陳國(guó)鎮(zhèn) 陳麗娟

摘 要：脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）是基于對(duì)貓的視覺(jué)皮層神經(jīng)元脈沖同步振蕩現(xiàn)象的研究而得來(lái)的神經(jīng)網(wǎng)絡(luò)模型，本文對(duì)PCNN基本理論進(jìn)行詳細(xì)闡述，并詳細(xì)介紹了PCNN的幾個(gè)基本特性，其次概要性地介紹了幾種圖像預(yù)處理技術(shù)并且通過(guò)實(shí)驗(yàn)來(lái)說(shuō)明。最后闡述了人臉識(shí)別中使用PCNN的可操作性，并通過(guò)計(jì)算機(jī)仿真實(shí)驗(yàn)證明了這一結(jié)論。

關(guān)鍵詞：脈沖耦合神經(jīng)網(wǎng)絡(luò)；人臉識(shí)別；圖像預(yù)處理；振蕩時(shí)間序列

0 引言

隨著社會(huì)文明的不斷進(jìn)步與發(fā)展，近年脈沖耦合神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)的模型。PCNN它運(yùn)行起來(lái)更像真正的神經(jīng)元，比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)性能更好。脈沖神經(jīng)元可以較好地模擬以脈沖激發(fā)時(shí)間為輸入和輸出的生物神經(jīng)元，這可以為更有效地模擬人工智能奠定基礎(chǔ)。人臉識(shí)別主要是由訓(xùn)練和識(shí)別兩個(gè)部分組成，它的主要過(guò)程是特征的選取與輸出，主要使用的方法有一類多元數(shù)據(jù)分析領(lǐng)域的統(tǒng)計(jì)性分析法、線性判別分析法、獨(dú)立主元分析法以及脈沖神經(jīng)網(wǎng)絡(luò)分析法等。本文綜合脈沖神經(jīng)網(wǎng)絡(luò)分析法來(lái)進(jìn)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(fā)現(xiàn)的神經(jīng)網(wǎng)絡(luò)模型更好地應(yīng)用在圖像處理中，將其做了一些適當(dāng)?shù)男薷?，從而產(chǎn)生了許多的變形，這些變形模型和最初的神經(jīng)網(wǎng)絡(luò)一起被統(tǒng)稱為脈沖耦合神經(jīng)網(wǎng)絡(luò)，即PCNN，它能夠完成一些更復(fù)雜的邏輯運(yùn)算，例如圖像的去噪、分割、濾波等。

脈沖耦合神經(jīng)網(wǎng)絡(luò)是單層的二維神經(jīng)網(wǎng)絡(luò)，它是由多個(gè)脈沖耦合神經(jīng)元（PCN）并聯(lián)組成，每一個(gè)神經(jīng)元通過(guò)一定的鏈接權(quán)值來(lái)與周圍的神經(jīng)元相關(guān)聯(lián)。當(dāng)對(duì)圖像平面輸入圖像時(shí)，每個(gè)神經(jīng)元的位置代表一個(gè)像素點(diǎn)，它通過(guò)圖像像素的反饋輸入，同時(shí)接收其他相關(guān)聯(lián)的神經(jīng)元的鏈接輸入，以此用鏈接機(jī)制產(chǎn)生脈沖，從而根據(jù)這些脈沖的同步性來(lái)實(shí)現(xiàn)圖像的處理。圖像的接收如下圖1所示。

2 基本特性研究

跟傳統(tǒng)的反饋型神經(jīng)網(wǎng)絡(luò)相比，脈沖耦合神經(jīng)網(wǎng)絡(luò)更加相似于真實(shí)生物的神經(jīng)網(wǎng)絡(luò)。神經(jīng)元的組成部分相較于其他網(wǎng)絡(luò)就有很大的不同，例如在神經(jīng)元內(nèi)部行為的乘積耦合、變閾值特性、輸入的加權(quán)求和等，所以PCNN的基本特性就包含以下幾點(diǎn)。

