基于bp神经网络的人脸识别论文

问：基于神经网络的人脸识别有哪些算法

1. 答：上次的人脸识别仿真，我们用的是PCA和SVM方法进行人脸识别，该方法仍属于机器学习领域，未涉及神经网络的知识。这次使用的方法是基于PCA和BP神经网络对人脸识别。
   其中，PCA的功能和上次一致，是用来对20张图片进行降维处理，最终产生8个主成分作为BP神经网络的输入；神经网络的输出层采用4个神经元，用来区分两个不同的人脸；本例的BP神经网络采用8-10-4的三层结构，输入层神经元数量选取8个，隐含层神经元数量选取10个，输出层神经元数量选取4个。

问：第一篇提出BP神经网络的论文是哪一篇？

1. 答：最初是86年，Rumelhart和McCelland领导的科学家小组在《平行分布式处理》一书中，对具有非线性连续变换函数的多层感知器的误差反向传播BP算法进行了详尽的分析，实现了Minsky关于多层网络的设想。
   一般引用的话，无需引用第一篇，只需引用介绍BP网络的文献即可。最开始的文献往往理论不完善。反而阅读意义不大。

问：基于深度卷积神经网络进行人脸识别的原理是什么？

1. 答：本质上是模式识别，把现实的东西抽象成计算机能够理解的数字。
   如果一个图片是256色的，那么图像的每一个像素点，都是0到255中间的一个值，这样你可以把一个图像转换成一个矩阵。
   如何去识别这个矩阵中的模式？用一个相对来讲很小的矩阵在这个大的矩阵中从左到右，从上到下扫一遍，每一个小矩阵区块内，你可以统计0到255每种颜色出现的次数，以此来表达这一个区块的特征。这样通过这一次“扫描”，你得到了另一个由很多小矩阵区块特征组成的矩阵。
   这一个矩阵比原始的矩阵要小吧？那就对了！
   然后对这个小一点的矩阵，再进行一次上面的步骤，进行一次特征“浓缩”，用另一个意思来讲，就是把它抽象化。
   最后经过很多次的抽象化，你会将原始的矩阵变成一个 1 维乘 1 维的矩阵，这就是一个数字。
   而不同的图片，比如一个猫，或者一个狗，一个熊，它们最后得到的这个数字会不同。于是你把一个猫，一个狗，一个熊都抽象成了一个数字，比如 0.34， 0.75， 0.23，这就达到让计算机来直接辨别的目的了。
   人脸，表情，年龄，这些原理都是类似的，只是初始的样本数量会很大，最终都是通过矩阵将具体的图像抽象成了数字，因为计算机只认识数字。
   但是抽象的函数，会有所不同，达到的效果也会不同。
2. 答：对工程研究，原理（How）往往来自于别的领域，CNN的图像识别是启发自视觉神经（一种被研究的最透彻的神经结构）研究的发现，人民发现人的视觉就是这么工作的，然后试着用它在机器上实现，当有足够快的电脑和多的数据时，人们兴奋的发现可以做高质量的图像识别。
   原理的解释通常要晚一些。但是抽象的解释并不难：把信息一层层的抽象，最底下是像素，中间是各种特征，越往上越抽象（边，圆，胡子，高鼻梁...)。
   研究科学不光是看论文：你拿一副照片贴着眼睛看，慢慢拿远大概可以帮助理解。