人工神经网络识别主要有两种结构。首先，对于所有已知的人脸来创建一个神经网络：所有已知的人脸可以被分类和识别。这种网络的要用所有的人脸配置进行训练，训练完成的网络连接权值只有一个神经网络，但因为较大的网络规模，权系数的要求也多，同时也要较大的存储要求，训练时间因此更长。因为系统每增加一人，我们必须重新训练网络的，所以系统的性能差。二是建立神经网络给大家：这个神经网络的目的是每一对人都区别开来，所以只要面对一对人训练，人脸的个性特征通过网络权系数来隐含区别，这种网络体积小，权系数低，存储量和培训时间也相对少。同时，只需要对每一对人的特点进行训练，无关与其他人，它有着良好稳固的模块化的系统结构，扩展性能还是不错的。本小章节将介绍基于多层感知神经网络的面部识别系统。

多层感知是一个由输入层，输出层和单个或数个隐藏层所组成的多层前馈神经网络，它的学习算法是BP算法。这种神经网络在培训的时候，超平面在空间的定位由第一层的权重所决定，超空间也因为网络继续训练而在不断的变化。在足够数目的隐藏层的情况下，该超平面的线性区域形成的无限，第一隐蔽层可以实现各种超平分割图案空间;第二隐层实现逻辑第一个隐含层“与”操作。神经网络分为三层，输入层，隐藏层和输出层。记输入层的神经元数目为A，隐藏层神经元数目为B，输出层的神经元数目为C.人脸识别数为P，对于P识别问题而言，网络输出层的神经元数目C就取为人脸类别数Ｄ，而对于任何人脸测试图像，可根据输出层输出向量进行分类。N维的面部图像载体一般情况下会大，而与此同时训练模板数Ｘ则很小，将BP神经网络分类用这样的方式来识别是有一定难度的。为了使BP分类器具有强的推广能力，可以对输入矢量维数进行压缩，并在隐藏层中选择合理数量神经元。为了使网络训练的收敛速度变快，可标准化处理输入矢量，以及适当的初始化连接值。

3.4噪声对识别的干扰

因为噪声会对识别系统干扰，为了将检验的精准度提高，自适应加权平均滤波的方法来解决这类的问题，噪声减弱后检测的精确度也就随之上升。然后，再优化降低噪音后的视频图像，这能帮助之后的检测。

许多当前视频图像运动物体检测系统大都使用滤波技术以减少噪声对目标的影响，用中值滤波法来预处理解决图像中的杂音问题，中值滤波的方法是先确立一个目标点，然后将该点周围的像素值作有条理的排序，则得到的中间值作为该区域的值。当有物体在目标区域移动时，我们可以采取中值滤波的方式平滑处理运动目标。

中值滤波为一项能有效抑制噪声处理方式,是非线性信号技术，基于排序统计理论，中值滤波的基本原理是把数字图像或数字序列中一点的值用该区域里面的一个中间值来取代，让这点的四周的像素值都比较靠近，用这种方式来处理孤立的噪声点。中值滤波的实际上就是通过一种算法来解决图片中像素差别比较大的像素点，并保留处于在中间的像素值，然后把这中间像素代替周围图像的像素。通过中值滤波可以使图像的像素处于柔和状态，通过中值滤波处理，不仅可以消除一些图像的不规则噪声的，它也可以使画面更清晰。

4 程序设计

4.1.人脸识别设计

人脸识别的流程为，从摄像头采集图片后对图片进行灰度化处理。分配PCA存储空间，再使用级联分类检测器对图片进行特征提取训练。提取出采集的人脸图片的特征，保存数据到flash中为facedata.xml文件。 OPENCV基于ARM的图像识别系统的设计与实现(5):http://www.youerw.com/zidonghua/lunwen_56628.html