CN103345624A - 一种多通道脉冲耦合神经网络的加权特征人脸识别方法 - Google Patents

Abstract

本发明公开了一种多通道脉冲耦合神经网络的加权特征人脸识别方法，包括：步骤1：获取原始人脸彩色图像；步骤2：把原始人脸彩色图像从RGB色彩空间转换到HSI色彩空间，得到转换人脸图像；步骤3：分别提取转换人脸图像的色调H、饱和度S、亮度I三通道数据；步骤4：运用PCNN技术对转换人脸图像的H、S、I三通道数据进行迭代点火处理，生成三通道脉冲点火比序列；步骤5：把三通道脉冲点火比序列进行加权处理，然后把加权后的数列连接在一起，形成转换人脸图像的整体脉冲点火比特征序列谱；步骤6：利用转换人脸图像的整体脉冲点火比序列谱与模板库中的人脸样本序列谱进行相关度匹配，识别出正确的人脸图像；本发明大大提高了人脸图像的识别率。

Description

一种多通道脉冲耦合神经网络的加权特征人脸识别方法

技术领域

本发明属于智能识别系统领域，具体涉及一种基于HSI色彩空间的脉冲耦合神经网络人脸识别方法。

背景技术

人脸识别：

人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份、性别、种族、年龄、表情等等。随着计算机技术的飞速发展，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。其中包括人脸检测，人脸识别，人脸表情识别等各类识别问题。对于人脸识别问题的研究已有几十年的时间，在理论研究和实际开发方面都取得了一定的进展，并且目前已有一些电子产品配备了人脸识别系统。

人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来，它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。因此，人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。

PCNN特征提取技术：

人工神经网络是近几十年新兴的一门学科。它涉及到神经生理学、电子学、计算机科学、数学等多门学科，已经被广泛的应用于人工智能、信息处理、模式识别、自动控制等诸多领域。脉冲耦合神经网络(Pulse-Coupled Neural Network，简称PCNN)是基于对猫的视觉皮层神经元脉冲串同步振荡现象的研究发展而来的神经网络模型，被称为第三代人工神经网络，与传统的人工神经网络模型相比较，因其具有动态神经元、时空总和特性、波的自动传播、同步脉冲发放等特性而备受关注。在PCNN中，具有相似输入的神经元同时发放脉冲，能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整的保留图像的区域信息，目前它已被成功的用于图像平滑、图像分割、目标识别、特征提取等方面。这就使得PCNN具有较高的研究价值和更为广阔的应用前景。近年来，PCNN的工作原理和其在图像处理、雷达声纳、电子行业、医药卫生、语音信号处理等领域的应用在国内外受到广泛重视。

请见图1，为PCNN人脸识别方法流程图，与传统的神经网络图像识别方法相比，基于PCNN的人脸识别方法具有高效、快速、识别率高、硬件实现简单等特点；但是，人脸肤色信息对于人脸识别的准确率有着重要的影响，现有的PCNN人脸识别方法把人脸图像转化为灰度图像进行特征提取，丢失了人脸图像重要的颜色信息，对于相似的人脸，很容易造成误识别。

发明内容

本发明的目的就是克服现有技术的不足，提供一种人脸识别率高的多通道脉冲耦合神经网络的加权特征人脸识别方法。

本发明所采用的技术方案是：一种多通道脉冲耦合神经网络的加权特征人脸识别方法，其特征在于，包括以下步骤：

步骤1：获取原始人脸彩色图像；

步骤2：把所述的原始人脸彩色图像从RGB色彩空间转换到HSI色彩空间，得到转换人脸图像；

步骤3：分别提取所述的转换人脸图像的色调H、饱和度S、亮度I三通道数据；

步骤4：运用PCNN技术对所述的转换人脸图像的H、S、I三通道数据进行迭代点火处理，生成三通道脉冲点火比序列；

步骤5：把所述的三通道脉冲点火比序列进行加权处理，然后把加权后的数列连接在一起，形成所述的转换人脸图像的整体脉冲点火比特征序列谱；

步骤6：利用所述的转换人脸图像的整体脉冲点火比序列谱与人脸特征模板库中的人脸样本序列谱进行相关度匹配，识别出正确的人脸图像，所述的人脸特征模板库是预先经过所述的步骤1至5对普通大众进行人脸特征采集汇总而得到的模板库。

