[发明专利]一种基于忆阻器的神经网络人脸识别系统

说明书

本发明公开了一种基于忆阻器的神经网络人脸识别系统，包括人脸捕捉模块、预处理模块、输入模块、忆阻神经网络模块、输出模块以及权重更新模块；人脸捕捉模块用于捕捉画面中的人脸图片；预处理模块用于将人脸图片进行降维处理；输入模块用于将降维后的图片转换为电信号；忆阻神经网络模块用于存储网络权重，并对电信号进行矩阵向量乘法运算，运算结果传入输出模块；输出模块将所述运算结果传入权重更新模块进行权重更新，更新后的权重传入忆阻神经网络模块，输出模块读取网络的识别结果；忆阻神经网络模块由忆阻器阵列构成。本发明利用主成分分析算法减小忆阻神经网络的结构规模，从而加快运算速度、降低运算能耗、降低硬件成本。

技术领域

本发明属于人工神经网络技术领域，更具体地，涉及一种基于忆阻器的神经网络人脸识别系统。

背景技术

随着网络技术和计算机视觉技术的发展，在日常生活中如何正确识别个人的身份信息已经成为现在社会急需解决的重大问题。传统的证件和密码等信息容易造假，使得相关的认证识别技术无法满足生活的需要。生物特征具有唯一性、稳定性和不容易造假的特性使得其受到广泛关注，其中人脸识别是一个活跃的研究领域，是人类视觉最杰出的能力之一。虽然人脸识别的可靠性要低于虹膜和视网膜的识别可靠性，但是由于它无需行为配合、非常高的便捷度和很高的接受程度，使得人脸识别技术成为最容易被接受的生物特征识别方式，从而在视频监控、门禁系统、机器人和网络应用等各个领域得到了广泛的应用。人脸识别在神经网络方面的研究受到研究人员的广泛关注。

人工神经网络是一种旨在模仿人脑结构及其功能的信息处理系统。神经元之间突触的联系强度是可变的，这是学习和记忆的基础。人工神经网络可以通过“训练”而具有自学习和自适应的能力，神经网络技术的关键是权重设计，权重的硬件实现需要一个长期保持记忆且不耗能的纳米级元件。传统的人工神经网络技术都是在传统计算机基础上进行的，其主要缺点是运算量巨大且运算不是并行处理。如果在硬件上实现人工神经网络的并行分布式处理、非线性处理、自我学习功能和自我适应等功能，就能够解决人工神经网络在传统计算机上运算量巨大的缺点。而忆阻器的出现便可以实现神经突触功能的模拟，而且忆阻器能够很容易与纳米交叉连接技术相结合，具有大规模并行处理、分布式信息存储、巨大存储量等优势。所以利用忆阻器来构造神经网络是人工神经网络实现神经突触功能模拟的最好方式之一，忆阻器的电导能随着施加电信号的变化而改变的特性被用于构建神经网络的突触模块，从而成为近年来的研究热点。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种基于忆阻器的神经网路人脸识别系统，旨在解决现有人工神经网路人脸识别系统运算速度低的问题。

为实现上述目的，本发明提供了一种基于忆阻器的神经网络人脸识别系统，包括人脸捕捉模块、预处理模块、输入模块、忆阻神经网络模块、输出模块以及权重更新模块；

人脸捕捉模块利用摄像机捕捉画面中的人脸图片；预处理模块用于将人脸图片进行降维处理，以减小忆阻神经网络中的阵列规模，并加快运算速度；输入模块与预处理模块相连，用于将降维后的图片转换为电信号输入到忆阻神经网络模块中；忆阻神经网络模块用于存储网络权重，并对所述电信号进行大规模并行的矩阵向量乘法运算，运算结果传入输出模块；输出模块分别连接忆阻神经网络模块和权重更新模块，将所述运算结果传入所述权重更新模块，权重更新模块根据实际输出与理论输出来调整忆阻神经网络模块中忆阻器的电导值，再将电导值映射到权重值，进行权重更新，更新后的权重传入所述忆阻神经网络模块，输出模块读取网络的识别结果；

忆阻神经网络模块由忆阻器阵列构成。

优选地，人脸捕捉模块捕捉人脸图片，并将所述人脸图片处理为灰度图片。

优选地，预处理模块将人脸捕捉模块捕捉到的人脸图像经过主成分分析，将其进行降维处理，并将降维之后的灰度图片传递给输入模块。

进一步地，主成分分析通过输入的图像信号矩阵特征值对人脸信息保留度的贡献率将高维灰度图片降到低维灰度图片。