**课题名称：**基于GRNN神经网络的人脸朝向识别分类
**版本日期：**2024-02-20
**运行方式：**直接运行GRNN0503.m文件
**代码获取方式：**私信博主或 企鹅号:491052175
模型描述：
采集到一组人脸朝向不同角度时的图像，图像来自不同的10个人，每个人5幅图像，人脸的朝向分别是左方，左前方，前方，右前方，右方。通过观察不难法线，当人脸面朝不同方向时，眼睛在图像中的位置差别比较大.因此可以考虑将图片中描述眼睛位置的特征喜喜提取出来作为LVQ神经网络的输入，5个朝向分别用1，2，3，4，5表示，作为LVQ神经网络的输出。通过对训练集的图像进行训练，得到具有预测功能的网络，便可以对任意给出的人脸图像进行朝向判断和识别分类
算法流程：
1.人脸特征向量提取：如设计思路中所述，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，只需要将描述人眼位置信息的特征向量提取出来即可。方法是将整幅图像划分成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（注意：针对不同大小的图像，划分的网格需稍作修改）边缘检测后8个子短阵中的值为"1"的像萦点个数与人脸朝向有直接关系， 只要分别统计出第2行的8个子短阵中的值为"1"的像素点个数即可。
2.训练集和测试集的产生：为了保证训练集数据的随机性，随机选取图像库中的30隔入脸图像提取出的特征向量作为训练集数据，剩余的20幅人脸图像提取出来的特征向盘作为测试集数据。
3.GRNN神经网络创建：利用函数newgrnn和径向基的传递值创建神经网络
4.GRNN网络训练：GRNN没有网络训练步骤，直接创建后进行预测
5.人脸识别测试：网络训练收敛后，便可以对测试集数据进行预测，即对测试集的图像进行人脸朝向识别．对于任意给出的图像，只需要将其特征向量提取出来，便可对其进行识别。
GRNN神经网络调用格式：
% net=newgrnn(P,T,SPREAD),其中， P为Q 组输入向量组成的R*Q维矩阵； T为Q组目标分类向量组成的S*Q维矩阵；SPREAD为径向基函数的扩展速度，默认值为1
**改进方向：**无
待改进方向:
- 因为训练数据比较少，为了提高预测精度，通过交叉验证并不断迭代寻找最佳的SPREAD值，最后应用于PNN神经网络里。相比于固定的SPREAD值而言，自适应求解SPREAD值的方式可以更好地提高预测精度
特殊说明：
-
经过测试，对训练和测试数据进行归一化，反而降低了预测精度
-
GRNN神经网络不同于BP神经网络需要训练，GRNN神经网络直接用训练数据构建网络，其预测精度取决于训练数据的质量和径向基函数的拓展速度，默认值为1
-
神经网络每一次的预测结果都不相同，为了得到更好的结果，建议多次运行取最佳值
Matlab仿真结果：
基于GRNN神经网络的人脸朝向识别精确率：
基于GRNN神经网络的人脸朝向识别分类结果：
基于GRNN神经网络的人脸朝向识别分类预测误差：