作为优选，本发明按照所述的H、S、I三通道数据信息在人脸识别中所占的不同重要程度，把所述的三通道脉冲点火比序列进行加权处理。

与现有的基于PCNN的图像识别方法对比，本发明的优势主要是利用PCNN特征提取方法的鲁棒性、快速性以及可移植性，本发明在保留人脸肤色信息的基础上进行PCNN图像特征提取，并且提取了三个通道的特征信息，通过理论分析与实验论证，对三通道特征序列进行加权处理，大大的提高了人脸图像的识别率，本发明对于正确的人脸匹配起到了至关重要的作用。本发明可以广泛运用于基于嵌入式系统的模式识别领域。

附图说明

图1：为本发明现有技术的PCNN人脸识别方法流程图。

图2：为本发明的方法流程图。

图3：为本发明的PCNN人脸识别神经元模型示意图。

具体实施方式

下面结合附图和具体实施方式进一步来描述本发明提出的一种基于HSI色彩空间的多通道脉冲耦合神经网络的加权特征人脸识别方法。

请见图2，本发明所采用的技术方案是：一种多通道脉冲耦合神经网络的加权特征人脸识别方法，包括以下步骤：

步骤1：获取原始人脸彩色图像。

步骤2：把原始人脸彩色图像从RGB色彩空间转换到HSI色彩空间，得到转换人脸图像；其转换公式如下：

$H=\left\{\begin{array}{cc}\frac{\mathrm{\π}}{3}\×\frac{G-B}{\mathrm{Max}-\mathrm{Min}},& \mathrm{ifMax}=R\\ \frac{\mathrm{\π}}{3}\×\frac{B-R}{\mathrm{Max}-\mathrm{Min}}+\frac{2\mathrm{\π}}{3},& \mathrm{ifMax}=G\\ \frac{\mathrm{\π}}{3}\×\frac{R-G}{\mathrm{Max}-\mathrm{Min}}+\frac{4\mathrm{\π}}{3},& \mathrm{ifMax}=B\end{array}\right.$

$H=H+2\mathrm{\&pi;},\mathrm{ifH}<0$

$S=\left\{\begin{array}{cc}\frac{\mathrm{Max}-\mathrm{Min}}{\mathrm{Max}+\mathrm{Min}},& 0<I\&le;\frac{1}{2}\\ \frac{\mathrm{Max}-\mathrm{Min}}{2-(\mathrm{Max}+\mathrm{Min})},& I>\frac{1}{2}\end{array}\right.$

$I=\frac{1}{2}(\mathrm{Max}+\mathrm{Min})$

其中，H、S、I是HSI色彩空间的色调、饱和度与亮度三个分量的值；R、G、B是RGB色彩空间红、绿、蓝三个分量的值，其中R、G、B的值被归一化到0～1之间；Max=max(R,G,B),Min=min (R,G,B)，即Max与Min分别是取最大值与最小值。

步骤3：分别提取转换人脸图像的色调H、饱和度S、亮度I三通道数据。

步骤4：运用PCNN技术对转换人脸图像的H、S、I三通道数据进行迭代点火处理，生成三通道脉冲点火比序列；

请见图3，为本发明的PCNN人脸识别神经元模型示意图；PCNN模型是由若干个PCNN神经元相互连接所构成的反馈型网络，图像的每一个像素点可以看作是一个神经元，每一个神经元由三个部分组成：输入部分、内部调制器和脉冲产生器。神经元的每一次触发称之为点火，PCNN模型通过多次迭代点火，生成图像的点火时间特征。每一次迭代点火过程中，点火的像素点会激发周围相邻的像素点进行点火，从而产生脉冲波向外传播。通过捕捉图像每一次迭代时点火像素点的信息，可以生成图像的点火时间序列，利用每幅图像独有的点火时间序列特征进行图像识别是PCNN广泛的应用方法；

