1.基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法，其特征在于：该方法包括注册与识别；

1)注册：

S1：采集人群的掌纹图片数据和人脸图片数据，对采集到每个人对应的掌纹图片数据和人脸图片数据进行分组编号；

S2：通过预处理得到掌纹图片数据与人脸图片数据；

S3：构建6个细胞神经网络掌纹人脸识别模型；

S4：根据步骤S2得到的掌纹图片数据、人脸图片数据和步骤S3得到的细胞神经网络掌纹人脸识别模型，分别计算步骤S3中的6个细胞神经网络参数，最终确定6个细胞神经网络掌纹人脸识别模型；

2)识别

S5：获取访问者的掌纹图片数据和人脸图片数据，根据S2提到的预处理方法，得到掌纹图片数据和人脸图片数据；

S6：将掌纹图片数据输入细胞神经网络模型获得输出数据，再将输出数据与人脸图片数据进行匹配识别。

2.根据权利要求1所述的基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法，其特征在于：在所述S6中，进行身份验证时，用户的掌纹图片数据联想出人脸图片数据，根据输出的人脸图片数据对使用摄像头所拍摄的该用户的人脸图片数据进行核对。

3.根据权利要求1所述的基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法，其特征在于：所述掌纹图片数据与人脸图片数据各包括r组图片，掌纹图片数据对应的编号为P1,P2,…,Pr，人脸对应的编号为F1,F2,…,Fr；

①转化灰度图片，将步骤S1得到的所有掌纹图片数据和人脸图片数据处理为N行M列的灰度图矩阵：P1′,P2′,…,Pr′,F1′,F2′,…,Fr′，使其满足N＝3n,M＝3m；n∈N+,m∈N+；

②压缩灰度图矩阵，设计一个压缩模板且满足l0+4×l1+4×l2＝1；对①中N行M列的灰度图矩阵压缩为n行m列的灰度图矩阵P1″,P2″,…,Pr″,F1″,F2″,…,Fr″；

具体压缩过程为：

1)把N行M列的灰度图矩阵分解为若干个3行3列的小灰度图矩阵，

2)使用压缩模板依次和3行3列的小灰度图矩阵进行点乘，并对点乘后所得矩阵中元素求和，对求和得到的数值进行四舍五入，该数值一定在0～255之间；

3)由步骤2)最终获得n行m列的新矩阵；

③根据②中所得n行m列的灰度图矩阵，统计每个灰度图矩阵的灰度值个数，转化为16×16的灰度直方图矩阵P1″′,P2″′,…,Pi″′,…,Pr″′,F1″′,F2″′,…,Fi″′,…,Fr″′，其中Pi″′矩阵中元素的位置表示为k＝16(i-1)+j,其中，1≤i≤16,1≤j≤16，则k-1为该元素所代表的灰度值，该元素的值为灰度值的个数；

④将S2-③中所得16×16的灰度统计直方图矩阵以行转化为1×256的向量，如，转化为

转化为

⑤将S2-④中所得灰度统计直方图向量转化为k＝6层的1×256二进制向量，转化步骤为：

1)灰度直方图输入向量的二进制转化灰度统计直方图向量中的每个元素转化为6位的二进制数，如，将 中元素的值转化为二进制数，依次取向量中每个二进制数的最高位组成新的1×256的向量， i∈{1,2,…,r},该向量作为第i幅掌纹图片数据的第一层二进制输入向量；同理得到第一层二进制输入向量集合然后，依次取向量中每个二进制数的次高位组成新的1×256的向量， i∈{1,2,…,r},该向量作为第i幅掌纹图片数据的第二层二进制输入向量；同理得到第二层二进制输入向量集合依次类推得掌纹图片数据的6个二进制输入向量集合 j∈{1,2,…,6}， i∈{1,2,…,r},其中 表示第i幅掌纹图片数据中的第j层二进制输入向量；

其中，k＝6是根据人脸数据库中选取的400幅人脸图片数据，所有图片的灰度图矩阵的灰度值个数的峰值为63<26而得；

2)灰度直方图输出向量的二进制转化灰度直方图输出向量的二进制转化与④-1)的转化步骤相同，同理得人脸图片数据的6个二进制输出向量集合f(j)＝{f1(j),f2(j),…,fi(j),…,fr(j)},j∈{1,2,…,6},fi(j),i∈{1,

2,…,r}，其中fi(j)表示第i幅人脸图片数据中的第j层二进制输出向量；

其中，掌纹图片数据和人脸图片数据的二进制向量各有6×r个，掌纹图片数据的二进制输入向量 与人脸图片数据的二进制输出向量fi(j)一一对应,i∈{1,2,…,r},j∈{1,

2,…,6}。

4.根据权利要求1所述的基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法，其特征在于：所述步骤S3具体为：设第k层 掌纹的二进 制输入向 量集合为联 想记忆的 输入向量集 合其中, j∈

