一種基于憶阻器的圖像識別系統及方法

一種基于憶阻器的圖像識別系統及方法
【專利摘要】本發明公開了一種基于憶阻器的圖像識別系統及方法。所述系統包括圖像信號提取模塊、多個基于憶阻器的神經網絡模塊和識別模塊；所述識別模塊其輸入端與多個神經網絡模塊的輸出端相連；每個神經網絡模塊的輸出端與識別模塊的輸入端相連，其輸入端與信號提取模塊的輸出端相連。所述方法包括以下步驟：（1）獲取待識別灰度圖像的特征向量并輸入各神經網絡模型；（2）各神經網絡模型根據其圖像模型對所述特征向量分別進行打分并進行識別；（3）計算各神經網絡分值與訓練時獲取標準值之差值，根據所述差值判斷待識別圖像類別。所述系統擴展性好，集成密度高，功耗低；所述方法，時間復雜度低，識別精度較高。
【專利說明】—種基于憶阻器的圖像識別系統及方法
【技術領域】
[0001]本發明屬于圖像識別領域，更具體地，涉及一種基于憶阻器的圖像識別系統及方法。
【背景技術】
[0002]圖像識別，是利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。圖像識別技術對于自動化的圖像處理，如人臉識別、地理目標識別等方面有著重要的意義。傳統的圖像識別技術，是基于大規模計算方法，在運算量和運算精度之間存在著不可調和的矛盾，已無法滿足需求。
[0003]機器學習方法，例如神經網絡模型，由于其能發掘樣本數據規律的自主學習能力、良好容錯性能和適用于高速并行處理系統的特點，廣泛應用于圖像識別技術。神經網絡模型包括一層輸入神經元和一層輸出神經元，輸入神經元和輸出神經元之間有零到多層中間神經元，相鄰層的神經元通過神經突觸相聯系，神經突觸的權重決定了神經網絡所表征的模型。應用神經網絡模型的圖像處理系統識別圖像，分為兩個階段，即訓練階段和識別階段。訓練階段，是將訓練用圖像輸入到神經網絡，通過有監督或無簡單學習方式尋找一組適合的神經突觸；識別階段是用已訓練的神經網絡對圖像進行識別分類。目前應用神經網絡模型的圖像識別系統，是基于大規模集成電路，采用CMOS電路模擬神經突觸。現有的應用神經網絡的圖像識別系統，雖然具有較好的容錯性、健壯性和記憶存儲能力，但其體系擴展性差，集成密度有限，通用性不足，對新數據適應能力待提高，功耗較高。

【發明內容】

[0004]針對現有技術的以上缺陷或改進需求，本發明提供了一種基于憶阻器的圖像識別系統及方法，其目的在于采用憶阻器模擬神經突觸，建立集成度高的神經網絡模塊，用于圖像識別，由此解決現有技術擴展性差、集成密度有限、功耗高的技術問題。
[0005]為實現上述目的，按照本發明的一個方面，提供了一種基于憶阻器的圖像識別系統，包括:圖像信號提取模塊、多個基于憶阻器的神經網絡模塊和識別模塊；所述識別模塊其輸入端與多個神經網絡模塊的輸出端相連；每個神經網絡模塊的輸出端與識別模塊的輸入端相連，其輸入端與信號提取模塊的輸出端相連；其中:
[0006]所述圖像信號提取模塊，用于提取訓練用和待識別的灰度圖像的特征向量信號，并輸入神經網絡模塊；
