基于小波變換與脈沖耦合神經網絡的人臉識別①

何世強,劉金清,劉 引,蔡淑寬,陳存弟,周曉童,鄧淑敏,吳慶祥

(福建師范大學 光電與信息工程學院 醫(yī)學光電科學與技術教育部重點實驗室,福州 350007)

基于小波變換與脈沖耦合神經網絡的人臉識別①

何世強,劉金清,劉 引,蔡淑寬,陳存弟,周曉童,鄧淑敏,吳慶祥

(福建師范大學 光電與信息工程學院 醫(yī)學光電科學與技術教育部重點實驗室,福州 350007)

脈沖耦合神經網絡(Pulse Coupled Neural Network,PCNN)是基于生物視覺特性而提出的新一代人工神經網絡,它在數字圖像處理及人工智能等領域具有廣泛應用前景.本文通過研究PCNN理論模型及其工作特性的基礎上提出了一種提取人臉特征的方法.首先利用小波變換提取人臉圖像低頻特征,降低人臉圖像的維度,然后利用簡化的PCNN提取小波低頻系數重構后的人臉圖像的相應時間序列,并以此作為人臉識別的特征序列.最后利用時間序列和歐式距離完成人臉的識別過程.本文通過ORL人臉庫進行實驗證明了該方法的有效性.

脈沖神經網絡; 人臉識別; 小波變換; 時間序列; 歐氏距離

人臉識別,是一種基于人臉部信息進行識別的生物特征識別技術.人們在鑒定一個人的身份時,一般都是通過人臉來判斷的,人們從人臉獲得的判別信息達到90%以上.這給人臉識別技術的發(fā)展提供了理論依據.人臉識別相對于其它生物特征識別(掌紋、指紋、虹膜等)具有方便、友好、不用接觸就能獲取信息等優(yōu)點,人臉識別廣泛應用于刑偵破案、門禁系統(tǒng)、網絡應用、支付系統(tǒng)等等,是數字圖像處理和機器視覺領域的研究熱點[1].在國內外有許多的研究人員在人臉識別上做了大量的研究并提出了許多有意義的算法.雖然人臉識別技術已經取得可喜的成果,但是由于人臉的復雜性,在實際應用中仍然面臨著許多嚴峻的問題,因此對人臉識別進行研究具有重要意義.目前主要的人臉識別方法有:基于幾何特征的方法[2]、基于子空間分析的方法[3]和基于神經網絡的方法[4]等.

人臉主要由眼睛、鼻子、嘴巴、下巴等器官構成.正是由于這些器官的形狀、大小以及結構上的差異使得人臉千差萬別,也正是這些差異為人臉識別幾何特征提取奠定了理論基礎,它主要是根據人臉的輪廓及曲線來確定若干顯著點,并利用這些特征點作為識別特征,該方法在表情變化、姿態(tài)變化和光照變化條件下很難提取穩(wěn)定的特征點.子空間方法作為一種流行的人臉識別方法,它利用線性或非線性的空間變換,使數據在映射在相應的子空間內降低數據的維度以便實現更好的模式分類,如基于線性變換的PCA[5]、ICA[6]和LDA[7]等.但這些方法對圖像旋轉和畸變的適應性較差.神經網絡的方法利用神經網絡具有學習和非線性分類的能力來實現人臉識別,它相對于其它識別方法具有獨到的優(yōu)點,它避免了復雜的特征提取工作,可以用神經網絡的學習過程來獲得人臉的規(guī)律特征,常用神經網絡有BP神經網絡和SOM神經網絡等.但這些傳統(tǒng)的神經網絡模型在樣本學習過程中,容易出現過擬合的現象,而且需要較長的網絡訓練時間.

脈沖耦合神經網絡[8]是基于觀測貓的大腦視覺皮層與視覺感知特征相關的神經元同步行為而提出的一種新型人工神經網絡模型,它是一種單層的,以迭代為主的自監(jiān)督自學習神經網絡模型.與傳統(tǒng)的神經網絡相比它不需要提前進行訓練并且具有很好的旋轉、平移、縮放不變特性[9].本文通過分析簡化的脈沖耦合神經網絡模型提出了一種基于小波變化與脈沖耦合神經網絡相結合的人臉特征提取方法.該方法利用脈沖耦合神經網絡模擬生物的視覺感知過程,將人臉分解為若干個二值圖像,提取每幅圖像的時間序列[10]作為人臉識別的特征,利用歐式距離進行分類識別,仿真實驗證明了該方法的有效性.

