脉冲耦合神经网络在人脸识别中的应用

    陈国镇 陈丽娟

    

    摘 要：脉冲耦合神经网络（PCNN）是基于对猫的视觉皮层神经元脉冲同步振荡现象的研究而得来的神经网络模型，本文对PCNN基本理论进行详细阐述，并详细介绍了PCNN的几个基本特性，其次概要性地介绍了几种图像预处理技术并且通过实验来说明。最后阐述了人脸识别中使用PCNN的可操作性，并通过计算机仿真实验证明了这一结论。

    关键词：脉冲耦合神经网络；人脸识别；图像预处理；振荡时间序列

    0 引言

    随着社会文明的不断进步与发展，近年脉冲耦合神经网络模型（PCNN）在科研界刮起一股巨浪，这是一种被叫做第三代新型人工神经网络的模型。PCNN它运行起来更像真正的神经元，比传统的神经网络性能更好。脉冲神经元可以较好地模拟以脉冲激发时间为输入和输出的生物神经元，这可以为更有效地模拟人工智能奠定基础。人脸识别主要是由训练和识别两个部分组成，它的主要过程是特征的选取与输出，主要使用的方法有一类多元数据分析领域的统计性分析法、线性判别分析法、独立主元分析法以及脉冲神经网络分析法等。本文综合脉冲神经网络分析法来进行人脸的特征选择与特征提取。

    1 基本模型

    1994年，为了使先前发现的神经网络模型更好地应用在图像处理中，将其做了一些适当的修改，从而产生了许多的变形，这些变形模型和最初的神经网络一起被统称为脉冲耦合神经网络，即PCNN，它能够完成一些更复杂的逻辑运算，例如图像的去噪、分割、滤波等。

    脉冲耦合神经网络是单层的二维神经网络，它是由多个脉冲耦合神经元（PCN）并联组成，每一个神经元通过一定的链接权值来与周围的神经元相关联。当对图像平面输入图像时，每个神经元的位置代表一个像素点，它通过图像像素的反馈输入，同时接收其他相关联的神经元的链接输入，以此用链接机制产生脉冲，从而根据这些脉冲的同步性来实现图像的处理。图像的接收如下图1所示。

    2 基本特性研究

    跟传统的反馈型神经网络相比，脉冲耦合神经网络更加相似于真实生物的神经网络。神经元的组成部分相较于其他网络就有很大的不同，例如在神经元内部行为的乘积耦合、变阈值特性、输入的加权求和等，所以PCNN的基本特性就包含以下几点。

    2.1 动态神经元

    在以往的神经网络中，对输入信号进行加权求和，然后再直接与阈值相对比。但在PCNN中，阈值则是与输入信号和突触通道的脉冲响应函数的乘积相对比。并且在PCNN模型中神经元的阈值是随时间动态变化的，不是一个固定的数值，如果神经元点火阈值则会迅速增大，并且为了确保神经元不会立即再次触发，阈值会呈指数级下降，当低于内部活动时，神经元会再次触发。阈值的变化与神经元前一刻的阈值和电流输出相关。

    2.2 时空总和特性

    在PCNN网络中，同步脉冲发射特性是一种静态特性，动态特性包含动态脉冲发射特性。输入信号的空间特性是由静态特性来反映的，相反的输入信号的时间特性则是由动态特性反映；通俗地说，PCN不仅有输入信号的空间特性，还有从神经元内部电容积分产生的时间特性。

    2.3 动态脉冲发放特性

    动态脉冲发放的根源其实是PCNN中神经元的变量阈值，神经元点火过程就是神经元会输出一个脉冲，这个脉冲是因为高低电平转换产生的。如果将输入信号看作是由突触通道和输入信号的相乘所得的结果相加，那么当阈值比输入信号高时，神经元被激活产生高电平，阈值又与电平正相关，当阈值比输入信号低时，神经元便从高电平转为低电平。