图像的每一个像素点可以看作是一个神经元，请见图3，本实施例是以第(i,j)个神经元为例来说明脉冲耦合神经网络中神经元的相互作用。I_ij代表(i,j)神经元的外部刺激输入，Y_ij代表神经元(i,j)的输出，U_ij代表神经元(i,j)的内部活动项。输入部分有两大部分组成，分别为反馈通道输入F_ij和线性链接输入L_ij。T_ij为动态门限，β是神经元突触之间的连接强度系数。脉冲产生部分由阈值调节器、比较器、脉冲发生器组成。当内部活动项U_ij大于动态门限T_ij时,PCNN神经元产生输出Y_ij。当神经元有脉冲输出时，激发动态门限T_ij急剧增大，门限的增大保证了该神经元不会立刻产生第二次脉冲输出，不产生脉冲输出又导致门限开始按照指数规律衰减，当门限值降到低于内部活动项U_ij时，又开始有脉冲输出，进而门限值周而复始的进行上述的变化。脉冲的输出又作为其它神经元的输入影响着其它神经元的输出。当输出值Y_ij(n)取1，称神经元点火；当Y_ij(n)取0，称神经元不点火；

神经元每一次迭代点火过程中，点火的像素点会激发周围相邻的像素点进行点火，从而产生脉冲波向外传播，通过捕捉转换人脸图像的每一次迭代时点火像素点的信息，即可生成三通道脉冲点火比序列；

本方法提取每次迭代过程中，点火的像素点与总的像素点的比值，即脉冲迭代点火比序列谱作为人脸的特征序列谱。

步骤5：按照H、S、I三通道数据信息在人脸识别中所占的不同重要程度，把三通道脉冲点火比序列进行加权处理，然后把加权后的数列连接在一起，形成转换人脸图像的整体脉冲点火比特征序列谱。

步骤6：利用所述的转换人脸图像的整体脉冲点火比序列谱与人脸特征模板库中的人脸样本序列谱进行相关度匹配，识别出正确的人脸图像，所述的人脸特征模板库是预先经过所述的步骤1至5对普通大众进行人脸特征采集汇总而得到的模板库。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种多通道脉冲耦合神经网络的加权特征人脸识别方法，其特征在于，包括以下步骤：

步骤1：获取原始人脸彩色图像；

步骤2：把所述的原始人脸彩色图像从RGB色彩空间转换到HSI色彩空间，得到转换人脸图像；

步骤3：分别提取所述的转换人脸图像的色调H、饱和度S、亮度I三通道数据；

步骤4：运用脉冲耦合神经网络PCNN技术对所述的转换人脸图像的H、S、I三通道数据进行迭代点火处理，生成三通道脉冲点火比序列；

步骤5：把所述的三通道脉冲点火比序列进行加权处理，然后把加权后的数列连接在一起，形成所述的转换人脸图像的整体脉冲点火比特征序列谱；

步骤6：利用所述的转换人脸图像的整体脉冲点火比序列谱与人脸特征模板库中的人脸样本序列谱进行相关度匹配，识别出正确的人脸图像，所述的人脸特征模板库是预先经过所述的步骤1至5对普通大众进行人脸特征采集汇总而得到的模板库。

2.根据权利要求1所述的多通道脉冲耦合神经网络的加权特征人脸识别方法，其特征在于：

按照所述的H、S、I三通道数据信息在人脸识别中所占的不同重要程度，把所述的三通道脉冲点火比序列进行加权处理。

Images