[0007]所述神經網絡模塊，采用憶阻器模擬神經突觸，獲取全局時鐘信號，所述全局時鐘信號成周期性，一個全局時鐘周期包括前饋階段和反饋階段；所述神經網絡模塊訓練時，在反饋階段，獲取訓練用灰度圖像的特征向量信號，通過監督學習的方法自適應調整憶阻器阻值，訓練其表征的圖像模型，在前饋階段，產生參考信號并傳遞給識別模塊；識別時，獲取待識別灰度圖像的特征向量信號，根據其表征的圖像模型對待識別圖像的特征向量信號進行打分，得出分值信號并傳遞給識別模塊；[0008]所述識別模塊，在神經網絡模塊訓練時，用于獲取各神經網絡模塊的參考信號，并根據其計算各神經網絡標準值，在神經網絡模塊識別時，根據各神經網絡標準值和分值信號判斷待識別圖像類型并得出判斷結果。
[0009]優選地，所述圖像識別系統，其神經網絡模塊，包括多個輸入神經元電路、相應數量的用于模擬神經突觸的憶阻器和一個輸出神經元電路；多個輸入神經元電路的輸入端與信號提取模塊的多個輸出端依次相連，輸入神經兀電路的輸出端與相應憶阻器的一端相連，憶阻器的另一端與輸出神經元電路的輸入端相連，輸出神經元電路的輸出端與識別模塊的輸入端相連；輸出神經元電路的反饋端與輸入神經元電路的反饋接收端相連；
[0010]所述輸入神經元電路，在全局時鐘信號前饋階段，用于接收信號提取模塊輸出的特征向量信號的各個特征值信號，根據特征值信號選擇前饋脈沖，將前饋脈沖傳遞給憶阻器；在全局時鐘信號反饋階段，用于記憶本時鐘周期前饋階段的特征值信號，接收輸出神經元電路反饋端的反饋信號，根據所述特征值信號選擇反饋脈沖，根據所述反饋信號決定是否將反饋脈沖施加給憶阻器；
[0011 ] 所述憶阻器，在全局時鐘前饋階段根據前饋脈沖和自身阻值產生神經沖動電流；在全局時鐘反饋階段根據一端的反饋脈沖和另一端的零電壓自適應的調整自身阻值；
[0012]所述輸出神經元電路，在全局時鐘前饋階段，收集各憶阻器產生的神經沖動電流疊加得到興奮電流，輸出興奮電流給識別模塊，在訓練時所述興奮電流表征參考信號，在識別時所述興奮電流表征分值信號；在全局時鐘反饋階段，記憶本周期前饋階段產生的興奮電流，根據興奮電流與設定的興奮閾值的比較結果，產生反饋信號并傳遞給輸入神經元電路反饋接收端。
[0013]優選地，所述圖像識別系統，其圖像信號提取模塊，包括上位機和多個脈沖發生器；所述上位機，與多個脈沖發生器相連，用于讀取灰度圖像信號，提取其特征向量，并將特征向量的多個特征值分別傳遞給相應的脈沖發生器；所述脈沖發生器，輸入端與上位機相連，輸出端與神經網絡模塊的輸入神經元電路輸入端相連，用于接收上位機產生的特征值，并根據特征值產生相應的特征值信號，所述特征值信號組成特征向量信號，傳遞給神經網絡模塊的輸入神經元電路。
[0014]優選地，所述圖像識別系統，其識別模塊，包括多個示波器和下位機；所述示波器的輸入端和神經網絡模塊輸出神經元電路的輸出端相連，輸出端和下位機輸入端相連，用于收集神經網絡模塊輸出參考信號和待識別的灰度圖像分值信號，并將轉化為參考值和分值傳遞給下位機；所述下位機的多個輸入端與相應的示波器相連，用于獲取所述參考值和分值，根據各神經網絡模塊的參考值計算其標準值并比較標準值和分值信號的差異，識別灰度圖像的類別為所述差異最小的神經網絡模塊所代表的圖像類別。
[0015]優選地，所述圖像識別系統，其所述前饋脈沖包括正前饋脈沖和負前饋脈沖，所述反饋脈沖包括正反饋脈沖和負反饋脈沖。
[0016]按照本發明的另一方面，提供了一種圖像識別方法，包括以下步驟:
[0017](I)獲取待識別灰度圖像的特征向量，并將特征向量分別輸入各神經網絡模型；
