基于强度PCNN的静态图像人脸识别

常 莎,邓红霞,李海芳

(太原理工大学 计算机科学与技术学院,太原 030024)

基于强度PCNN的静态图像人脸识别

常 莎,邓红霞,李海芳

(太原理工大学 计算机科学与技术学院,太原 030024)

为了减少人脸图像中姿势、表情和光照等因素对人脸识别的影响,引用了一种基于脉冲发放强度的脉冲耦合神经网络(PCNN,pulse coupled neural network)的人脸特征提取方法。不同人脸图像具有不同的灰度特征,将人脸图像输入PCNN模型后可以得到各个图像特定的脉冲发放强度矩阵。实验利用脉冲强度矩阵作为人脸特征,并结合距离分类器——余弦距离进行人脸识别。仿真实验表明,基于强度PCNN模型提取的特征能刻画出人脸的细节，对于不同姿势、表情及面部明显遮挡物的人脸图像，具有较好的识别结果。该方法对于复杂人脸图像特征的提取，具有较强的鲁棒性。

脉冲耦合神经网络(PCNN);人脸识别;特征提取;余弦距离

近年来,人脸图像识别技术已经日益成熟,并且广泛应用于众多领域中,例如企业领域中的考勤系统以及军事领域中的犯罪嫌疑人图像确认等[1]。尽管在人脸识别方面已经提出了许多方法,但是由于其固有的复杂性和环境变化的影响(如光照条件变化)、主体行为(如面部表情、面部遮挡),人脸识别仍然是一个未解决的问题[2]。

目前，最常用基于子空间的特征提取算法主要有principal components analysis(PCA)[3],independent components analysis(ICA)[4]和linear discriminant analysis(LDA)[5]以及在这些算法基础上改进的一系列新的特征提取方法,这些方法的最终目的就是把原始高维数据投射到一个维数较低的特征空间然后进行人脸识别。提取特征之后,就需要利用分类器进行身份识别,常用的分类器为SVM[6],也有基于距离(如欧氏距离、余弦距离等)的分类器。

PCNN模型是由Eckhorm et al国外研究人员提出的一种新型的生物神经网络模型[7]。它是一种无监督学习的网络,不需要提前进行训练,而且对图像处理具有很好的旋转不变性、平移不变性、尺度缩放不变性和信号强度不变性,这一模型已经广泛应用在图像分割[8]、图像融合[9]、图像滤波等领域。随后,云南大学周冬明等人利用平均点火时间序列[10]以及陕西师范大学王晅等人利用若干二值图像的信息熵序列[11-12]作为人脸特征来实现身份识别。

由于标准的PCNN模型需要较多的参数设置,且基于N次迭代产生的二值图像提取的点火时间序列和信息熵序列特征均是一种面的效果,表示的是图像整体的特征,不能反应人脸图像中的细节边缘或点的变化,因此,笔者在简化的PCNN模型上引用了一种基于脉冲发放强度的PCNN模型。该模型将人脸图像中的每个像素点经PCNN处理后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强度矩阵与各个身份的平均脉冲强度矩阵之间的余弦距离来判断其所属身份类别。

1 脉冲耦合神经网络

1.1 简化的PCNN模型

PCNN模型是一个二维人工神经网络,由多个神经元相互链接构成且是单层多参数的模型。传统的PCNN模型中包含较多的参数,因此对这些参数的设置将是一项十分繁琐和复杂的任务。相比之下,简化的PCNN模型可以更快、更有效地对图像进行处理[13]。简化PCNN模型中的每个神经元由三部分组成,即接受域(F和L通道)、调制域和脉冲产生部分。其简化模型如图1所示。

图1 简化的PCNN模型

模型采用的离散方程如下所述：

(1)

(2)

(3)

(4)

(5)

式中：n为迭代次数；M为内部连接矩阵,邻域的大小一般为3×3；Iij为神经元外部脉冲输入信号；Fij(n)为神经元的反馈输入；Lij(n)为线性链接输入；Uij(n)为经过调制后的神经元内部活动项；Yij(n)为脉冲输出,其值为0或1；θij(n)为动态阈值项。Fij(n)在接收到外部刺激Iij后,在神经元内部与Lij(n)链接形成Uij(n),当其大于动态阈值θij(n)时,PCNN会产生脉冲,Yij(n)的值为1,反之为0。

1.2 基于强度的PCNN模型

基于PCNN模型提取图像特征的方法简单可行,模型中的每个神经元被视为所输入图像中的一个像素,神经元数目始终与所要处理图像中的像素点一一对应,因此PCNN的结构更适合图像处理。当PCNN模型中的神经元在接受到外部不同的刺激(Iij)后,均会产生脉冲,但是产生的Uij(n)值大小却各不相同,也就意味着Uij(n)/θij(n)的值也不相同,我们把这个比值称之为神经元的脉冲发放强度。每幅人脸图像均有其特定的灰度刺激,因此产生的脉冲强度矩阵都可以代表其自身特性。

