[发明专利]基于加权强度PCNN模型的分块人脸识别方法

说明书

本发明涉及基于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。

技术领域

本发明涉及基于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。

背景技术

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(Pulse Coupled Neural Network PCNN)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，Taymoor M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。

发明内容

本发明解决现有的基于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。

本发明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