[0018](2)各神經網絡模型根據其各自表征的圖像模型對待識別圖像的特征向量分別進行打分獲得用于識別的分值；
[0019](3)獲取各神經網絡模塊輸出的分值，并計算各神經網絡模塊輸出分值與訓練時獲取的神經網絡標準值之差值，根據所述差值判斷待識別圖像類別，即認為待識別圖像是差值最小的神經網絡所表征的圖像類別。
[0020]優選地，所述圖像識別方法，其神經網絡模塊按照如下方法訓練:
[0021](a)將訓練用灰度圖像分類；
[0022](b)前饋階段，對于每一幅訓練用灰度圖像，根據當前神經網絡模型所表征的圖像模型給訓練用灰度圖像打分得到參考分值；對于每一個神經網絡模型，收集其對于所有訓練用的灰度圖像打分得到的參考分值，并計算其均值作為標準值；
[0023](C)反饋階段，對于每一幅訓練用的灰度圖像，提取其特征向量并輸入相應類別的神經網絡模型進行打分獲得分值；當分值超過設定閾值時，根據特征向量的特征值調整相應神經突觸權重:特征值越大，調整神經突觸權重約大；當分值不超過設定閾值是，不調整神經突觸權重。
[0024]優選地，所述圖像識別方法，其圖像信號提取模塊獲取待分類圖像的特征向量的方法包括以下步驟:
[0025](1-1)讀取灰度圖片的像素矩陣；
[0026](1-2)利用邊緣檢測函數檢測像素矩陣中的邊緣像素，并計算邊緣像素所占比例作為邊緣像素均值；
[0027](1-3)將像素特征矩陣分為多個圖像塊，統計每個圖像塊里邊緣像素所占比例并與邊緣像素均值比較，將比較結果作為該圖像塊的特征值；
[0028](1-4)將圖像塊的特征值組合成特征向量。
[0029]優選地，所述圖像識別方法，其步驟(1-2)采用edge函數作為邊緣檢測函數。
[0030]優選地，所述圖像識別方法，其步驟(1-3)將圖像平均分成3X4塊。
[0031]總體而言，通過本發明所構思的以上技術方案與現有技術相比，由于采用基于憶阻器的模塊化神經網絡開發圖像識別系統，能夠取得下列有益效果:
[0032](I)采用憶阻器模擬神經突觸，在斷電情況下能記憶神經網絡模塊所表征的圖像模型，再次加載電源時，可直接進行識別判斷，無需再次訓練神經網絡模型，節省時間且降低能耗。
[0033](2)憶阻器能自適應調整其阻值，相對于目前應用cmos電路的基于神經網絡的圖像識別系統，實現簡單，集成密度高，控制成本低。
[0034](3)采用模塊化的神經網絡進行圖像識別，可方便的增加神經網絡模塊，從而識別更多類型的圖像，因此本發明提供的圖像識別系統具有良好的可擴展性。
[0035](4)本發明提供的圖像識別方法，通過優化圖像識別參數，如選取合適的邊緣檢測函數，合理的劃分圖像從而獲得特征向量等，從而優化時間復雜度，同時保證圖像識別精度。
【專利附圖】

【附圖說明】
[0036]圖1是本發明提供的圖像識別系統結構示意圖；
[0037]圖2是神經網絡模塊的結構示意圖；
[0038]圖3是本發明提供的圖象識別方法流程圖；
[0039]圖4是全局時鐘信號示意圖；[0040]圖5是輸入神經元電路結構示意圖；
[0041]圖6是脈沖信號示意圖，其中圖6 (a)是正前饋脈沖示意圖，圖6 (b)是負前饋脈沖示意圖，圖6 (C)是正反饋脈沖示意圖，圖6 (d)是負反饋脈沖示意圖；
[0042]圖7是輸出神經元電路結構示意圖；