1 基于小波變換特征提取

1.1 小波變換原理

小波分析是數學領域的一個新的分支,它是泛函分析、Fourier分析、樣條分析、數值分析的完美結晶.小波變換的實質是對信號用一組不同尺度的高通和低通濾波器組進行濾波,將信號的高頻和低頻信息分解到不同的頻帶上進行分析處理,然后重復以上過程,直到達到設定的閾值為止.與傅里葉變換相比,小波變換是時域和頻域的局部變換,因而能從信號中有效地提取信息,通過伸縮和平移等運算對信號進行多尺度分析,克服了傅里葉變換的窗口大小不能隨頻率變換的缺點,被譽為“數學顯微鏡”.小波分析在信號處理、圖像分析、非線性科學等領域已有重大突破,成為了20世紀最輝煌的科學成就之一[11].

小波變換是通過對基本小波進行尺度伸縮和位移得到的.基本小波是一個具有特殊性質的實值函數,其振蕩快速衰減,且在數學上滿足積分為零的條件,即:

其頻譜滿足條件:

即基本小波在頻域也具有較好的衰減性質.

小波基函數是通過尺度因子和位移因子由基本小波產生的,即:

其中,a 為尺度因子,b 為平移量.由表達式可以得出,在連續(xù)變化的a,b值下具有很強的關聯性,因此,小波變換系數的信息量是冗余的,而冗余信息不利于對信號的分析和處理,所以對尺度和時移參數進行離散化后,再進行小波重構.

1.2 小波的圖像壓縮技術

所謂的圖像壓縮就是去掉冗余的信息而保留重要的信息.在給定的原始圖像中往往存在著許多冗余的信息(如空間冗余、時域冗余、頻域冗余、信息熵冗余等等).對人臉圖像進行小波壓縮,不僅可以降低人臉圖像的數據維度,加快后續(xù)過程的處理速度,同時能夠提取圖像的主要特征.小波基的選擇、分解層數的確定和分解子圖的選取是小波變換應用于人臉識別中的幾個關鍵問題,對識別效果有著非常重要的影響.針對以上幾個問題,當前還沒有很好的理論指導和解決方案,本文在的實驗的基礎上本文通過實驗比較選取的小波濾波器組為db1小波.

一幅二維圖像經過一次小波變換之后,可以得到低頻區(qū)域LL,高頻區(qū)域HH、LH、HL四個區(qū)域,如圖1(a)所示,其中低頻區(qū)域表示近似分量,為原圖像的平滑圖像,高頻區(qū)域分別表示水平分量、垂直分量和對角分量.

對于圖像信號,小波變換要經過一次行變換和一次列變換來完成.對于圖像,小波系數的空間分布同原始圖像的空間分布的對應關系為:LL頻帶是圖像內容的縮略圖,它是圖像數據能量集中的頻帶.而LH、HL和HH頻帶存放的是圖像的細節(jié)信息.

二維小波分解遞推公式如下所示:

公式中 Cj,m,n是圖像的低頻分量,它包含了圖像的主要能量,表示的是圖像的主要信息.和是圖像的高頻分量,表示了圖像在水平方向、垂直方向和對角方向上的細節(jié)分量.人臉圖像經過一次小波分解及重構后的圖像如圖1(b-d)所示.

圖1 小波分解及低頻重構圖

2 脈沖耦合神經網絡

1990年,Eckhorn在研究貓視覺皮層研究中發(fā)現了視覺皮層神經元同步脈沖發(fā)放現象; 1993年Johnson在Eckhorn的基礎上提出了脈沖耦合神經網絡模型,被廣泛應用于圖像分割[12]、圖像融合[13]及目標檢測[14]等領域.由于原始的脈沖耦合神經網絡參數多,不易優(yōu)化,許多科學研究者在保留脈沖耦合神經網絡的視覺信息處理的基礎上對脈沖耦合神經網絡進行了簡化,其中比較流行的一種模型如圖2所示.

簡化的脈沖耦合神經網絡模型的數學表達式如下所示:

由圖2可知簡化脈沖神經網絡主要由三部分組成:接收域、調制域和脈沖產生器三部分組成.相對于原始的脈沖神經網絡模型,簡化的脈沖耦合神經網絡模型的參數個數較少,保留了原始模型的雙通道調制、動態(tài)閾值和時空累加特性.可以更快更有效地對圖像進行處理.在簡化的PCNN中,接受域把外部信號激勵Iij作為神經元的反饋通道的輸入項,神經元的脈沖發(fā)生器部分仍然由內部活動項Uij和變化的閾值θij構成,當閾值大于神經元內部活動值時,脈沖發(fā)放器被關閉,閾值按照指數規(guī)律衰減.當閾值衰減到小于內部狀態(tài)值時,脈沖發(fā)生器就會被重新被激活,此時神經元就會再次輸出脈沖.所以總的來說,簡化的脈沖耦合神經網絡具有非線性的雙通道調制和變閾值特性,在這點上它和標準的脈沖耦合神經網絡是一致的,也是和傳統(tǒng)神經網絡的重要區(qū)別.

