[发明专利]一种基于动态Spiking神经网络的人脸识别方法

说明书

本发明公开了一种基于动态Spiking神经网络的人脸识别方法，涉及图像处理技术领域，本发明包括以下步骤：S1、将人脸图像转换为灰度像素，获得灰度图；S2、对灰度图进行特征提取，得到灰度图区域特征关联的低维特征；S3、将低维特征的特征强度转换为脉冲时间序列；S4、多张人脸图像对Spiking神经网络进行训练，得到动态Spiking神经网络；S5、将待识别人脸图像依次经过S1‑S3处理后得到的脉冲时间序列输入至S4得到的动态Spiking神经网络中，根据调整权值与动态Spiking神经网络中已有的神经元的权值进行比较，权值最接近的神经元的类别便是待识别人脸图像的类别，本发明创造性地使用了动态Spiking神经网络，相较于传统的Spiking图像识别方法，显著提高了识别效率。

技术领域

本发明涉及图像处理技术领域，更具体的是涉及一种基于动态Spiking神经网络的人脸识别方法。

背景技术

人脸识别是在图形学、计算机科学与技术和模式识别等相关学科领域的基础上出现的一个新的研究方向，通过提取人类特征的方式对人类进行判别时，把人脸作为依据是最简洁的方式。虽然人脸识别技术从出现到现在只有几十年，但已经成为当下比较热门的研究课题之一。尤其是在人工智能时代，随着科学技术的快速发展和人们对于安全又智能生活的追求，对人脸识别技术的有效性、方便性、快捷性等方面的要求越来越高。

Spiking神经网络作为第三代神经网络，关注脉冲发放的时间，适合在芯片上实现。但是绝大部分监督或非监督用于脉冲神经网络的学习算法均具有固定结构，其中隐藏层和输出层的大小必须事先指定，并且以离线批处理模式训练，因此，这些方法只能应用于类或簇的数量已知的情况下；此外，这些方法不能应用于数据连续改变的问题，因为它们将需要重新训练旧的和新的数据样本。然而，生物神经网络因其连续学习和增量学习的能力而众所周知，这使他们能够持续适应不断变化的非稳定环境，因此，为了允许SNN(SpikingNeuron Networks，脉冲神经网络)与连续变化的环境交互，有必要使其结构和权重动态地适应新数据，此外，当学习新信息时，应避免灾难性干扰或遗忘。

发明内容

本发明的目的在于：为了解决现有技术对人脸识别高度依赖于样本的类别的问题，本发明提供一种基于动态Spiking神经网络的人脸识别方法。

本发明为了实现上述目的具体采用以下技术方案：

一种基于动态Spiking神经网络的人脸识别方法，包括以下步骤：

S1、将人脸图像转换为灰度像素，获得灰度图；

S2、对灰度图进行特征提取，得到灰度图区域特征关联的低维特征；

S3、将低维特征的特征强度转换为脉冲时间序列；

S4、使用多张人脸图像对Spiking神经网络进行训练

将多张人脸图像依次经过S1-S3处理后，分别得到相对应的脉冲时间序列，根据每个脉冲时间序列中脉冲的精确时间来调整对应的初始权值，得到调整权值，然后进行权值学习，根据每张人脸图像的标签、调整权值以及Spiking神经网络中已有的神经元来共同判断是否增加新的神经元，当所有的人脸图像均输入到Spiking神经网络后，得到稳定的动态Spiking神经网络；

S5、对待识别人脸图像进行识别

将待识别人脸图像依次经过S1-S3处理后得到的脉冲时间序列输入至S4得到的动态Spiking神经网络中，根据输入的脉冲时间序列中脉冲的精确时间来调整初始权值，得到相应的调整权值，将该调整权值与动态Spiking神经网络中已有的神经元的权值进行比较，找出与该调整权值最接近的权值的神经元，该神经元的类别便是待识别人脸图像的类别。

进一步的，所述S2中，利用PCA降维的方法对灰度图进行特征提取。