脈沖耦合神經(jīng)網(wǎng)絡(luò)在人臉圖像識(shí)別中的應(yīng)用研究.pdf

1、隨著計(jì)算機(jī)多媒體技術(shù)的發(fā)展，人臉圖像識(shí)別越來越受到人們的青睞。脈沖耦合神經(jīng)網(wǎng)絡(luò)(Pulse Coupled Neural Network，PCNN)接近于真實(shí)的生物神經(jīng)網(wǎng)絡(luò)，具有自監(jiān)督、自學(xué)習(xí)的特性，近幾年，國(guó)內(nèi)外研究學(xué)者在PCNN的原始模型基礎(chǔ)上進(jìn)行了多種改進(jìn)，并將其應(yīng)用于眾多的圖像處理領(lǐng)域，例如圖像邊緣檢測(cè)、圖像分割、圖像增強(qiáng)以及特征提取等方面。PCNN在圖像處理領(lǐng)域表現(xiàn)出了優(yōu)異的生物學(xué)特性，將其應(yīng)用在人臉識(shí)別領(lǐng)域，有獨(dú)特的優(yōu)勢(shì)，因

2、此，針對(duì)PCNN在人臉圖像識(shí)別中的應(yīng)用問題進(jìn)行研究，具有理論意義和應(yīng)用價(jià)值。
　　人臉圖像的采集過程中很容易受到外部條件如光照環(huán)境、拍攝者姿勢(shì)或面部表情等因素的影響，這些因素對(duì)人臉識(shí)別結(jié)果都會(huì)產(chǎn)生嚴(yán)重的影響。如何對(duì)人臉圖像特征進(jìn)行有效的提取是人臉識(shí)別過程中的關(guān)鍵步驟，為此本文在簡(jiǎn)化的PCNN模型基礎(chǔ)上提出了脈沖發(fā)放強(qiáng)度PCNN(QD-PCNN)的人臉特征提取方法，并利用網(wǎng)格搜索算法對(duì)QD-PCNN中的參數(shù)進(jìn)行尋優(yōu)，最后結(jié)合距離度量

3、函數(shù)實(shí)現(xiàn)了人臉識(shí)別。主要研究?jī)?nèi)容如下:
　　1.分析了傳統(tǒng)脈沖耦合神經(jīng)網(wǎng)絡(luò)模型存在的問題，并在簡(jiǎn)化的PCNN模型基礎(chǔ)上提出了QD-PCNN特征提取方法。利用QD-PCNN對(duì)歸一化處理后的人臉圖像進(jìn)行特征提取和分析，表明了該模型提取的特征既可以有效的表征同一身份的人臉特征，又可以有效的區(qū)分不同身份對(duì)應(yīng)的人臉圖像。利用不同的距離度量函數(shù)計(jì)算待識(shí)別人臉圖像的特征序列與訓(xùn)練集中代表每類身份的平均特征序列之間的距離相似度進(jìn)行人臉圖像所屬身份

4、的判定，然后在MATLAB平臺(tái)下進(jìn)行實(shí)驗(yàn)仿真驗(yàn)證算法的有效性。
　　2.分析了強(qiáng)度PCNN模型的脈沖發(fā)放原理，對(duì)其權(quán)值矩陣W、連接系數(shù)β、閾值衰減系數(shù)αθ和閾值放大系數(shù)Vθ四個(gè)參數(shù)分別進(jìn)行了探討，利用改進(jìn)網(wǎng)格搜索參數(shù)法對(duì)β和αθ組合進(jìn)行尋優(yōu)，證明了改進(jìn)網(wǎng)格尋優(yōu)法找到的最優(yōu)參數(shù)取值組合對(duì)應(yīng)的最優(yōu)識(shí)別準(zhǔn)確率要高于經(jīng)驗(yàn)設(shè)置參數(shù)值對(duì)應(yīng)的識(shí)別準(zhǔn)確率。
　　3.設(shè)計(jì)實(shí)現(xiàn)了PCNN人臉圖像識(shí)別應(yīng)用平臺(tái)，平臺(tái)包括人臉圖像數(shù)據(jù)采集模塊、PCA