灰度共生矩阵特征下神经网络人脸识别性能：GLCM与单神经元级联对比研究

本篇研究论文探讨了基于灰度共生矩阵(GLCM)特征的人脸识别系统中神经网络分类器的性能比较。神经网络分类器因其能够融合统计信息和结构信息，在模式识别领域表现出优于简单最小距离分类器的优势。在人脸识别系统（Face Recognition System, FRS）构建中，作者采用了前馈神经网络（Feed Forward Neural Network, FFNN）和单神经元级联架构这两种常见的神经网络架构。 核心关注点在于保持网络复杂度的相对稳定，通过控制隐藏层中的神经元数量来实现。这样做的目的是为了确保在比较不同分类器性能时，不会因为网络结构差异导致结果偏差。为了进一步简化计算，论文将Tansigmoid函数替换为Elliot函数，这可能是因为后者在效率和准确性上有所提升。 实验部分，论文选取了三个知名的人脸数据库进行性能评估：ORL数据库，它包含了10个个体的20张脸部图像；YALE数据库，提供了15个人的脸部图像，每人在不同光照条件下有11张图片；以及JAFFE数据库，包含10个日本人的表情样本，共213张图像。这些数据库的选择体现了研究的实用性和通用性。 通过对比分析，作者旨在揭示不同神经网络架构和函数选择对人脸识别性能的影响，这对于理解如何优化特征提取和神经网络设计以提高人脸识别系统的精度和效率具有重要意义。整体而言，这篇研究提供了一个有价值的方法论框架，对于那些在人脸识别技术中寻求更高效分类方法的研究者来说，是一个重要的参考资源。