2.1 動(dòng)態(tài)神經(jīng)元

在以往的神經(jīng)網(wǎng)絡(luò)中，對(duì)輸入信號(hào)進(jìn)行加權(quán)求和，然后再直接與閾值相對(duì)比。但在PCNN中，閾值則是與輸入信號(hào)和突觸通道的脈沖響應(yīng)函數(shù)的乘積相對(duì)比。并且在PCNN模型中神經(jīng)元的閾值是隨時(shí)間動(dòng)態(tài)變化的，不是一個(gè)固定的數(shù)值，如果神經(jīng)元點(diǎn)火閾值則會(huì)迅速增大，并且為了確保神經(jīng)元不會(huì)立即再次觸發(fā)，閾值會(huì)呈指數(shù)級(jí)下降，當(dāng)?shù)陀趦?nèi)部活動(dòng)時(shí)，神經(jīng)元會(huì)再次觸發(fā)。閾值的變化與神經(jīng)元前一刻的閾值和電流輸出相關(guān)。

2.2 時(shí)空總和特性

在PCNN網(wǎng)絡(luò)中，同步脈沖發(fā)射特性是一種靜態(tài)特性，動(dòng)態(tài)特性包含動(dòng)態(tài)脈沖發(fā)射特性。輸入信號(hào)的空間特性是由靜態(tài)特性來(lái)反映的，相反的輸入信號(hào)的時(shí)間特性則是由動(dòng)態(tài)特性反映；通俗地說(shuō)，PCN不僅有輸入信號(hào)的空間特性，還有從神經(jīng)元內(nèi)部電容積分產(chǎn)生的時(shí)間特性。

2.3 動(dòng)態(tài)脈沖發(fā)放特性

動(dòng)態(tài)脈沖發(fā)放的根源其實(shí)是PCNN中神經(jīng)元的變量閾值，神經(jīng)元點(diǎn)火過(guò)程就是神經(jīng)元會(huì)輸出一個(gè)脈沖，這個(gè)脈沖是因?yàn)楦叩碗娖睫D(zhuǎn)換產(chǎn)生的。如果將輸入信號(hào)看作是由突觸通道和輸入信號(hào)的相乘所得的結(jié)果相加，那么當(dāng)閾值比輸入信號(hào)高時(shí)，神經(jīng)元被激活產(chǎn)生高電平，閾值又與電平正相關(guān)，當(dāng)閾值比輸入信號(hào)低時(shí)，神經(jīng)元便從高電平轉(zhuǎn)為低電平。

2.4 同步脈沖發(fā)放特性

PCNN是單層的二維神經(jīng)網(wǎng)絡(luò)，它是由多個(gè)PCN并聯(lián)組成，每一個(gè)神經(jīng)元通過(guò)一定的鏈接權(quán)值來(lái)與周圍的神經(jīng)元相關(guān)聯(lián)。當(dāng)一個(gè)PCN點(diǎn)火時(shí)，PCNN會(huì)將輸入信號(hào)的一部分送到其周圍的神經(jīng)元上，從而能夠讓相鄰的神經(jīng)元點(diǎn)火速度更快，因此在這周圍的神經(jīng)元會(huì)被大量激發(fā)，形成提前點(diǎn)火的現(xiàn)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(zhì)的運(yùn)用對(duì)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(diǎn)中，假如神經(jīng)元的點(diǎn)火機(jī)制在一段時(shí)間內(nèi)被鎮(zhèn)壓，但是它在這段時(shí)間內(nèi)被周圍相連接的神經(jīng)元激活而發(fā)生點(diǎn)火，這一過(guò)程重復(fù)發(fā)生，那么這個(gè)神經(jīng)元的點(diǎn)火所產(chǎn)生的輸出結(jié)果就不斷向外發(fā)放和傳播，這就形成了一個(gè)類似于水滴在平靜水面現(xiàn)象的振動(dòng)波。因此網(wǎng)絡(luò)中傳播波的形成和傳播特性是與同步脈沖發(fā)放特性有關(guān)的。

