在我提出问题之前，先简单介绍一下我的项目：
- 我正在使用 OPENCV 的内置功能来检测 cam-feed 中的人脸。
- 之后，我正在处理包含面部的图像，即将其转换为灰度，将其调整为 40X40 像素并均衡其直方图。
- 然后读取图像的像素值、标准化（即除以 256，因为 FANN 使用 0 和 1 或 -1 和 1 之间的值，取决于使用的函数）并保存到 1600 个元素的数组中。这是神经网络使用的数据。根据数据，ANN 决定这张脸是我的、未知的还是根本不是一张脸（误报）。
- 然后神经网络返回一个包含 3 个元素的数组，程序通过找到最大值来决定人脸属于哪个组。
问题是，除了很好地检测误报之外，我的代码给出的结果相当不准确。
我的ANN的一些细节。我正在使用 doublefann.h。该网络包含 1600 个输入神经元（显然），3 个输出神经元（甚至更多），而单个隐藏层包含 1600 个神经元，尽管我确实尝试了 800-2400 范围内的其他值。我正在使用我的 20 个面部样本、30 个未知面部样本和 30 个随机背景样本进行训练。我尝试了 RPROP（FANN 中的默认值，似乎大部分时间都过拟合）和 QUICKPROP（在训练时提供了很好的、平滑地减少的误差，但结果不准确）训练算法，以及 SIGMOID_SYMMETRIC（训练完成得非常快，但通常以 MSE 突然下降到接近零值而告终，并且由此产生的网络是过拟合的）激活函数。我使用 MSE 和位失败值作为停止的标准。可悲的是，
所以我的问题是，考虑到我的项目的性质和它处理的数据，什么是最佳的：
- 隐藏神经元的数量
- 激活功能
- 训练算法
- 每组的训练样本数（有人说 20-30 就足够了）
- 停止标准
当然，欢迎任何建议，它不需要回答所有或任何五个问题。我知道我的问题是一个相当复杂的问题，但是我花了很多时间在圈子里跑，厌倦了阅读有关该主题的文献，并且非常感谢一些第一手的知识。