[发明专利]模拟视觉细胞感受野特性的PCNN人脸图像分割方法

说明书

技术领域

本发明涉及图像处理领域，尤其涉及一种模拟视觉细胞感受野特性的脉冲耦合神经网络(IG-PCNN)的残疾人人脸图像分割方法。

背景技术

作为人类最重要的外部特征，人脸图像的检测和识别技术日益成为人工智能领域中的研究热点，其在国家安全、公安民政、金融海关、保险等领域具有极为广阔的应用前景，然而不论人脸检测还是识别(检测是确定人脸的存在，以及确定图像中人脸的位置。识别是在检测的基础上识别出人脸)，都要做人脸图像的分割，这是图像处理的第一步，分割的好坏对特征提取和识别具有关键性作用。因此，人脸图像分割是人脸图像检测和识别领域中的基本问题，是目标特征提取、识别与跟踪的基础。

目前存在的人脸分割、检测、识别算法都是针对正常人的人脸。主要的方法有基于肤色的人脸检测，基于虹膜的人脸检测与识别，Harr特征的人脸检测、肤色及Adaboost的人脸检测、支持向量机核函数的人脸检测、小波变换提取特征的人脸检测与识别等算法。

由于残疾人的脸部具有独特的特征，目前的人脸图像检测与识别算法不适用这类特殊的人群，比如残疾人中盲人的眼睛区域没有正常人眼睛处灰度变化丰富，因此用眼睛区域定位比较困难，眼睛区域会跟人脸的其它区域粘连，给后期的特征提取造成困难。面部有伤的残疾人，伤疤可以作为很好的识别特征，因此，如何最大限度体现伤疤区域与完好脸部区域的区别，将伤疤区域完整地分割出来，且不与其相邻完好脸部区域粘连是现有的图像分割方法所面临的挑战。同时，精神残疾人脸部表情变化大，面部五官由于抽搐会很接近，需要将面部五官分割成独立的区域，为后续特征提取奠定基础，降低识别的难度。因此，本发明提出针对残疾人人脸的图像分割算法。

生物视觉始终是图像处理领域研究的热点，基于脉冲耦合神经网络(PCNN)的图像分割方法具有突出的优良特性：变阈值特性、非线性调制特性、同步脉冲发放及神经元捕获特性、动态脉冲发放及自动波特性等。由于上述神经元模型是基于哺乳动物视觉皮层神经元活动提出的，基于PCNN的人脸图像分割方法完全依赖于图像的自然属性，不用预先选择处理的空间范围，是一种更自然的分割方式。通过调节神经元的连接强度，可方便地对图像进行不同层次的分割且分割速度很快。该方法在图像处理特别是图像分割方面存在较强的优势。

如图1所示，传统的PCNN模型中单个神经元由反馈输入域、耦合连接域和脉冲发生器三部分组成，最终形成一个单层的、二维横向连接的神经网络。神经元的激发受其邻域内神经元的影响，影响的范围和程度由连接系数矩阵表示。PCNN模型中有两个连接系数矩阵M_ijkl和W_ijkl，它们都表示中心神经元受周围神经元影响的大小，反映邻近神经元对中心神经元传递信息的强弱。其中W_ijkl位于PCNN的耦合连接域，主要表示神经网络内部中心神经元与相邻神经元的连接强度。M_ijkl位于PCNN的反馈输入域，主要功能是获取神经元外部灰度信息，突出外部神经元对中心神经元的影响。

目前与PCNN模型相关的文献普遍认为M_ijkl和W_ijkl的作用是一样的，在数值上是相等的。尤其在简化PCNN模型中，反馈输入域连接矩阵M_ijkl的功能被进一步弱化，将反馈输入域简化为中心神经元接收的外部激励，即F[n]＝S_ij。本发明通过对PCNN模型工作机理的分析，得出反馈输入域连接矩阵M_ijkl是PCNN模型中获取外部图像信息的重要结构，其大小直接决定了神经元耦合域的范围，大耦合域的连接系数矩阵直接影响着自动波的传播速度和传播的距离，决定了中心神经元能否被更远的神经元所捕获。但连接矩阵不具有方向性，不能在指定方向上加强中心神经元与邻域神经元的联系。

基于上述研究，本发明提出一种基于具有感受野特性PCNN模型的残疾人人脸图像分割方法。

发明内容

针对传统的基于PCNN模型的图像分割方法所存在的问题，本发明提出了一种具有感受野特性的PCNN模型用于残疾人人脸图像的分割方法。