将上述简化模型中的式(4)改进如下:

(6)

式中：Qij(n)表示每次迭代过程中各个神经元的脉冲发放强度；参数Uij(n)和θij(n)与式(4)中含义相同。

PCNN模型主要用于灰度图像的处理,图像的个性特征主要体现在各个像素之间的空间分布关系,不同的人脸图像其像素的灰度值分布各不相同。图像在经过强度的PCNN模型处理后,使得各个神经元在自身和周围神经元的耦合作用下得到其脉冲发放强度,此时输出的脉冲发放强度极大程度的保留了人脸图像信息,不仅反应了人脸图像的灰度分布情况,还包含了图像中相邻像素之间的空间几何特性。由于脉冲发放强度矩阵与图像的大小相同,产生的数据量较大,所以对人脸图像进行缩放变换预处理,将原始图像按照指定的比率缩小,使得像素的灰度值是按照相同的规律的变化的,预处理后的图片在人眼中的视觉效果与原图像并无差别。

在PCNN模型中,对于图像的缩放,其点火时间序列和脉冲发放强度具有很好的不变性,图2-a为原始人脸图像,图2-b和图2-c分别为图2-a所对应的点火时间序列图和脉冲发放强度图,图2-b中的点火时间信号只记录了每次迭代过程中被点火的神经元总数,是一种关于图像整体灰度的特性,无法体现出人脸图像中灰度的细微变化,而图2-c中的脉冲发放强度记录了每个像素点的脉冲发放信息,除了刻画了图像的整体布局,还反应了其细节变化。

图2 同一幅图像的点火时间序列特征和脉冲发放强度特征

2 仿真实验

2.1 数据库介绍

实验采用ORL和Yale人脸数据库来验证算法的有效性。ORL人脸数据库中包含40个人共400张人脸灰度图像,在每个人的10张图像样本中无论人脸姿势、表情均无相同之处，在此库中分别选取40个身份的前5幅图像作为训练集样本，剩余的全部人脸图像作为待识别测试集。Yale数据库中包含了15个人共165张人脸图像,随机选取数据库中每个人的前N张图片作为样本集,共15×N张,剩余的165-15×N张图像作为测试集。

2.2 强度PCNN模型中实验参数设置

文中所使用的基于强度PCNN模型中需要设定5个参数值,分别为M，N,β,αθ,vθ。PCNN模型中的参数取值,对于实验结果有着显著地影响,但目前为止仍然没有一种明确的方法来设置PCNN模型中的参数。实验经过多次调整参数,得到合适的PCNN参数值,如表1所示。

表1 强度PCNN模型中参数取值

连接矩阵M依赖神经元之间的距离,链接域为3,其连接强度计算公式如下：

(7)

2.3 人脸识别算法模型

实验均在Matlab平台下进行测试,首先利用改进的PCNN模型得到样本集中每个图像的强度矩阵,然后分别计算40个身份所有图像的平均强度矩阵Q0,并使用数字1～40对其身份进行标识,这个过程得到平均强度矩阵将作为模板存储下来。然后选择每个人剩下的图像进行身份识别,这些图像同样需要计算它们的强度矩阵Q1。最后通过计算测试图像的强度矩阵与已经存储的标准模板之间的余弦距离来进行身份识别。实验的算法模型如图3所示。

图3 人脸识别流程图

图4所示为ORL库中身份6(图4-a—图4-c)和身份8(图4-d—图4-f)的部分人脸对应的不同表情以及不同姿态的灰度图像,图5显示了图4中不同人脸图像所对应的PCNN脉冲发放强度图,其中横坐标代表脉冲发放强度值,纵坐标代表相同脉冲强度的神经元个数。

由图5可以看出,身份6中不同表情,不同姿势人脸图像对应的脉冲强度图5-a—图5-c比较相似；身份8不同表情、姿势人脸图像的脉冲强度图5-e—图5-g也非常相似。而身份6与身份8各自的平均脉冲强度图5-d与图5-h表现出很大的差异性。

图4 身份6和身份8的部分人脸灰度图像

图5 身份6和身份8的人脸图像对应脉冲强度图

3 实验结果与分析

首先在ORL人脸库中利用文本特征提取方法。与其他常见的基于子空间的特征提取方法进行比较,实验结果(如表2所示)可以看出基于强度PCNN的识别算法所提取的人脸特征在ORL人脸库中具有很好的识别结果。

表2 ORL人脸库实验结果 %

此外,为了进一步确认本文算法在图像识别方面的有效性,在Yale人脸库中使用本文提出的相同算法进行人脸识别,同样与其他子空间特征提取方法的识别结果进行了比较,其实验结果如表3所示。

