熱門標簽:代寫本科論文 寫作發表 工程師論文 代寫一篇論文多少錢
當前位置: 浙江快乐彩号码 > 計算機論文 > 人臉識別中脈沖神經網絡分析法的運用

浙江快乐彩怎么开的奖:人臉識別中脈沖神經網絡分析法的運用

時間:2019-05-18 09:49作者:曼切
本文導讀:這是一篇關于人臉識別中脈沖神經網絡分析法的運用的文章,本文主要介紹了脈沖耦合神經網絡的基本模型, 詳細探討了脈沖耦合神經網絡具有的基本特性, 說明了人臉識別的步驟和框圖, 并且對圖像預處理進行了詳細的演示, 最后通過計算機仿真實現了PCNN的人臉識別方法。

浙江快乐彩号码 www.dxzlh.com   摘    要: 脈沖耦合神經網絡 (PCNN) 是基于對貓的視覺皮層神經元脈沖同步振蕩現象的研究而得來的神經網絡模型, 本文對PCNN基本理論進行詳細闡述, 并詳細介紹了PCNN的幾個基本特性, 其次概要性地介紹了幾種圖像預處理技術并且通過實驗來說明。最后闡述了人臉識別中使用PCNN的可操作性, 并通過計算機仿真實驗證明了這一結論。

  關鍵詞: 脈沖耦合神經網絡; 人臉識別; 圖像預處理; 振蕩時間序列;

  0、 引言

  隨著社會文明的不斷進步與發展, 近年脈沖耦合神經網絡模型 (PCNN) 在科研界刮起一股巨浪, 這是一種被叫做第三代新型人工神經網絡的模型。PCNN它運行起來更像真正的神經元, 比傳統的神經網絡性能更好。脈沖神經元可以較好地模擬以脈沖激發時間為輸入和輸出的生物神經元, 這可以為更有效地模擬人工智能奠定基礎。人臉識別主要是由訓練和識別兩個部分組成, 它的主要過程是特征的選取與輸出, 主要使用的方法有一類多元數據分析領域的統計性分析法、線性判別分析法、獨立主元分析法以及脈沖神經網絡分析法等。本文綜合脈沖神經網絡分析法來進行人臉的特征選擇與特征提取。

  1、 基本模型

  1994年, 為了使先前發現的神經網絡模型更好地應用在圖像處理中, 將其做了一些適當的修改, 從而產生了許多的變形, 這些變形模型和最初的神經網絡一起被統稱為脈沖耦合神經網絡, 即PCNN, 它能夠完成一些更復雜的邏輯運算, 例如圖像的去噪、分割、濾波等。

人臉識別中脈沖神經網絡分析法的運用

  脈沖耦合神經網絡是單層的二維神經網絡, 它是由多個脈沖耦合神經元 (PCN) 并聯組成, 每一個神經元通過一定的鏈接權值來與周圍的神經元相關聯。當對圖像平面輸入圖像時, 每個神經元的位置代表一個像素點, 它通過圖像像素的反饋輸入, 同時接收其他相關聯的神經元的鏈接輸入, 以此用鏈接機制產生脈沖, 從而根據這些脈沖的同步性來實現圖像的處理。圖像的接收如下圖1所示。

  神經脈沖的傳遞是單向性的, 脈沖耦合神經網絡的程序也應是順序結構, 因此圖像平面則可以當作感受器, 傳入神經、神經中樞、傳出神經則是我們要研究的重點對象, 而效應器在PCNN中即為輸出。因此PCNN的神經元 (i, j) 的離散方程形式為:

  圖1 脈沖神經網絡結構示意圖
圖1 脈沖神經網絡結構示意圖

  2、 基本特性研究

  跟傳統的反饋型神經網絡相比, 脈沖耦合神經網絡更加相似于真實生物的神經網絡。神經元的組成部分相較于其他網絡就有很大的不同, 例如在神經元內部行為的乘積耦合、變閾值特性、輸入的加權求和等, 所以PCNN的基本特性就包含以下幾點。