{1,2,…,256}, 表示第i幅掌纹中第k层二进制输入向量中所有的像素点组成的向量，表示在第i幅掌纹中第k层二进制输入向量中的第j个像素点的数值；

设第k层人脸的二进制输出向量为联想记忆的输出向量集合其中， i∈

{1,2,…,r},j∈{1,2,…,256}，fi(k)表示第i幅人脸中第k层二进制输出向量中所有的像素点组成的向量， 表示在第i幅人脸中第k层二进制输出向量中的第j个像素点的数值；

构建第k(k∈{1,2,…,6})层的细胞神经网络掌纹图片数据识别人脸图片数据模型，具体为：

其中k∈{1,2,…,6},x＝(x1,x2,…,xi,…,x256)T,i∈{1,2,…,256},输入向量p(k)＝(p1(k),p2(k),…,pi(k),…,p256(k))T,i∈{1,2,…,256},偏移向量V＝(v1,v2,…,vi,…,v256)T,i∈{1,2,…,256},C＝diag(c1,c2,…,ci,…,c256),i∈{1,2,…,256},激活函数f(x)＝(f(x1),…,f(xi),…,f(x256))T.

在公式(1)中，矩阵A＝(aij)256×256由以下方阵组成：其中，

和

矩阵D＝(dij)256×256的定义和A的相似.

使

xi＝1 or xi＝-1,i＝1,2,…,256},i＝1,2,…,256}.因此，公式(1)转换为

5.根据权利要求4所述的基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法，其特征在于：所述步骤S4中，计算步骤S3中第k层的细胞神经网络参数的具体步骤为：S41：公式(2)写成以下形式：在公式(3)中，令xi(0)＝0，(i)如果 则公式(3)收敛到一个正稳定平衡点，且这个平衡点的值大于1；

(ii)如果 则公式(3)收敛到一个负稳定平衡点，且这个平衡点的值小于-1.

根据上述定理，有以下推论：

推论1.令 λi＞max{ci},ci＝常数,i∈{1,2,…,256}；

当fi(k)＝1时，公式(3)收敛到一个正稳定平衡点，且这个平衡点的值大于1；当fi(k)＝-1时，公式(3)收敛到一个负稳定平衡点，且这个平衡点的值小于-1.

引入以下符号,使 其中,λi＞0，LD＝(d-1,-1,d-1,0,d-1,1,d0,-1,d0,0,d0,1,d1,-1,d1,0,d1,1)T,LA＝(a-1,-1,a-1,0,a-1,1,a0,-1,a0,0,a0,1,a1,-1,a1,0,a1,1)T,l∈{1,2,…,r},q∈{1,2,…,16},根据推论1，得到公式(4)、(5)和(6)和

公式(5)转换为

由公式(7)得

其中，pinv(·)表示矩阵的伪逆；

公式(6)转换为

由公式(8)得

S42：将步骤S2中得到的人脸图片数据的二进制输出向量集合p(k)中的所有向量一起转(k)

换为矩阵Ω，同理，得到的掌纹图片数据的二进制输入向量集合f 中的所有向量一起转换为矩 阵Ξ，带 入公 式 (8) 和公 式 (1 0) 中 ，得 出S43：根据步骤S42中的公式(8)和公式(10)，得到人脸图片数据的联想记忆的输出参数LA和掌纹图片数据的联想记忆的输入参数LD，从而转化为公式(1)中的参数A和参数D；根据公式(4)，得到偏移向量V；由A、D、V及C得到第k层细胞神经网络掌纹图片数据识别人脸图片数据模型；

根据以上步骤分别确定第一层到第六层的细胞神经网络掌纹图片数据识别人脸图片数据模型。

6.根据权利要求5所述的基于细胞神经网络异联想记忆模型的掌纹和人脸识别方法，其特征在于：在所述步骤S5、S6中，通过掌纹图片数据对该用户的人脸图片数据进行识别的具体步骤为：S51：同时准备两套设备，一套设备获取访问者的掌纹图片数据P，通过步骤S2预处理得到掌纹图片数据的6个二进制输入向量集合 j∈{1,2,…,

6},  其中 表示第i幅掌纹图片数据中的第j层二进制输入向量；

S52：第二套设备是摄像头获取该访问者的人脸图片数据F，人脸图片数据的6个二进制输出向量集合 j∈{1,2,…,6}, i∈{1,2,…,r}，其中表示第i幅人脸图片数据中的第j层二进制输出向量；

S61：将步骤S51得到的第一层到第六层的掌纹图片数据p(j),j∈{1,2,…,6}分别输入到六个细胞神经网络模型获得第一层到第六层的输出数据f(j),j∈{1,2,…,6}；

S62：再将输出数据f(j)与步骤S52人脸图片数据进行匹配识别；将步骤S52得到的输出(j)

向量 与步骤S52得到的模型输出向量f 从第一层到第六层分别对人脸图片数据进行匹配；

S63：设人脸图片数据匹配成功率为H，判断身份验证匹配度H是否大于匹配设定值h，h＝0～1；若是，为匹配成功，否则匹配失败。