文方法 99.00 表 1 的实验结果可以表明：本文提出的基于 卷积特征和贝叶斯分类器的人脸识别算法，在 ORL 人脸库的识别效果好于传统的人脸识别算 法；本文方法相对 2DPCA 的识别准确率提高了 0.7%，比 FisherFace 方法识别准确率提高了 0.5%， 比 Eigenfac e 的识别准确率提高 了 1.5%， 比 ICA 识别方法的识别准确率提高了 5.25%，比单 独卷积神经网络的识别准确率高 0.25%。这一系 列实验结果表明，卷积神经网络提取的人脸特征 具有较高的辨识度，与 PCA 和贝叶斯分类器结合 可进一步提高人脸识别正确率。 3.6 结果分析 为了克服传统人脸识别算法特征提取带来的 长时间消耗、低识别度的问题，本文提出一种卷 积神经网络、PCA 和贝叶斯分类器相结合的方 法，用卷积神经网络提取人脸特征，用 PCA 对提 取的特征降维压缩，通过朴素贝叶斯判别分类， 在 ORL 人脸数据集中获得了良好的识别效果。 该方法在选取的 80 张测试图像中获得了 97.5% 的高识别率，在全部人脸图像的识别正确率可达 到 99.00%，且识别效果好于几种经典的人脸识别 算法以及单独的卷积神经网络算法。因此卷积神 经网络提取到的人脸特征具有更强的辨识度，在 判别分类的过程中表现出了强大的优势。 4 结束语 当前人脸识别仍是学术界和工业界研究的热 点问题。为降低人脸特征提取的复杂性，本文将 当下最为流行的深度学习模型卷积神经网络引入 人脸识别任务，提出基于卷积神经网络和贝叶斯 分类器以及主成分分析法的人脸识别算法模型， 首先利用卷积神经网络提取人脸特征，其次通过 ·774· 智 能 系 统 学 报 第 13 卷