[0043]圖8是實施例2訓練用的灰度圖片，其中圖8 (a)、圖8 (b)、圖8 (C)、圖8 (d)、圖8 (e)表示數字“3”的灰度圖片。
[0044]在所有附圖中，相同的附圖標記用來表示相同的元件或結構，其中:1為輸入神經元電路，2為憶阻器，3為輸出神經元電路，4為輸入神經元電路的第一選擇電路，5為輸入神經元電路的第二選擇電路，6為輸入神經元電路的第三選擇電路，7為輸入神經元電路的第四選擇電路，8為輸入神經元電路的第一脈沖發生器，9為輸入神經元電路的第二脈沖發生器，10為輸入神經元電路的第三脈沖發生器，11為輸入神經元電路的第四脈沖發生器，12為輸入神經元電路的穩壓器，13為輸入神經元電路的延時器，14為求和運算器，15為輸出神經元電路的延時器，16為輸出神經元電路的第一選擇電路，17為輸出神經元電路的第二選擇電路，18為輸出神經元電路的第一穩壓器，19為輸出神經元電路的第二穩壓器。
【具體實施方式】
[0045]為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。此外，下面所描述的本發明各個實施方式中所涉及到的技術特征只要彼此之間未構成沖突就可以相互組合。
[0046]本發明提供的基于憶阻器的圖像識別系統，如圖1所示，包括:圖像信號提取模塊、多個基于憶阻器的神經網絡模塊和一個識別模塊。所述識別模塊其輸入端與多個神經網絡模塊的輸出端相連；每個神經網絡模塊的輸出端與識別模塊的輸入端相連，其輸入端與信號提取模塊的輸出端相連。
[0047]所述圖像信號提取模塊，用于提取訓練用和待識別的灰度圖像的特征向量信號，并輸入神經網絡模塊，包括上位機和多個脈沖發生器。所述上位機，與多個脈沖發生器相連，用于讀取灰度圖像信號，提取其特征向量，并將特征向量的多個特征值分別傳遞給相應的脈沖發生器；所述脈沖發生器，輸入端與上位機相連，輸出端與神經網絡模塊的輸入神經元電路輸入端相連，用于接收上位機產生的特征值，并根據特征值產生相應的特征值信號，所述特征值信號組成特征向量信號，傳遞給神經網絡模塊的輸入神經元電路。所述特征值優選為布爾量，即為“O”或“I”。優選方案，上位機首先讀取灰度圖像信號矩陣；然后檢測灰度圖像信號的邊緣像素，并計算邊緣像素所占比例作為邊緣像素均值；接著將所述圖像分為3 X 4塊，統計每一塊中邊緣像素所占比例，如果邊緣像素所占比例超過邊緣像素均值，則將“I”作為該圖像塊的特征值，否則將“O”作為該圖像塊的特征值；最后將特征值組合成特征向量。
[0048]所述神經網絡模塊，采用憶阻器模擬神經突觸。所述神經網絡模塊，獲取全局時鐘信號，所述全局時鐘信號成周期性，一個全局時鐘周期包括前饋階段和反饋階段。優選方案，所述全局時鐘周期為2秒，其中第I秒為前饋階段，第2秒為反饋階段。所述神經網絡模塊訓練時，在反饋階段，獲取訓練用灰度圖像的特征向量信號，通過監督學習的方法自適應調整憶阻器阻值，訓練其表征的圖像模型，在前饋階段，產生參考信號并傳遞給識別模塊；識別時，獲取待識別灰度圖像的特征向量信號，根據其表征的圖像模型對待識別圖像的特征向量信號進行打分，得出分值信號并傳遞給識別模塊。
[0049]所述神經網絡模塊，如圖2所示，包括多個輸入神經元電路、相應數量的用于模擬神經突觸的憶阻器和一個輸出神經元電路；多個輸入神經元電路的輸入端與信號提取模塊的多個輸出端依次相連，輸入神經元電路的輸出端與相應憶阻器的一端相連，憶阻器的另一端與輸出神經兀電路的輸入端相連，輸出神經兀電路的輸出端與識別模塊的輸入端相連；輸出神經元電路的反饋端與輸入神經元電路的反饋接收端相連。