圖2 簡化 PCNN 模型

3 脈沖耦合神經網絡人臉特征提取

將人臉圖像的每個像素點都與一個神經元相對應建立一個與人臉圖像大小相同的神經網絡,一幅二維圖像輸入到PCNN后會輸出一幅代表二值圖像的脈沖序列,這些圖像序列像攜帶了原始圖像中大量的有效特征信息,但它們的維度較大,不適宜直接進行模式分類.如果對這些二值圖像依照迭代順序進行求和運算,則可將這些二值圖像信息轉化為一個一維的時間序列G(n),稱為振蕩時間序列,其數學表達式如下:

時間序列將二維圖像信息轉化為了長度為n的一維向量信息,在實現圖像特征提取的同時也實現了數據降維.Johnson在實驗中證明了每一幅圖像具有唯一性,這為基于圖像的時間序列進行人臉識別提供了可能.

圖3中的人臉圖像S10_1和S10_2屬于同一個人,而人臉S09_1為另一個人,由圖中可知PCNN的時間序列不僅實現了數據的降維,而且同一個人的不同圖像的時間序列表現出較好的一致性,而不同人臉圖像的時間序列曲線有很大的差異.

圖3 人臉圖像及時間序列圖

將同一個人的人臉圖像經過縮放、旋轉幾何變換所對應的時間序列如圖4所示,由圖中可知同一幅圖像經過縮放、旋轉幾何變換后它們的時間序列形狀幾乎沒發(fā)生任何變化.由于時間序列是對脈沖數的統(tǒng)計,它的幅值與圖像的大小有很大的關系,所以當對圖像進行縮放時,時間序列的幅值發(fā)生了變換,但是形狀是相對穩(wěn)定的.這個實驗說明了圖像的時間序列在對圖像進行放大、縮小和旋轉具有很好的適應性.

4 人臉識別過程

由前面幾節(jié)的分析可知,人臉圖像經脈沖耦合神經網絡提取的時間序列是人臉有效的鑒別特征.而脈沖耦合神經網絡需要對整幅圖像的像素點進行迭代處理,而小波變換在保持圖像主要能量的基礎上,不僅能達到對圖像數據的壓縮,加快后續(xù)過程的處理速度,而且還能模糊人臉表情的變化提高識別率.因此本文提出了如圖5所示的基于小波變換及脈沖耦合神經網絡的人臉識別系統(tǒng).

圖4 人臉圖像幾何變換時間序列圖

圖5 人臉識別系統(tǒng)框圖

圖5 所示的系統(tǒng)中,首先將人臉圖像的訓練集和測試集圖片先經過小波的濾波器組提取人臉圖像的低頻成分,然后送入脈沖耦合神經網絡中提取相應的時間序列,然后計算測試圖像和訓練圖像的時間序列之間的歐式距離最小值所屬的類,該類即為測試的人臉圖像所屬的類.

與傳統(tǒng)的神經網絡相比,脈沖耦合神經網絡的神經元不需要通過人臉圖像來進行訓練,而且脈沖耦合神經網絡達到了人臉特征的提取和數據的降維作用.

5 實驗仿真及結果分析

仿真實驗平臺為PC和MATLAB2014b軟件編程實現,在ORL人臉庫(包括40個人共200幅的256級灰度圖像,這些圖像具有不同的角度、縮放和面部表情變化)中選擇每個人的前n幅圖像作為訓練集,剩下的10-n幅作為測試圖像進行實驗.脈沖耦合神經網絡神經元的參數設置為 W=[0.5 1 0.5; 1 0.5 1; 0.5 1 0.5],α=0.1,β=0.257,VL=1,Vθ=1.1847,θ(0)=1.1,迭代次數N=25.

為了考察本文算法與不經過小波變換處理直接利用脈沖耦合神經網絡進行特征提取時間復雜度和識別率的差異,分別對兩種方法在訓練樣本數為n=5的情況下進行了實驗比較,具體結果如表1所示.

另外,本文取單個人臉訓練樣本數為2、3、4、5,四種情況下將歐式距離改為余弦距離進行分析比較,結果如表2所示.

表1 本文算法與 PCNN 算法比較

表2 余弦距離與歐式距離的比較

從表2中的結果顯示可知,只有當n=2時,余弦距離測度下人臉識別率要高于歐式距離的識別率,而在其它情況下利用歐式距離測度函數識別率都明顯高于余弦距離測度函數.

最后,在訓練樣本為5的條件下,本文算法與傳統(tǒng)算法再識別率上進行比較,其結果如表3所示,顯然本文算法的識別率要優(yōu)于表中所列.

