第5期 冯小荣，等：基于卷积特征和贝叶斯分类器的人脸识别 ·771· 定理，可得条件概率计算表达式，即 类器即可得到该样本的预测类别。 P(x)=P(xly:)P(y )/P(x) (10) 2.2数据预处理 4)P(x)对所有类别都是一样的，因此只要将 本文采用ORL人脸数据集作为实验数据集。 分子最大化即可，简化后的条件概率表达式为 在训练算法模型之前，对数据集中的人脸图像进 P(xy)PO)=POy) P(xilya) (11) 行预处理，步骤如下： l)调整图像尺寸。通过imresize函数对训练 集和测试集中每一幅图像进行缩放处理，由原始 2算法详细设计 的112×92变为28×28。 2.1算法框架 2)归一化图像。ORL数据集中的图像为灰 基于卷积特征和贝叶斯分类器的人脸识别方 度图像，其颜色灰度值一般在0~255，将缩放后图 法的主要思想是通过训练好的卷积神经网络模型 像的原始像素值除以255归一化到[0,1]。 提取人脸特征，利用PCA对提取的人脸特征进行 假设向量x表示原始图像、向量x表示归一化 降维，最后利用贝叶斯分类器进行判别分类。算 后的图像，则归一化操作如式(12)。 法框架如图1所示。 x=x/255 (12) 整个数据预处理的过程如图2所示。 输入图像 图像预处理 卷积神经网 特征提取 络模型 imresize 灰度值归 函数变换 一化 识别结果 贝叶斯分 PCA降维 类器 原始112×92 28×28 28×28 图1算法框架 图2数据预处理过程 Fig.1 Schematic diagram of algorithm frame Fig.2 Data preprocessing 从图1可知，算法主要分为两个阶段：学习阶 2.3卷积神经网络结构 段和测试阶段。学习阶段：利用训练图像样本集 根据前面的介绍可知，卷积神经网络一般是 合对卷积神经网络模型进行训练，然后用训练好 由输入层、卷积层、亚采样层、全连接层和输出层 的网络模型提取训练集所有样本图像的特征，通 组成。对于卷积神经网络的结构设计，目前都是 过PCA降维处理之后，用降维后的特征集训练贝 以经验为基础，缺乏科学的理论指导。依据ORL 叶斯分类器。测试阶段：对待识别的图像预处理 数据集中人脸图像的尺寸及类别，本文经过大量 之后，通过卷积神经网络提取人脸特征，利用 实验之后设计了一个合适的卷积神经网络结构用 PCA降维，最后将降维之后的特征送入贝叶斯分 于提取ORL人脸特征，网络层次结构如图3所示。 8×8 4×4 24×24 12×12 8×8 4×4 28×28 160 40 8×8 4×4 24×24 12×12 8×8 44 输入 C C SF输出 图3卷积神经网络层次结构 Fig.3 Hierarchical structure of convolution neural network定理,可得条件概率计算表达式，即 P(yi |x) = P(x|yi)P(yi)/P(x) (10) 4) P(x) 对所有类别都是一样的，因此只要将 分子最大化即可，简化后的条件概率表达式为 P(x|yi)P(yi) = P(yi) ∏n j=1 P(xj |yi) (11) 2 算法详细设计 2.1 算法框架 基于卷积特征和贝叶斯分类器的人脸识别方 法的主要思想是通过训练好的卷积神经网络模型 提取人脸特征，利用 PCA 对提取的人脸特征进行 降维，最后利用贝叶斯分类器进行判别分类。算 法框架如图 1 所示。 卷积神经网 络模型 输入图像 图像预处理 贝叶斯分 类器 特征提取 识别结果 PCA 降维 图 1 算法框架 Fig. 1 Schematic diagram of algorithm frame 从图 1 可知，算法主要分为两个阶段：学习阶 段和测试阶段。学习阶段：利用训练图像样本集 合对卷积神经网络模型进行训练，然后用训练好 的网络模型提取训练集所有样本图像的特征，通 过 PCA 降维处理之后，用降维后的特征集训练贝 叶斯分类器。测试阶段：对待识别的图像预处理 之后，通过卷积神经网络提取人脸特征，利用 PCA 降维，最后将降维之后的特征送入贝叶斯分 类器即可得到该样本的预测类别。 2.2 数据预处理 本文采用 ORL 人脸数据集作为实验数据集。 在训练算法模型之前，对数据集中的人脸图像进 行预处理，步骤如下： 1) 调整图像尺寸。通过 imresize 函数对训练 集和测试集中每一幅图像进行缩放处理，由原始 的 112×92 变为 28×28。 2) 归一化图像。ORL 数据集中的图像为灰 度图像，其颜色灰度值一般在 0~255，将缩放后图 像的原始像素值除以 255 归一化到[0, 1]。 x x 假设向量 表示原始图像、向量 ′表示归一化 后的图像，则归一化操作如式 (12)。 x ′ = x/255 (12) 整个数据预处理的过程如图 2 所示。 原始 112×92 28×28 imresize 函数变换 灰度值归 一化 28×28 图 2 数据预处理过程 Fig. 2 Data preprocessing 2.3 卷积神经网络结构 根据前面的介绍可知，卷积神经网络一般是 由输入层、卷积层、亚采样层、全连接层和输出层 组成。对于卷积神经网络的结构设计，目前都是 以经验为基础，缺乏科学的理论指导。依据 ORL 数据集中人脸图像的尺寸及类别，本文经过大量 实验之后设计了一个合适的卷积神经网络结构用 于提取 ORL 人脸特征，网络层次结构如图 3 所示。 28×28 24×24 12×12 8×8 24×24 12×12 8×8 8×8 4×4 8×8 4×4 4×4 4×4 160 40 输入 C1 S2 C3 S4 F5 输出 图 3 卷积神经网络层次结构 Fig. 3 Hierarchical structure of convolution neural network 第 5 期 冯小荣，等：基于卷积特征和贝叶斯分类器的人脸识别 ·771·