基于加权强度PCNN模型的分块人脸识别方法技术

本发明专利技术涉及基于PCNN模型的人脸识别方法，具体为基于加权强度PCNN模型的分块人脸识别方法。解决现有的基于PCNN模型的人脸识别方法中存在的图像特征描述不够细化且使用一组参数无差别地处理整幅人脸图像，忽视了人脸各部分的不同的问题。本发明专利技术在简化PCNN模型的基础上，提出了加权强度PCNN模型，引入了自发脉冲发放强度、耦合脉冲发放强度和加权强度的概念，细化模型的输出。同时进行人脸识别时采用分块识别。识别前根据人脸图像各部分灰度分布的不同和局部识别率的不同，将人脸图像进行了分块。进行人脸识别时，分块的权值会根据分块图像自适应地设定；最终一幅人脸图像的识别结果会综合各分块的识别结果。

Block face recognition method based on weighted intensity PCNN model

The invention relates to a face recognition method based on the PCNN model, in particular to a block face recognition method based on a weighted intensity PCNN model. To solve the existing PCNN model based face recognition method, the image feature description is not refined enough, and a whole set of parameters are used to deal with the whole face image without distinction, and the different parts of the face are neglected. Based on the simplified PCNN model, a weighted intensity PCNN model is proposed. The concept of spontaneous pulse intensity, coupled pulse intensity and weighted intensity is introduced, and the output of the model is refined. At the same time, block identification is used in face recognition. Before the recognition, the facial image is partitioned according to the different gray distribution and the local recognition rate of each part of the face image. In face recognition, the weight of the block is adaptively set according to the block image. Finally, the recognition result of one face image synthesizes the recognition results of each block.

