基于细胞神经网络的自联想记忆的人脸识别方法技术

本发明专利技术公开了一种基于细胞神经网络的自联想记忆的人脸识别方法，包括S1：随机采集m幅人脸图片，并进行编号；S2：通过设置二值图亮度阈值，将步骤S1得到的m幅人脸图片分别处理为二值人脸图片，得到二值人脸图片的自联想记忆输入矩阵和输出矩阵；S3：搭建含有未知模型参数的细胞神经网络人脸图片识别模型框架；S4：未知模型参数，确定最终细胞神经网络人脸图片识别模型；S5：基于自联想记忆准则，对任意人脸图片进行识别匹配。有益效果：数据化保存，安全系数高；识别效果好，识别效率高；匹配结果可信度高。

Face recognition method based on cellular neural network and auto associative memory

The invention discloses a S1 face recognition method, self associative memory based on cellular neural networks: random collection of M faces images, and numbers; S2: by setting two value image brightness threshold will be obtained in step S1 m faces images respectively to two value images, self associative memory the input and output matrices of two values of face image; S3: the framework of cellular neural network face recognition model built with unknown model parameters; S4: the unknown model parameters, determine the final cellular neural network face recognition model; S5: self associative memory based on the criterion of face image recognition, arbitrary. Useful effects: data saving, high safety factor, good recognition effect, high recognition efficiency, high reliability of matching results.

