研究课题：
基于GRNN神经网络的人脸朝向识别与分类
关键词：
人脸朝向识别与分类; GRNN神经网络；Matlab
改进方向：
无
课题说明：
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
待改进方向：
- 智能优化算法自动寻优：采用麻雀搜索算法（SSA）、白鲨算法（WSO）、遗传算法（GA）、粒子群优化（PSO）等智能算法自动搜索最优 σ 值，提升模型精度与稳定性。
- 自适应动态调整机制：提出基于贡献率选择的平滑因子优化方法，在时变环境中动态调整 σ，增强模型对非平稳数据的适应能力。
- 多尺度或局部平滑因子：为不同样本或区域分配不同的 σ 值，提升模型在非均匀数据分布下的拟合能力。
特殊说明：
1. 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
2. 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
3. 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：
