脉冲耦合神经网络在人脸图像识别中的应用研究

摘要

随着计算机多媒体技术的发展，人脸图像识别越来越受到人们的青睐。脉冲耦合神经网络(Pulse Coupled Neural Network，PCNN)接近于真实的生物神经网络，具有自监督、自学习的特性，近几年，国内外研究学者在PCNN的原始模型基础上进行了多种改进，并将其应用于众多的图像处理领域，例如图像边缘检测、图像分割、图像增强以及特征提取等方面。PCNN在图像处理领域表现出了优异的生物学特性，将其应用在人脸识别领域，有独特的优势，因此，针对PCNN在人脸图像识别中的应用问题进行研究，具有理论意义和应用价值。
　　人脸图像的采集过程中很容易受到外部条件如光照环境、拍摄者姿势或面部表情等因素的影响，这些因素对人脸识别结果都会产生严重的影响。如何对人脸图像特征进行有效的提取是人脸识别过程中的关键步骤，为此本文在简化的PCNN模型基础上提出了脉冲发放强度PCNN(QD-PCNN)的人脸特征提取方法，并利用网格搜索算法对QD-PCNN中的参数进行寻优，最后结合距离度量函数实现了人脸识别。主要研究内容如下:
　　1.分析了传统脉冲耦合神经网络模型存在的问题，并在简化的PCNN模型基础上提出了QD-PCNN特征提取方法。利用QD-PCNN对归一化处理后的人脸图像进行特征提取和分析，表明了该模型提取的特征既可以有效的表征同一身份的人脸特征，又可以有效的区分不同身份对应的人脸图像。利用不同的距离度量函数计算待识别人脸图像的特征序列与训练集中代表每类身份的平均特征序列之间的距离相似度进行人脸图像所属身份的判定，然后在MATLAB平台下进行实验仿真验证算法的有效性。
　　2.分析了强度PCNN模型的脉冲发放原理，对其权值矩阵W、连接系数β、阈值衰减系数αθ和阈值放大系数Vθ四个参数分别进行了探讨，利用改进网格搜索参数法对β和αθ组合进行寻优，证明了改进网格寻优法找到的最优参数取值组合对应的最优识别准确率要高于经验设置参数值对应的识别准确率。
　　3.设计实现了PCNN人脸图像识别应用平台，平台包括人脸图像数据采集模块、PCA、ICA、PCNN人脸识别模块以及PCNN参数优化模块。该平台实现了自动检测并采集人脸图像功能，并对本文提出的QD-PCNN特征提取方法的人脸图像识别进行了分析。该平台操作简单，输出结果更加直观。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景与意义

1．2 人脸识别技术的研究现状

1．2．1 人脸识别系统概述

1．2．2 人脸识别方法研究现状

1．2．3 常用人脸库介绍

1．3 脉冲耦合神经网络模型研究现状

1．4 论文主要研究内容及结构安排

1．5 本章小结

第二章 基于脉冲发放强度PCNN的人脸识别

2．1 PCNN网络简化模型

2．2 PCNN网络特性分析

2．3 脉冲发放强度PCNN(QD-PCNN)模型

2．4 基于QD-PCNN的人脸识别方法

2．4．1 实验数据库介绍

2．4．2 PCNN人脸图像特征提取

2．4．3 人脸身份识别准则

2．5 计算机仿真及结果分析

2．6 本章小结

第三章 QD-PCNN模型中参数的网格寻优法

3．1 QD-PCNN模型脉冲发放原理

3．2 QD-PCNN模型中关键参数分析

3．2．1 连接矩阵W

3．2．2 连接系数β

3．2．3 阈值放大系数和衰减系数

3．3 改进的网格搜索寻优法

3．4 实验结果及分析

3．5 本章小结

第四章 脉冲耦合神经网络的人脸图像识别应用平台

4．1 平台总体设计

4．2 平台功能模块介绍

4．2．1 数据采集模块

4．2．2 人脸识别模块

4．2．2 PCNN模型优化模块

4．3 本章小结

第五章 总结与展望

5．1 工作总结

5．2 未来展望

参考文献

致谢

攻读硕士学位期间发表的学术论文目录