【技术实现步骤摘要】
基于细胞神经网络的自联想记忆的人脸识别方法
本专利技术涉及图像识别
，具体的说是一种基于细胞神经网络的自联想记忆的人脸识别方法。
技术介绍
随着大数据时代的发展，人们在出行过程中存在身份信息核对，例如人脸识别。通过身份识别，实现身份验证，提高系统的安全性能，确认不同的用户身份信息。在进行人脸信息核对时，必然包括数据库保存的人脸信息和等待校验的人脸信息，对于数据库保存的人脸信息，在现有技术中，存在以下缺陷：第一：人脸信息往往是采用直接存储的方式，这样造成身份信息容易泄露，安全系数低，一旦泄露，就容易被复制，可靠性差。第二：人脸图片识别过程中，需要对数据库中大量的图片数据进行调取和比较，调取图片时间长，造成识别效率低，容易出现错误。第三：图片识别过程中，找到类似图片时，不存在图片匹配，可靠性差，更容易出现核对错误。针对上述缺陷，有必要提出一种人脸图片识别方法，来满足人们的需求。
技术实现思路
针对上述问题，本专利技术提供了一种基于细胞神经网络的自联想记忆的人脸识别方法，将人脸图片进行数据化保存，结合联想记忆和细胞神经网络模型，实现人脸图片识别，安全系数高，可靠性好，识别效率高。为达到上述目的，本专利技术采用的具体技术方案如下：一种基于细胞神经网络的自联想记忆的人脸识别方法，其关键在于包括以下步骤：S1：随机对人群中z个人的人脸图片进行采集，共得到m＝w*z幅人脸图片其中，w为正整数，并对采集到m幅人脸图片进行编号；S2：通过设置二值图亮度阈值，将步骤S1得到的m幅人脸图片分别处理为二值人脸图片，得到由m张二值人脸图片组成的自联想记忆输入矩阵和输出矩阵；S3：搭建含有未知模型参数的细胞神经网络人脸图片识别模型框架；S4：根据步骤S2得到的人脸图片自联想记忆输入矩阵、输出矩阵和步骤S3得到的细胞神经网络人脸图片识别模型框架，计算细胞神经网络人脸图片识别模型的未知模型参数,最终确定细胞神经网络人脸图片识别模型；S5：基于自联想记忆准则，对任意人脸图片进行识别匹配。通过上述设计，将人脸图片实现数据化保存，通过细胞神经网络和联想记忆方法建立细胞神经网络人脸图片识别模型，将图片数据识别过程转化成数字数据的识别过程，缩短了识别时间，避免了图片的调取过程和循环比较过程，本方法还对识别结果进行最终的匹配处理，提高了识别可靠性。进一步描述，所述二值图亮度阈值K∈{0,1,2,3,...,255}；对于不同的人脸图片数据库，可设定不同的二值图亮度阈值，提高人脸图片数据库的可靠性和安全系数。将每一幅二值人脸图片设置成包括N行M列像素点的图片，像素点总个数为n＝N×M；在对人脸图片进行保存时，若获取到的图片为不规则图片，要将该不规则的图片进行最小矩形化，即采用矩形框，该矩形框需将不规则图片完全包含，矩形框内多出的空白部分人们可采用自定义的图案进行填充。设二值人脸图片联想记忆的输出矩阵为：O＝(α1,α2,…,αi,…,αm)，i∈{1,2,…,m},j∈{1,2,…,n}，αi表示第i幅二值人脸图片中所有的像素点组成的输出向量，表示在第i幅二值人脸图片中的第j个像素点的输出值；设二值人脸图片联想记忆的输入矩阵为：I＝(U1,U2,...,Ui,…,Um)，i∈{1,2,…,m},j∈{1,2,…,n}，Ui表示第i幅二值人脸图片中所有的像素点组成的输入向量，表示在第i幅二值人脸图片中的第j个像素点的输入值。再进一步描述，步骤S3搭建含有未知模型参数的细胞神经网络人脸图片识别模型框架的具体步骤为：构建细胞神经网络人脸图片识别模型基本框架：其中，x＝(x1,x2,…,xi,…,xn)T，i∈{1,2,…,n}；输入向量U＝(u1,u2，…,ui,…,un)T，i∈{1,2,…,n}；给定系数C＝diag(c1,c2,…,ci,…,cn)，i∈{1,2,…,n}；激活函数f(x)＝(f(x1),…,f(xi),…,f(xn))T；偏移向量V＝(v1,v2,…,vi,…,vn)T，i∈{1,2,…,n}；其中给定系数C为人为给定；系数矩阵A、系数矩阵D和偏移量V为未知模型参数；在公式(1)中，系数矩阵A＝(aij)n×n由以下方阵组成：其中，在公式(1)中，系数矩阵D＝(dij)n×n由以下方阵组成：其中，令α＝(α1,α2,…,αi,…,αn)T∈Υn＝{x＝(x1,x2,…,xi,…,xn)T∈Rn|xi＝1orxi＝-1}；令C(α)＝{y＝(y1,y2,…,yi,…,yn)T∈Rn|yiαi＞1}；因此，由公式(1)得到含有未知模型参数的细胞神经网络人脸图片识别模型框架：再进一步描述，步骤S4的具体步骤为：S41：将步骤S3得到的公式(2)可以写成以下形式：令xi(0)＝0，(i)如果则公式(3)收敛到一个正稳定平衡点，且这个平衡点的值大于1；(ii)如果则公式(3)收敛到一个负稳定平衡点，且这个平衡点的值小于-1；则得到第一推论：令ci＝常数,i∈{1,2,…,n}；当αi＝1时，公式(3)收敛到一个正稳定平衡点，且这个平衡点的值大于1；当αi＝-1时，公式(3)收敛到一个负稳定平衡点，且这个平衡点的值小于-1；引入符号Λ，使其中，λi＞0；则设l∈{1,2,…,m},q∈{1,2，…，N}；输入参数：输出参数：令：令：令：令：令：令：令：令：令：令：令：Δ＝Λ′Γ′；根据所述第一推论，得到：Φ′+V′＝0.55Δ(5)AO+DU+V″＝ΛO(6)将公式(5)转换为：Ω·LA+V′＝0.55Δ(7)根据公式(7)可得：LA＝pinv(Ω)(0.55Δ-V′)(8)其中，pinv()表示矩阵的伪逆；将公式(6)转换为Ξ·LD+Φ′+V′＝Δ.(9)因此，由公式(9)可得LD＝pinv(Ξ)(Δ-Ω·LA-V′)(10)S42：在自联想记忆准则中，存在输入矩阵等于输出矩阵，即I＝O(11)将步骤S2得到二值人脸图片的自联想记忆输出矩阵O＝(α1,α2,…,αm)和输入矩阵I＝(U1,U2,…,Um)转换成矩阵Ω和Ξ，并带入公式(8)和公式(10)得到输出参数：LA＝pinv(Ω)(0.55Δ-V′)；输入参数：LD＝pinv(Ξ)(Δ-Ω·LA-V′)；S43：将步骤S42得到的输出参数LA和输入参数LD转化成步骤S3中的系数矩阵A和系数矩阵D；根据公式(4)得到偏移向量V；S44：设定给定系数C，并将步骤S43得到的未知模型系数带入公式(2)中得到细胞神经网络人脸图片识别模型。再进一步描述，步骤S5的具体内容为：S51：获取任意人脸图片，对人脸图片进行二值化得到二值人脸图片的自联想记忆输入矩阵；S52：将步骤S51得到的输入矩阵代入到步骤S4得到的细胞神经网络人脸图片识别模型中，得到模型输出矩阵；S53：将步骤S51得到的输入矩阵与步骤S52得到的模型输出矩阵分别对人脸图片进行匹配，得到人脸图片匹配成功率为H；S54：判断人脸图片匹配成功率H是否大于匹配设定值h，h＝0～1；若是，为匹配成功，否则匹配失败。本专利技术的有益效果：将自联想记忆和细胞神经网络模型相结合，将人脸图片转化成一系列参数进行保存，身份信息即人脸图片，验证可靠度高，并且对图片的保存方式隐秘性强，安全系数高，有效防止人们身份信息被泄露；将图片经模型转化成参数的形式本文档来自技高网...