表3 Yale人脸库中不同特征提取方法的识别结果 %

由表3可以看出,识别准确率随着训练样本数的增加而相应提高。当训练样本数较少时,表中前4种基于特征脸的识别算法准确率较低,但基于强度PCNN的识别算法即使在样本数较少的情况下,其识别性能明显优于其他算法。此外,还可以看出所有算法在Yale人脸库中的识别精度比ORL人脸库均有所下降,这种结果的产生主要是由于Yale人脸库中的人脸面部、头部大小、方向以及周围环境的变化比ORL人脸库中更为剧烈所造成的,且部分人脸样本中佩戴了眼镜,增大了识别难度。

4 结论

首先对采用的ORL和Yale人脸库中的图像按统一比率进行缩小变换,然后利用基于强度的PCNN模型得到各个图像特定的脉冲发放强度,并将其作为人脸图像特征进行身份识别。实验证明，该方法对于人脸图像中有明显遮挡物的图像,能有效的提取人脸特征,具有较强的鲁棒性,识别效率高于其他PCNN提取的特征。在今后的研究中,我们将会致力于处理更加复杂背景的人脸图像,提高算法的健壮性。

[1] 施为.公安系统人脸识别算法的研究与实现[D].南京：南京邮电大学，2013.

[2] Mohammed A A,Minhas R,Jonathan Wu Q M,et al.Human face recognition based on multidimensional PCA and extreme learning machine[J].Pattern Recognition,2011,44(10):2588-2597.

[3] Shchegoleva N,Kukharev G.Application of two-dimensional principal component analysis for recognition of face images[J].Pattern Recognition and Image Analysis,2010,20(4):512-527.

[4] Karande K J，Talbar S N，Inamdar S S.Face Recognition using Oriented Laplacian of Gaussian (OLOG) and Independent Component Analysis (ICA)[C]∥Digital Information and Communication Technology and it′s Applications (DICTAP)，2012 Second International Conference on.IEEE，2012:99-103.

[5] Lu G F，Zou J，Wang Y.Incremental complete LDA for face recognition[J].Pattern Recognition，2012，45(7):2510-2521.

[6] Li W，Liu L，Gong W.Multi-objective uniform design as a SVM model selection tool for face recognition[J].Expert Systems with Applications，2011，38(6):6689-6695.

[7] Johnson J L,Padgett M L.PCNN models and applications[J].IEEE Transactions on Neural Networks/a Publication of The IEEE Neural Networks Council，1998，10(3):480-498.

[8] Imamoglu N，Gomez-Tames J，Gonzalez J，et al.Pulse-coupled neural network segmentation and bottom-up saliency-on feature extraction for thigh magnetic resonance imaging based 3D model construction[J].Journal of Medical Imaging and Health Informatics，2014，4(2):220-229.

[9] Li M，Li Y J，Wang H M，et al.Fusion algorithm of infrared and visible images based on NSCT and PCNN[J].Opto-Electron.Eng，2010，37(6):90-95.

[10] Li H，Xu D，Zong R.Face recognition based on unit-linking PCNN time signature[C]∥Advanced Computer Control，2009.ICACC′09.International Conference on.IEEE，2009:360-364.

[11] 王 晅,杨 光.改进的脉冲耦合神经网络人脸特征提取方法[J].计算机工程与应用，2013，49(1):213-216.

[12] Li X，Zheng H，Liu C.Face recognition scheme based on HSI-PCNN[J].Journal of Multimedia，2013，8(5):573-579.

[13] Wei S，Hong Q，Hou M.Automatic image segmentation based on PCNN with adaptive threshold time constant[J].Neurocomputing，2011，74(9):1485-1491.

(编辑：朱倩)

Static Image Face Recognition Based on the Strength of PCNN

CHANG Sha,DENG Hongxia，LI Haifang

(CollegeofComputerScienceandTechnology，TaiyuanUniversityofTechnology，Taiyuan030024,China)

In order to reduce the influence of the change of face posture，facial expression and light in the face image on face recognition，a novel feature extracting method is quoted for face recognition based on the strength of Pulse Coupled Neural network (PCNN).Different face images have different grayscale characteristics,every image can form a specific pulse intensity matrix after being put into the new PCNN model.Experiments use pulse intensity matrix as facial features，and combine the distance classifier—cosine distance for face recognition.Simulation results show that，the characteristics extracted by the strength of PCNN model can portray the details of the face.For different posture,facial expression and facial mask of the face image,good recognition result is obtained.This method has strong robustness in the aspact of feature extraction for complex face image.

pulse coupled neural network(PCNN);face recognition;feature extracting; cosine distance

2014-08-28

国家自然科学基金资助项目：抑郁症EEG功能脑网络构建及异常特征分析研究(61373101);山西省自然科学(青年科技研究)基金资助项目(2014021022-5);山西省科技攻关基金资助项目(20130311037-4)

常莎(1990-)，女，山西晋中人,在读硕士，主要从事图像识别，智能信息处理的研究,(Tel)15536888650

李海芳(1963-)，女，教授，博士生导师，(E-mail)lihaifang@tyut.edu.cn

1007-9432(2015)01-0089-05

TP391

A

10.16355/j.cnki.issn1007-9432tyut.2015.01.018