【技术实现步骤摘要】
基于加权强度PCNN模型的分块人脸识别方法
本专利技术涉及基于PCNN模型的人脸识别方法，具体为基于加权强度PCNN模型的分块人脸识别方法。
技术介绍
脉冲耦合神经网络是Eckhorn等人研究猫、猴等动物的大脑视觉皮层的同步脉冲发放现象时发现的，并由Johnson在1993年对其进行了改进，提出了标准的脉冲耦合神经网络(PulseCoupledNeuralNetworkPCNN)模型。1999年，Lzhikevich从数学角度严格的证明了PCNN模型是一种最接近生物神经元的网络模型。PCNN模型与以往经典神经网络相比，是一种自监督自学习的网络，不需要训练即可实现图像处理，且PCNN模型具有优良的综合时空总和特性、动态同步脉冲发放特性、非线性调制和可变阀值等特性，因此，PCNN模型以被广泛应用于图像边缘检测、图像分割、图像融合、图像识别和图像去噪等方面。2005年，TaymoorM首次将PCNN模型引入人脸识别领域。关于PCNN模型人脸识别的中文文献在2011年才首次发表，但是2008年，国内东南大学张煜东等人已经将PCNN模型应用于人脸识别的研究中。近几年来，随着PCNN模型逐渐进入国内学者的视野，它在人脸识别方面的应用研究也逐渐增多。针对目前基于PCNN模型的人脸识别方法中，特征数据一般选用基于模型N次迭代产生的二值图像的某些信息，如点火时间序列和信息熵序列等，它们均是一种平面的效果表示，表示的是图像整体的特征，不能细化地反应人脸图像中的边缘或点的变化。因此文献[1]在简化的PCNN模型基础上，引用了一种基于脉冲发放强度的PCNN模型。经过该模型处理，人脸图像中的每个像素点均可得到其特定的脉冲发放强度，把N次迭代得到的平均脉冲发放强度作为人脸图像的特征，最后通过计算待识别人脸图像的脉冲发放强度矩阵与各个身份的平均脉冲发放强度矩阵之间的余弦距离来判断其所属身份类别，然而该模型并没有对其脉冲发放强度进行细分。同时在实际应用中，PCNN模型中包含许多不确定的参数，这些模型参数的设置决定了其性能的好坏，目前通常都是经多次试验，对比所得图像处理结果来选择合适的参数值。基于此，已有许多文献对PCNN模型参数的自动设定进行了研究。文献[2]提出了用灰度—信息量直方图来表征图像特征，利用信息量直方图自动估算PCNN模型中的时间衰减参数,而其对PCNN其他参数的设定仍需凭经验设定。另外，人脸各部分的灰度分布差异很大，如图1‐5所示，而传统的基于PCNN的人脸识别方法将一幅人脸图像作为一个整体统一处理，忽视了各个部分之间的差异。且由实验可以证明人脸的不同区域的识别率是不同的，如图6所示。因此，可以在人脸识别时对各部分设置不同的权重。文献[1]：计算机工程与设计，2017年1月，基于网格搜索算法的PCNN模型参数自适应，李瀚，杨晓峰等。文献[2]：电子学报，2007年5月，一种新的PCNN模型参数估算方法，赵峙江，赵春晖，张志宏。
技术实现思路
本专利技术解决现有的基于PCNN模型的人脸识别方法中存在的图像特征描述不够细化且使用一组参数无差别地处理整幅人脸图像，忽视了人脸各部分的不同的问题，提供一种基于加权强度PCNN模型的分块人脸识别方法。本专利技术是采用如下技术方案实现的：基于加权强度PCNN模型的分块人脸识别方法，由如下步骤实现：(一)训练阶段构建或选择现有的含有A个人，每人B幅人脸图像，共有A*B幅人脸图像的人脸库，在人脸库中取每个人的前N幅，N≤B/2，人脸图像作为训练图像，将每幅训练图像都按照眼睛、鼻子和嘴进行横向分块，分为分别对应于眼睛、鼻子和嘴的上、中、下三个分块图，将每人的每幅人脸图像的三个分块图像都输入加权强度PCNN模型，每个分块会得到一个加权强度矩阵，这样会得到A*N*3个加权强度矩阵，它们分别对应于每个人的每个训练图像的每个分块，然后求分别对应于每人上、中、下分块的N个加权强度矩阵的平均值，即平均加权强度矩阵，并记录下这个值，作为每个人每个分块的特征矩阵，训练阶段总共会得到3A个特征矩阵(平均加权强度矩阵)，即：(C1上，C2上，…CA上)(C1中，C2中，…CA中)(C1下，C2下，…CA下)其中，C表示特征矩阵，第一个角标表示哪个人，第二个角标表示哪个分块；所述的加权强度PCNN模型的数学模型如下所示：Fij(n)＝Iij(1)Lij(n)＝∑WYkl(n-1)(2)Uij(n)＝Fij(n)(1+βLij(n))(3)θij(n)＝exp(-αθ)θij(n-1)+VθYij(n-1)(4)Oij(n)＝βFij(n)×Lij(n)(6)其中，对某一神经元，各个参数的含义如下：n循环迭代次数，[1～+∞)；i和j神经元坐标；k和l，坐标为i和j的神经元的周围神经元的坐标；W内部连接矩阵；Fij反馈输入；Iij外部输入信号；Uij内部活动项；Yij脉冲输出，0或1；θij动态阈值项，[0～+∞)；Qij加权强度；αθ阈值衰减系数；Vθ阈值放大系数；β连接系数；x和y强度公式系数；Lij链接输入。由图8可知，加权强度PCNN模型仍然为一个单层的二维神经网络，图中的Y1，Y2，…，Yn泛指与该神经元相邻近的神经元的脉冲输出。模型中的神经元会收到来自外部的外部输入Iij，同时会收到来自周围神经元的链接输入Lij(n)，它们各不相同且随时间变化，同时对应的动态阈值项θij(n)也随时间变化，即Fij(n)/θij(n)和Oij(n)/θij(n)的值不同，这两个值就分别是神经元的自发脉冲发放强度和耦合脉冲发放强度，如表1，由YALE人脸库上的识别实验可知，两者分别作为特征数据得到的识别率并不一样，表中加权强度情况是当取Oij(n)作为特征数据，且Oij(n)取(Fij(n)+Oij(n))/θij(n)时得到的识别率，由此可知，加权强度可以作为人脸特征数据，且可以对自发脉冲发放强度和耦合脉冲发放强度赋予不同的权重，它相比模型的二值输出Yij(n)可以更细化的描述图像特征。表1多种脉冲发放强度的实验结果对比(二)测试阶段a)人脸库中除去训练图像，剩下的为测试图像，每人有(B‐N)幅测试图像，A个人共有A*(B‐N)幅测试图像，取任意一幅测试图像，按照与步骤(一)训练阶段一样的方法得到其各个分块的加权强度矩阵，即得到三个加权强度矩阵：QDm上QDm中QDm下其中，QD表示加权强度矩阵，第一个角标m表示A*(B‐N)幅测试图像中的任意一幅，第二个角标表示哪个分块；b)按照分块权值计算方法计算该幅测试图像(同步骤a)所述的测试图像)的各个分块的权重，即得到三个权值：Em上Em中Em下其中，E为分块的权值；第一个角标m表示A*(B-N)幅测试图像中的任意一幅；第二个角标表示哪个分块；所述的分块权值计算方法的具体计算过程如下：LH(i,j)＝H(F(i,j)r)(8)F(i,j)r＝{I(a,b)|a∈[i-r,i+r],b∈[j-r,j+r]}(9)H()为图象熵函数，F(i,j)r为以(i,j)为中心的滑动可变窗口内的子图像，I(a,b)表示F(i,j)r内的像素，r为滑动可变窗口的半径，(i,j)表示某个像素的位置，p和q为分块图像的横向和纵向长度，cd代表上、中、下三个分块中的任一块，CM为局部特种贡献度本文档来自技高网...