表3 本文算法與其它算法的比較

實驗結果表明,本文提出的算法相對于單獨使用PCNN不僅降低了時間成本,而且在識別率上有所提高.而且相對于某些傳統(tǒng)的人臉識別算法(PCA、DCT和LBP)表現出了更好的識別效果,驗證了本文的算法的有效性.

1毛亮,李立琛.淺談人臉識別技術.中國公共安全,2014,(10):121–123.

2Lu GC,Lin CY.PCA based immune networks for human face recognition.Applied Soft Computing,2011,11(2):1743–1752.[doi:10.1016/j.asoc.2010.05.017]

3Shao H,Chen S,Zhao JY,et al.Face recognition based on subset selection via metric learning on manifold.Frontiers of Information Technology & Electronic Engineering,2015,16(12):1046–1058.

4祁彥慶,汪烈軍,吳生武.一種基于稀疏表達和神經網絡的人臉識別算法.計算機應用與軟件,2016,33(10):172–175.[doi:10.3969/j.issn.1000-386x.2016.10.038]

5Shchegoleva NL,Kukharev GA.Application of twodimensional principal component analysis for recognition of face images.Pattern Recognition and Image Analysis,2010,20(4):513–527.[doi:10.1134/S1054661810040127]

6郭雅楠,李鴻燕.基于ICA和GSPSO-SVM的人臉識別方法.計算機工程與設計,2014,35(12):4302–4305,4310.[doi:10.3969/j.issn.1000-7024.2014.12.047]

7張燕平,竇蓉蓉,趙姝,等.基于集成學習的規(guī)范化 LDA 人臉識別.計算機工程,2010,36(14):144–146.[doi:10.3969/j.issn.1000-3428.2010.14.052]

8馬義德,李廉,王亞馥,等.脈沖耦合神經網絡原理及其應用.北京:科學出版社,2006.

9聶仁燦,姚紹文,周冬明,等.基于簡化脈沖耦合神經網絡的人臉識別.計算機科學,2014,41(2):297–301.

10趙光蘭,周冬明,趙東風,等.脈沖耦合神經網絡的人臉識別方法.云南大學學報(自然科學版),2011,33(2):141–146.

11岑翼剛,陳曉方,岑麗輝,等.基于單層小波變換的壓縮感知圖像處理.通信學報,2010,31(8A):52–55.

12魏偉一,李戰(zhàn)明.基于改進PCNN和互信息熵的自動圖像分割.計算機工程,2010,36(13):199–200.[doi:10.3969/j.issn.1000-3428.2010.13.071]

13陳粟宋.一種融合PCNN和Watershed變換的圖像分割方法.武漢大學學報(工學版),2011,44(2):269–272.

14嚴春滿,郭寶龍,易盟.基于改進LP變換及自適應PCNN的多聚焦圖像融合方法.控制與決策,2012,27(5):703–707,712.

Face Recognition Based on Wavelet Transform and Pulse Coupled Neural Network

HE Shi-Qiang,LIU Jin-Qing,LIU Yin,CAI Shu-Kuan,CHEN Cun-Di,ZHOU Xiao-Tong,DENG Shu-Min,WU Qing-Xiang

(Key Aboratory of OptoElectronic Science and Technology for Medicine of Ministry of Education,College of Photonic and Electronic Engineering,Fujian Normal University,Fuzhou 350007,China)

Pulse Coupled Neural Network (PCNN)is a new generation artificial neural network (ANN)based on biological vision.It has wide application prospects in the field of digital image processing and artificial intelligence.In this paper,we propose a method to extract face features by studying PCNN theoretical model and its working characteristics.Firstly,the low frequency feature of face image is extracted by wavelet transform.Then,the simplified PCNN is used to extract the corresponding time series of face image reconstructed by wavelet low-frequency coefficient,which is used as the feature sequence of face recognition.Finally,the face recognition process is completed with time series and Euclidean distance.In this paper,we demonstrate the effectiveness of the method with ORL face database.

pulsed neural network; face recognition; wavelet transform; time series; Euclidean distance

劉金清,E-mail:jqliu8208@fjnu.edu.cn

何世強,劉金清,劉引,蔡淑寬,陳存弟,周曉童,鄧淑敏,吳慶祥.基于簡化脈沖耦合神經網絡的人臉識別.計算機系統(tǒng)應用,2017,26(9):214–218.http://www.c-s-a.org.cn/1003-3254/5944.html

國家自然科學基金(61179011); 福建教育廳項目(JAS151254); 福建師大項目(I201502019)

2016-12-25; 修改時間:2017-01-23; 采用時間:2017-08-15