3 人臉識(shí)別結(jié)構(gòu)框圖

人臉識(shí)別主要是由訓(xùn)練和識(shí)別兩個(gè)部分組成的，它的步驟一般可以分成以下幾步：先對(duì)圖像進(jìn)行預(yù)先處理，以保證獲取的圖像質(zhì)量高，常常會(huì)對(duì)圖像進(jìn)行濾波處理、歸一化、直方圖修正等方法來(lái)進(jìn)行處理；然后進(jìn)行特征選擇和提取，這是人臉識(shí)別過(guò)程中的核心步驟，常采用的特征有幾何特征和代數(shù)特征；其次把訓(xùn)練樣本與測(cè)試樣本的特征提取值都送入分類器做識(shí)別分類。圖2為上述步驟的具體展示

4 圖像預(yù)處理

我們?cè)诂F(xiàn)實(shí)生活中，在獲取圖像時(shí)會(huì)因?yàn)楦鞣N原因產(chǎn)生嚴(yán)重失真，因此我們?cè)谘芯繄D像前，會(huì)先對(duì)原始圖像進(jìn)行預(yù)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(yù)處理方法。

4.1 圖像濾波

在研究過(guò)程中，人臉圖像會(huì)因?yàn)樵O(shè)備的影響而遭到各種噪聲的干擾。這些噪聲會(huì)導(dǎo)致提取到的特征質(zhì)量降低，所以在預(yù)處理階段就需要通過(guò)圖像濾波來(lái)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(guò)程中，會(huì)由于設(shè)備和亮度等的影響，出現(xiàn)過(guò)亮或者過(guò)暗的曝光現(xiàn)象，這對(duì)提取特征造成嚴(yán)重干擾。因此便可以通過(guò)直方圖修正降低光照和設(shè)備在識(shí)別過(guò)程中的不利影響，來(lái)保證識(shí)別精度的高效率。直方圖修正是將圖像灰度級(jí)密集分布的現(xiàn)象通過(guò)函數(shù)改變?yōu)榫鶆蚍植?，這樣使圖像灰度分布擴(kuò)大，增強(qiáng)了對(duì)比度。如圖3所示

實(shí)驗(yàn)結(jié)果表明，直方圖修正圖像相較于原始灰度圖像的對(duì)比度大大加強(qiáng)，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(xì)節(jié)信息更加清晰。

5 實(shí)驗(yàn)結(jié)果及分析

在表1中，n在15到35之間識(shí)別率與n是呈正相關(guān)的，當(dāng)n超過(guò)40后，雖然識(shí)別率平均還高達(dá)91%左右，但是仍呈下降趨勢(shì)。當(dāng)n取35時(shí)其識(shí)別率達(dá)到最大，數(shù)值是95.65%，所以在實(shí)驗(yàn)中n=35是迭代次數(shù)最合理的值。

6 總結(jié)

本文主要介紹了脈沖耦合神經(jīng)網(wǎng)絡(luò)的基本模型，詳細(xì)探討了脈沖耦合神經(jīng)網(wǎng)絡(luò)具有的基本特性，說(shuō)明了人臉識(shí)別的步驟和框圖，并且對(duì)圖像預(yù)處理進(jìn)行了詳細(xì)的演示，最后通過(guò)計(jì)算機(jī)仿真實(shí)現(xiàn)了PCNN的人臉識(shí)別方法。由于實(shí)驗(yàn)條件和時(shí)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(xiàn)：

[1]張振敏.基于脈沖神經(jīng)網(wǎng)絡(luò)的紋理圖像識(shí)別研究[D].福建師范大學(xué)碩士學(xué)位論文，2016 .

[2]程園園.基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像高斯噪聲和混合噪聲濾波研究[D].云南大學(xué)碩士學(xué)位論文，2012.

[3]賈大偉.基于人工神經(jīng)網(wǎng)絡(luò)的人臉圖像識(shí)別技術(shù)研究[D].山東師范大學(xué)碩士學(xué)位論文，2013.

[4]陳麗娟.基于脈沖神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn).福建：福建師范大學(xué)，2015.

[5]聶仁燦，姚紹文，周冬明.基于簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別[J].計(jì)算機(jī)科學(xué)，2012，41（2）：297-301.

[6]藺想紅，王向文，張寧.脈沖神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)算法研究綜述[J].電子學(xué)報(bào)，2015，43（3）：577-586.