【技术保护点】
一种基于加权强度PCNN模型的分块人脸识别方法，其特征在于由如下步骤实现：(一)训练阶段构建或选择现有的含有A个人，每人B幅人脸图像，共有A*B幅人脸图像的人脸库，在人脸库中取每个人的前N幅，N≤B/2，人脸图像作为训练图像，将每幅训练图像都按照眼睛、鼻子和嘴进行横向分块，分为分别对应于眼睛、鼻子和嘴的上、中、下三个分块图，将每人的每幅人脸图像的三个分块图像都输入加权强度PCNN模型，每个分块会得到一个加权强度矩阵，这样会得到A*N*3个加权强度矩阵，它们分别对应于每个人的每个训练图像的每个分块，然后求分别对应于每人上、中、下分块的N个加权强度矩阵的平均值，即平均加权强度矩阵，并记录下这个值，作为每个人每个分块的特征矩阵，训练阶段总共得到3A个特征矩阵，即：(C

【技术特征摘要】
1.一种基于加权强度PCNN模型的分块人脸识别方法，其特征在于由如下步骤实现：(一)训练阶段构建或选择现有的含有A个人，每人B幅人脸图像，共有A*B幅人脸图像的人脸库，在人脸库中取每个人的前N幅，N≤B/2，人脸图像作为训练图像，将每幅训练图像都按照眼睛、鼻子和嘴进行横向分块，分为分别对应于眼睛、鼻子和嘴的上、中、下三个分块图，将每人的每幅人脸图像的三个分块图像都输入加权强度PCNN模型，每个分块会得到一个加权强度矩阵，这样会得到A*N*3个加权强度矩阵，它们分别对应于每个人的每个训练图像的每个分块，然后求分别对应于每人上、中、下分块的N个加权强度矩阵的平均值，即平均加权强度矩阵，并记录下这个值，作为每个人每个分块的特征矩阵，训练阶段总共得到3A个特征矩阵，即：(C1上，C2上，…CA上)(C1中，C2中，…CA中)(C1下，C2下，…CA下)其中，C表示特征矩阵，第一个角标表示哪个人，第二个角标表示哪个分块；所述的加权强度PCNN模型的数学模型如下所示：Fij(n)＝Iij(1)Lij(n)＝∑WYkl(n-1)(2)Uij(n)＝Fij(n)(1+βLij(n))(3)θij(n)＝exp(-αθ)θij(n-1)+VθYij(n-1)(4)Oij(n)＝βFij(n)×Lij(n)(6)其中，对某一神经元，各个参数的含义如下：n循环迭代次数，[1～+∞)；i和j神经元坐标；k和l，坐标为i和j的神经元的周围神经元的坐标；W内部连接矩阵；Fij反馈输入；Iij外部输入信号；Uij内部活动项；Yij脉冲输出，0或1；θij动态阈值项，[0～+∞)；Qij加权强度；αθ阈值衰减系数；Vθ阈值放大系数；β连接系数；x和y强度公式系数；Lij链接输入。(二)测试阶段a)人脸库中除去训练图像，剩下的为测试图像，每人有(B‐N)幅测试图像，A个人共有A*(B‐N)幅测试图像，取任意一幅...

【专利技术属性】
技术研发人员：邓红霞，李海芳，郭浩，相洁，曹锐，李瀚，杨晓峰，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14