  2.1、 動態神經元

  在以往的神經網絡中, 對輸入信號進行加權求和, 然后再直接與閾值相對比。但在PCNN中, 閾值則是與輸入信號和突觸通道的脈沖響應函數的乘積相對比。并且在PCNN模型中神經元的閾值是隨時間動態變化的, 不是一個固定的數值, 如果神經元點火閾值則會迅速增大, 并且為了確保神經元不會立即再次觸發, 閾值會呈指數級下降, 當低于內部活動時, 神經元會再次觸發。閾值的變化與神經元前一刻的閾值和電流輸出相關。

  2.2、 時空總和特性

  在PCNN網絡中, 同步脈沖發射特性是一種靜態特性, 動態特性包含動態脈沖發射特性。輸入信號的空間特性是由靜態特性來反映的, 相反的輸入信號的時間特性則是由動態特性反映;通俗地說, PCN不僅有輸入信號的空間特性, 還有從神經元內部電容積分產生的時間特性。

  2.3、 動態脈沖發放特性

  動態脈沖發放的根源其實是PCNN中神經元的變量閾值, 神經元點火過程就是神經元會輸出一個脈沖, 這個脈沖是因為高低電平轉換產生的。如果將輸入信號看作是由突觸通道和輸入信號的相乘所得的結果相加, 那么當閾值比輸入信號高時, 神經元被激活產生高電平, 閾值又與電平正相關, 當閾值比輸入信號低時, 神經元便從高電平轉為低電平。

  2.4、 同步脈沖發放特性

  PCNN是單層的二維神經網絡, 它是由多個PCN并聯組成, 每一個神經元通過一定的鏈接權值來與周圍的神經元相關聯。當一個PCN點火時, PCNN會將輸入信號的一部分送到其周圍的神經元上, 從而能夠讓相鄰的神經元點火速度更快, 因此在這周圍的神經元會被大量激發, 形成提前點火的現象, 就像是同步振蕩。這就成了PCNN被圖像處理所青睞的原因, 這一性質的運用對于圖像平滑、分割、圖像融合等都起了重要作用。

  2.5、 波的形成與傳播

  在上面一點中, 假如神經元的點火機制在一段時間內被鎮壓, 但是它在這段時間內被周圍相連接的神經元激活而發生點火, 這一過程重復發生, 那么這個神經元的點火所產生的輸出結果就不斷向外發放和傳播, 這就形成了一個類似于水滴在平靜水面現象的振動波。因此網絡中傳播波的形成和傳播特性是與同步脈沖發放特性有關的。

  3 、人臉識別結構框圖

  人臉識別主要是由訓練和識別兩個部分組成的, 它的步驟一般可以分成以下幾步:先對圖像進行預先處理, 以保證獲取的圖像質量高, 常?;岫醞枷窠新瞬ù?、歸一化、直方圖修正等方法來進行處理;然后進行特征選擇和提取, 這是人臉識別過程中的核心步驟, 常采用的特征有幾何特征和代數特征;其次把訓練樣本與測試樣本的特征提取值都送入分類器做識別分類。圖2為上述步驟的具體展示

  圖2 人臉識別結構框圖
圖2 人臉識別結構框圖

  4、 圖像預處理

  我們在現實生活中, 在獲取圖像時會因為各種原因產生嚴重失真, 因此我們在研究圖像前, 會先對原始圖像進行預處理。常使用濾波、直方圖修正、灰度變換以及幾何歸一化等圖像預處理方法。

  4.1、 圖像濾波

  在研究過程中, 人臉圖像會因為設備的影響而遭到各種噪聲的干擾。這些噪聲會導致提取到的特征質量降低, 所以在預處理階段就需要通過圖像濾波來消除圖像的噪聲。圖像濾波的方法可分為高斯濾波、維斯濾波等

