[发明专利]基于加权强度PCNN模型的分块人脸识别方法

摘要

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。

主权项

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)Qij(n)＝x*Fij(n)/θij(n)+y*Oij(n)/θij(n)    (7)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为局部特种贡献度并采用CM作为分块的权值E；c)计算该幅测试图像的各个分块的加权强度矩阵与步骤(一)中的每个人的对应分块的特征矩阵的余弦距离，即求两者的余弦相似度，得到3A个余弦相似度：(Sm1上，Sm2上，…SmA上)(Sm1中，Sm2中，…SmA中)(Sm1下，Sm2下，…SmA下)其中，S表示余弦相似度，第一个角标m仍表示A*(B‑N)幅测试图像中的任意一幅，第二个角标表示1到A中的某个人，第三个角标表示哪个分块；d)将该幅测试图像的每个分块和不同人的对应分块计算所得的余弦相似度与该分块对应的权值相乘，即，(Sm1上*Em上，Sm2上*Em上，…SmA上*Em上)(Sm1中*Em中，Sm2中*Em中，…SmA中*Em中)(Sm1下*Em下，Sm2下*Em下，…SmA下*Em下)再进行如下的对应相加，即，e)取(Sm1，Sm2，…SmA)中的最大值对应的人作为该幅测试图像的识别结果。