基于BP神经网络的人脸识别系统设计，包含matlab源程序、原始图片数据和算法实验说明书。 采用matlab软件进行设计，基于BP神经网络对人脸进行识别。

凌晨三点的实验室键盘声格外清脆，屏幕荧光里跳动着人脸矩阵。这次要搞的BP神经网络人脸识别系统，就像在教AI认人——只不过教具是Matlab和一堆证件照。别被高大上的名字唬住，咱们先来点实际的。

基于BP神经网络的人脸识别系统设计，包含matlab源程序、原始图片数据和算法实验说明书。 采用matlab软件进行设计，基于BP神经网络对人脸进行识别。

先从数据下手。我习惯把图片统一处理成256x256灰度图，用imread批量导入时记得加个循环：

faceData = [];
for i =1:40
    for j=1:10
        img = imread(['att_faces/s' num2str(i) '/' num2str(j) '.pgm']);
        faceData = [faceData; double(img(:)')];
    end
end

这里有个坑要注意：原始像素值0-255直接喂给神经网络容易梯度爆炸。老规矩，归一化走起。别用复杂的，直接（x-min）/(max-min)搞定：

faceData = (faceData - min(faceData(:))) ./ (max(faceData(:)) - min(faceData(:)));

网络结构才是重头戏。三层网络足够应付中小规模数据集，输入层节点数得和图片像素数对齐。隐藏层我一般取输入节点的三分之二，这里取了150个节点，输出层对应40个人的分类：

net = feedforwardnet([150], 'trainscg');
net.layers{1}.transferFcn = 'logsig';
net.layers{2}.transferFcn = 'softmax';

激活函数的选择有讲究。隐层用logsig比tanh收敛更快，输出层softmax配合交叉熵损失函数，分类效果比单纯用sigmoid好很多。参数设置别照搬教科书，learning rate调成0.01，迭代次数控制在500次以内防过拟合：

net.trainParam.lr = 0.01;
net.trainParam.epochs = 300;
net.divideParam.trainRatio = 0.7;
net.divideParam.valRatio = 0.15;

训练过程像坐过山车，loss曲线前50轮骤降，后面开始磨磨蹭蹭。这时候可以祭出早停法（Early Stopping），验证集误差连续10次不降就直接收工。测试阶段记得把混淆矩阵画出来看看哪里翻车：

pred = net(testInputs);
[~,predIndex] = max(pred);
confusionchart(testTargets, predIndex);

跑完实验发现，侧脸和戴眼镜的样本容易识别错误。这时候别急着调参，先检查训练数据是否足够——每个人至少要有10张不同角度的照片。最后封装成GUI时，加个实时摄像头采集功能会更有意思，不过那是另一个故事了。

源码包里我塞了个彩蛋：当识别到自己照片时，会自动播放《难忘今宵》——毕竟调参的夜，确实难忘。（代码见附件train.m）