【技术保护点】
一种基于细胞神经网络的自联想记忆的人脸识别方法，其特征在于包括以下步骤：S1：随机对人群中z个人的人脸图片进行采集，共得到m＝w*z幅人脸图片，其中，w为正整数，并对采集到m幅人脸图片进行编号；S2：通过设置二值图亮度阈值，将步骤S1得到的m幅人脸图片分别处理为二值人脸图片，得到二值人脸图片的自联想记忆输入矩阵和输出矩阵；S3：搭建含有未知模型参数的细胞神经网络人脸图片识别模型框架；S4：根据步骤S2得到的人脸图片自联想记忆输入矩阵、输出矩阵和步骤S3得到的细胞神经网络人脸图片识别模型框架，计算细胞神经网络人脸图片识别模型的未知模型参数,最终确定细胞神经网络人脸图片识别模型；S5：基于自联想记忆准则，对任意人脸图片进行识别匹配。

【技术特征摘要】
1.一种基于细胞神经网络的自联想记忆的人脸识别方法，其特征在于包括以下步骤：S1：随机对人群中z个人的人脸图片进行采集，共得到m＝w*z幅人脸图片，其中，w为正整数，并对采集到m幅人脸图片进行编号；S2：通过设置二值图亮度阈值，将步骤S1得到的m幅人脸图片分别处理为二值人脸图片，得到二值人脸图片的自联想记忆输入矩阵和输出矩阵；S3：搭建含有未知模型参数的细胞神经网络人脸图片识别模型框架；S4：根据步骤S2得到的人脸图片自联想记忆输入矩阵、输出矩阵和步骤S3得到的细胞神经网络人脸图片识别模型框架，计算细胞神经网络人脸图片识别模型的未知模型参数,最终确定细胞神经网络人脸图片识别模型；S5：基于自联想记忆准则，对任意人脸图片进行识别匹配。2.根据权利要求1所述的基于细胞神经网络的自联想记忆的人脸识别方法，其特征在于所述二值图亮度阈值K∈{0,1,2,3,...,255}；将每一幅二值人脸图片设置成包括N行M列像素点的图片，像素点总个数为n＝N×M；设二值人脸图片联想记忆的输出矩阵为：O＝(α1,α2,…,αi,…,αm)，i∈{1,2,…,m},j∈{1,2,…,n}，αi表示第i幅二值人脸图片中所有的像素点组成的输出向量，表示在第i幅二值人脸图片中的第j个像素点的输出值；设二值人脸图片联想记忆的输入矩阵为：I＝(U1,U2,…,Ui,…,Um)，i∈{1,2,…,m},j∈{1,2,…,n}，Ui表示第i幅二值人脸图片中所有的像素点组成的输入向量，表示在第i幅二值人脸图片中的第j个像素点的输入值。3.根据权利要求2所述的基于细胞神经网络的自联想记忆的人脸识别方法，其特征在于步骤S3搭建含有未知模型参数的细胞神经网络人脸图片识别模型框架的具体步骤为：构建细胞神经网络人脸图片识别模型基本框架：其中，x＝(x1,x2,…,xi,…,xn)T，i∈{1,2,…,n}；输入向量U＝(u1,u2,…ui,…,un)T，i∈{1,2,…,n}；给定系数C＝diag(c1,c2,…,ci,…,cn)，i∈{1,2,…,n}；激活函数f(x)＝(f(x1),…,f(xi),…,f(xn))T；偏移向量V＝(v1,v2,…,vi,…,vn)T，i∈{1,2,…,n}；其中给定系数C为人为给定；系数矩阵A、系数矩阵D和偏移量V为未知模型参数；在公式(1)中，系数矩阵A＝(aij)n×n由以下方阵组成：其中，在公式(1)中，系数矩阵D＝(dij)n×n由以下方阵组成：其中，令α＝(α1,α2,…,αi,…,αn)T∈Υn＝{x＝(x1,x2,…,xi,…,xn)T∈Rn|xi＝1orxi＝-1}；令C(α)＝{y＝(y1,y2,…,yi,…,yn)T∈Rn|yiαi＞1}；因此，由公式(1)得到含有未知模型参数的细胞神经网络人脸图片识别模型框架：

【专利技术属性】
技术研发人员：韩琦，邓世琴，刘晋，翁腾飞，熊思斯，吴政阳，谯自强，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆,50