    2.4 同步脉冲发放特性

    PCNN是单层的二维神经网络，它是由多个PCN并联组成，每一个神经元通过一定的链接权值来与周围的神经元相关联。当一个PCN点火时，PCNN会将输入信号的一部分送到其周围的神经元上，从而能够让相邻的神经元点火速度更快，因此在这周围的神经元会被大量激发，形成提前点火的现象，就像是同步振荡。这就成了PCNN被图像处理所青睐的原因，这一性质的运用对于图像平滑、分割、图像融合等都起了重要作用。

    2.5 波的形成与传播

    在上面一点中，假如神经元的点火机制在一段时间内被镇压，但是它在这段时间内被周围相连接的神经元激活而发生点火，这一过程重复发生，那么这个神经元的点火所产生的输出结果就不断向外发放和传播，这就形成了一个类似于水滴在平静水面现象的振动波。因此网络中传播波的形成和传播特性是与同步脉冲发放特性有关的。

    3 人脸识别结构框图

    人脸识别主要是由训练和识别两个部分组成的，它的步骤一般可以分成以下几步：先对图像进行预先处理，以保证获取的图像质量高，常常会对图像进行滤波处理、归一化、直方图修正等方法来进行处理；然后进行特征选择和提取，这是人臉识别过程中的核心步骤，常采用的特征有几何特征和代数特征；其次把训练样本与测试样本的特征提取值都送入分类器做识别分类。图2为上述步骤的具体展示

    4 图像预处理

    我们在现实生活中，在获取图像时会因为各种原因产生严重失真，因此我们在研究图像前，会先对原始图像进行预处理。常使用滤波、直方图修正、灰度变换以及几何归一化等图像预处理方法。

    4.1 图像滤波

    在研究过程中，人脸图像会因为设备的影响而遭到各种噪声的干扰。这些噪声会导致提取到的特征质量降低，所以在预处理阶段就需要通过图像滤波来消除图像的噪声。图像滤波的方法可分为高斯滤波、维斯滤波等

    4.2 直方图修正

    在收集人脸图像的过程中，会由于设备和亮度等的影响，出现过亮或者过暗的曝光现象，这对提取特征造成严重干扰。因此便可以通过直方图修正降低光照和设备在识别过程中的不利影响，来保证识别精度的高效率。直方图修正是将图像灰度级密集分布的现象通过函数改变为均匀分布，这样使图像灰度分布扩大，增强了对比度。如图3所示

    实验结果表明，直方图修正图像相较于原始灰度图像的对比度大大加强，图片的亮度范围也变得更加均匀，直方图修正后的人脸轮廓与细节信息更加清晰。

    5 实验结果及分析

    在表1中，n在15到35之间识别率与n是呈正相关的，当n超过40后，虽然识别率平均还高达91%左右，但是仍呈下降趋势。当n取35时其识别率达到最大，数值是95.65%，所以在实验中n=35是迭代次数最合理的值。

    6 总结

    本文主要介绍了脉冲耦合神经网络的基本模型，详细探讨了脉冲耦合神经网络具有的基本特性，说明了人脸识别的步骤和框图，并且对图像预处理进行了详细的演示，最后通过计算机仿真实现了PCNN的人脸识别方法。由于实验条件和时间的限制，本文的研究还存在较多的不足之处，还有很多地方需要提高与探讨。

    参考文献：

    [1]张振敏.基于脉冲神经网络的纹理图像识别研究[D].福建师范大学硕士学位论文，2016 .

    [2]程园园.基于脉冲耦合神经网络的图像高斯噪声和混合噪声滤波研究[D].云南大学硕士学位论文，2012.

    [3]贾大伟.基于人工神经网络的人脸图像识别技术研究[D].山东师范大学硕士学位论文，2013.

    [4]陈丽娟.基于脉冲神经网络的车牌识别系统的设计与实现.福建：福建师范大学，2015.

    [5]聂仁灿，姚绍文，周冬明.基于简化脉冲耦合神经网络的人脸识别[J].计算机科学，2012，41（2）：297-301.

    [6]蔺想红，王向文，张宁.脉冲神经网络的监督学习算法研究综述[J].电子学报，2015，43（3）：577-586.