基于PCNN 的人臉圖像的分割

【摘要】人臉?lè)指钍侨四樂(lè)治龅囊粋€(gè)重要步驟，同時(shí)也是一個(gè)非常困難的問(wèn)題。針對(duì)這種問(wèn)題，本文應(yīng)用了脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）的分割方法，對(duì)人臉表情數(shù)據(jù)庫(kù)JAFFE進(jìn)行了分割。與其他方法相比，這是一種依賴于圖像的自然屬性具有重要發(fā)展前景的圖像分割方法。實(shí)驗(yàn)證明，該算法對(duì)后續(xù)的人臉表情識(shí)別很有效。

【關(guān)鍵詞】脈沖耦合神經(jīng)網(wǎng)絡(luò)；人臉?lè)指睿凰惴?/p>

1、引言

人臉?lè)指畹闹匾院屠щy性，從20世紀(jì)70年代起就已經(jīng)引起人們的高度重視。本文應(yīng)用了基于脈沖耦合神經(jīng)網(wǎng)絡(luò)（pulse couple neural network， PCNN）的圖像分割方法。由于PCNN具有相似的神經(jīng)元同時(shí)發(fā)生脈沖，能夠彌補(bǔ)輸入圖像的空間不連貫和幅度上的微小變化，因此能夠較完整地保留圖像中的部分區(qū)域[1]信息。實(shí)驗(yàn)證明該方法用于人臉圖像分割能獲得令人滿意的分割效果。

2、 PCNN數(shù)學(xué)模型

PCNN最初是由Eckhorn、Johnson等人根據(jù)貓的大腦視覺(jué)皮層同步脈沖發(fā)放現(xiàn)象而提出的神經(jīng)元模型[2]。目前它已被成功地用于圖像分割[3]、圖像平滑、目標(biāo)識(shí)別等方面 。構(gòu)成PCNN的單個(gè)神經(jīng)元由突觸樹、鏈接調(diào)制和脈沖發(fā)生器三部分構(gòu)成。神經(jīng)元相應(yīng)的數(shù)學(xué)方程式如下：

PCNN神經(jīng)元接受反饋輸入 和鏈接輸入 ，然后在其內(nèi)部神經(jīng)元活動(dòng)系統(tǒng)形成內(nèi)部活動(dòng)項(xiàng) 時(shí)，PCNN產(chǎn)生輸出時(shí)序脈沖序列 。

3、基于PCNN的人臉?lè)指钏惴?/p>

神經(jīng)元與像素點(diǎn)一一對(duì)應(yīng)，需要首先將像素點(diǎn)灰度值作為外部刺激輸入到網(wǎng)絡(luò)中，具體算法步驟如下：

（1）初始化，讀入人臉圖像，將像素灰度值作為外界刺激信號(hào) 輸入網(wǎng)絡(luò)，返回雙精度的值X（1≤i≤M-1，0≤j≤N-1，本文圖像大小為256×256），設(shè)初始化迭代變量n=1；

（2）由式（1）～式（5）求出每個(gè)神經(jīng)元的反饋輸入

，動(dòng)態(tài)閾值 ；

（3）改變迭代變量的值，n=n+1；若n小于設(shè)定的迭代次數(shù)，轉(zhuǎn)到步驟（2），否則執(zhí)行步驟（4）；

（4）輸出的 即為圖像分割結(jié)果。

4、實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)中，采用的人臉表情數(shù)據(jù)庫(kù)來(lái)源為日本Kyushu大學(xué)的JAFFE （ Japanese Female Facial Expression）數(shù)據(jù)庫(kù)[4]。JAFFE數(shù)據(jù)庫(kù)包含213張女性人臉表情圖像，共計(jì)10人。我們對(duì)這213幅圖像（大小均為256×256）在Matlab7.0平臺(tái)上進(jìn)行了仿真試驗(yàn)。并與閾值分割、四叉樹分割進(jìn)行了比較，實(shí)驗(yàn)結(jié)果如圖1所示。

圖1 實(shí)驗(yàn)結(jié)果比較

實(shí)驗(yàn)仿真結(jié)果表明，在邊緣分割效果上，PCNN算法明顯優(yōu)于四叉樹分割。在目標(biāo)和背景的分離方面，PCNN算法明顯優(yōu)于閾值分割。PCNN算法對(duì)圖像一些邊緣的分割效果很好，對(duì)后續(xù)的表情識(shí)別很有效。本文算法克服了以往的閾值分割方法對(duì)于背景和目標(biāo)灰度范圍有很大重疊的圖像分割效果不好的缺點(diǎn)。

5、結(jié)論

PCNN是一個(gè)單層神經(jīng)網(wǎng)絡(luò)，具有動(dòng)態(tài)閾值、脈沖耦合、相乘調(diào)制、同步發(fā)放脈沖等特性，使之在進(jìn)行圖像分割時(shí)，不僅效果好，而且速度快。本文對(duì)人臉圖像進(jìn)行分割的實(shí)驗(yàn)正確率可達(dá)90%以上。但通過(guò)本次應(yīng)用也發(fā)現(xiàn)，PCNN在滿足不同應(yīng)用目的時(shí)，其網(wǎng)絡(luò)參數(shù)及迭代次數(shù)如何自動(dòng)選取的問(wèn)題，還需要深入地研究，以便PCNN能得到更廣泛的應(yīng)用。

【參考文獻(xiàn)】

[1]Kuntimad G， Ranganath H S. Perfect image segmentation using pulse coupled neural networks[J]. IEEE Transactions onNerualNetworks，1999（3）： 591～598.

[2]Eckhorn R， Reiboeck H J， ArndtM， et al. Feature linking via synchronization among distributed assemblies： Simulation of results from cat cortex[J]. Neural Computation， 1990（3）： 293～307.

[3] Gu X D， Guo S D， Yu D H， et al. A new approach for automated image segmentation based on unit linking PCNN [ A ]. In： Proceedings of 2002 International Conference on Machine Learning and Cybeme tics[C]， Beijing， 2002： 175～178.

[4]MICHAEL JL， BUDYNEK J， AKAMATSU S. Automatic classification ofsingle facial images[J]. IEEE Transactions on PatternAnalysis and Machine Intelligence， 1999（12）： 1357～1362.