一、数字图像处理 1.1 问题假设

1.2 基于边缘检测Sobel算子的人脸特征向量提取

人脸识别的第一步便是人脸特征的提取，即如何把人脸图像转换成数字特征值。目前人脸特征提取的方法有很多，如主元分析法、Fisher线性判别法、小波分析法等。通过特征向量提取，作为神经网络的输入。通过对人脸朝向图片分析，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，只需要将人眼位置信息的特征向量提取出来即可。主要方法是先进行检测图像边界，再利用得到的边界信息进行特征提取。由于Sobel算子对灰度渐变的图像处理效果较好，不仅能够检测到边缘点，而且能进一步抑制噪声的影响。因此本采用Sobel算测提取人脸边界。

在MATLAB工具箱中可采用函数edge(img,‘Sobel’)进行边缘检测，接着将图像划分成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，经过分析人脸朝向与8个子矩阵中的值为1的像素点个数有直接关系。只要分别统计出第2行的8个子矩阵中的值为“1”的像素点即可。采用Sobel算法提取边界如下图所示： 二、BP神经网络 2.1 BP神经网络模型

BP神经网络是一种多层前向网络，由输入层、输出层、隐含层（可以是一层或多层）构成，一种典型的三层BP神经网络模型如图3所示。反向传播算法的主要思想是把学习过程分为2个阶段：第1阶段（正向传播过程），输入信息从输入层开始逐层计算个单元的实际输出值，每一层神经元的状态只对下一层神经元的状态产生影响。第2阶段（反向传输过程），若在输出层未能够得到期望的输出值，则逐层递归计算实际输出与期望输出之间的差值，根据此误差修正前层权值使误差信号趋向最小。它通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差变化而逐渐逼近目标。每次权值和误差的变化都与网络误差的影响成正比。

2.2 代码展示