  4.2、 直方圖修正

  在收集人臉圖像的過程中, 會由于設備和亮度等的影響, 出現過亮或者過暗的曝光現象, 這對提取特征造成嚴重干擾。因此便可以通過直方圖修正降低光照和設備在識別過程中的不利影響, 來保證識別精度的高效率。直方圖修正是將圖像灰度級密集分布的現象通過函數改變為均勻分布, 這樣使圖像灰度分布擴大, 增強了對比度。如圖3所示

  圖3 直方圖修正后的圖像及直方圖
圖3 直方圖修正后的圖像及直方圖

  實驗結果表明, 直方圖修正圖像相較于原始灰度圖像的對比度大大加強, 圖片的亮度范圍也變得更加均勻, 直方圖修正后的人臉輪廓與細節信息更加清晰。

  5、 實驗結果及分析

  因為PCNN具有同步發放脈沖的特性, 隨著迭代次數n的增加, 輸出端就會產生出幅值為0和1的二值圖像, 也叫做脈沖序列。原圖像的大部分特征信息都儲存在這些脈沖序列中, 但是因為這些特征信息的內容過多, 不能直接作為圖像的特征表示, 為了能夠直接使用圖像的特征信息, 科學家提出了振蕩時間序列 (OTS) :時間序列是由PCNN每次輸出的二值圖像累加而成的, 記作G[n], 參數X[n]為PCNN經過n次迭代后的值。其表達式如公式 (5-1)

  如果將二值圖像通過公式變換成OTS, 這樣不僅完成了對特征信息的提取, 也將特征信息縮減成長度為n的一維序列, 這使得后續的人臉識別的運算量大大減少。

  為了說明PCNN的識別率受迭代次數n的影響, 通過在人臉庫中隨機選擇250張人臉圖像做樣本集, 實驗是通過MATLAB來操作的。實驗結果如表1。

  表1 不同迭代次數n下的人臉識別率
表1 不同迭代次數n下的人臉識別率

  在在表表11中中, , nn在在1155到到3355之之間間識識別別率率與與nn是是呈呈正正相相關的, 當n超過40后, 雖然識別率平均還高達91%左右, 但是仍呈下降趨勢。當n取35時其識別率達到最大, 數值是95.65%, 所以在實驗中n=35是迭代次數最合理的值。

  6、 總結

  本文主要介紹了脈沖耦合神經網絡的基本模型, 詳細探討了脈沖耦合神經網絡具有的基本特性, 說明了人臉識別的步驟和框圖, 并且對圖像預處理進行了詳細的演示, 最后通過計算機仿真實現了PCNN的人臉識別方法。由于實驗條件和時間的限制, 本文的研究還存在較多的不足之處, 還有很多地方需要提高與探討。

  參考文獻:

  [1]張振敏.基于脈沖神經網絡的紋理圖像識別研究[D].福建師范大學碩士學位論文, 2016.
  [2]程園園.基于脈沖耦合神經網絡的圖像高斯噪聲和混合噪聲濾波研究[D].云南大學碩士學位論文, 2012.
  [3]賈大偉.基于人工神經網絡的人臉圖像識別技術研究[D].山東師范大學碩士學位論文, 2013.
  [4]陳麗娟.基于脈沖神經網絡的車牌識別系統的設計與實現.福建:福建師范大學, 2015.
  [5]聶仁燦, 姚紹文, 周冬明.基于簡化脈沖耦合神經網絡的人臉識別[J].計算機科學, 2012, 41 (2) :297-301.
  [6]藺想紅, 王向文, 張寧.脈沖神經網絡的監督學習算法研究綜述[J].電子學報, 2015, 43 (3) :577-586.

相關文章
聯系我們
范文范例
網站地圖 | 網站介紹 | 聯系我們 | 服務承諾| 服務報價| 論文要求 | 浙江快乐彩号码 | 服務流程