[0050]所述輸入神經元電路，在全局時鐘信號前饋階段，用于接收信號提取模塊輸出的特征向量信號的各個特征值信號，根據特征值信號選擇前饋脈沖，將前饋脈沖傳遞給憶阻器。當特征值信號表征的特征值為“O”時，輸入神經元電路選擇負前饋脈沖；當特征值信號表征的特征值為“I”時，輸入神經元電路選擇正前饋脈沖。在全局時鐘信號反饋階段，輸入神經元電路記憶本時鐘周期前饋階段的特征值信號，其反饋接收端接收輸出神經元電路反饋端的反饋信號，根據所述特征值信號選擇反饋脈沖，根據所述反饋信號決定是否將反饋脈沖施加給憶阻器:當特征值信號表征的特征值為“O”時，輸入神經元電路選擇負反饋脈沖；當特征值信號表征的特征值為“I”時，輸入神經元電路選擇正反饋脈沖；當反饋信號表征輸出神經元電路的在前饋階段產生的參考信號超過設定的興奮閾值時，將反饋脈沖加載在憶阻器一端；否則，不降反饋脈沖加載在憶阻器一端。
[0051]所述憶阻器，在全局時鐘前饋階段根據前饋脈沖和自身阻值產生神經沖動電流；在全局時鐘反饋階段根據一端的反饋脈沖和另一端的零電壓自適應的調整自身阻值:正反饋脈沖，其正向電壓超過憶阻器正向閾值，當正反饋脈沖加載在憶阻器一端時，憶阻器電阻減小，調整到低阻態；負反饋脈沖，其負向電壓超過憶阻器負向閾值，當負反饋脈沖加載在憶阻器一端時，憶阻器電阻增加，調整到高阻態。
[0052]所述輸出神經元電路，在全局時鐘前饋階段，收集各憶阻器產生的神經沖動電流疊加得到興奮電流，輸出興奮電流給識別模塊，在訓練時所述興奮電流表征參考信號，在識別時所述興奮電流表征分值信號；在全局時鐘反饋階段，記憶本周期前饋階段產生的興奮電流，根據興奮電流與設定的興奮的比較結果，產生反饋信號并通過其反饋端傳遞給輸入神經元電路反饋接收端。
[0053]所述識別模塊，包括多個示波器和下位機；所述示波器的輸入端和神經網絡模塊輸出神經元電路的輸出端相連，輸出端和下位機輸入端相連，用于收集神經網絡模塊輸出參考信號和待識別的灰度圖像分值信號，并將轉化為參考值和分值傳遞給下位機；所述下位機的多個輸入端與相應的示波器相連，用于獲取所述參考值和分值，根據各神經網絡模塊的參考值計算其標準值并比較標準值和分值信號的差異，識別灰度圖像的類別為所述差異最小的神經網絡模塊所代表的圖像類別。訓練時，各神經網絡模塊對于每一幅訓練用的灰度圖像，產生一個參考值，多次訓練后產生多個參考值信號；對于一個神經網絡模塊，所述示波器收集其所有參考值信號轉換成參考值傳遞給所述下位機，所述下位機計算其平均值作為標準值。識別時，各神經網絡模塊對待識別的灰度圖像進行打分，并將分值信號傳遞識別模塊的示波器；所述示波器將分值信號轉換為分值輸入所述下位機；所述下位機計算各神經網絡模塊其分值和標準值之間的差異，選擇所述差異最小的神經網絡所表征的圖像類別作為待識別的灰度圖像的類別，完成識別過程。
[0054]本發明提供的圖像識別方法，如圖3所示，包括以下步驟:
[0055](I)獲取待識別灰度圖像的特征向量，并將特征向量分別傳遞給各神經網絡模型；獲取特征向量的具體步驟包括:
[0056](1-1)讀取灰度圖片的像素矩陣。
[0057](1-2)利用邊緣檢測函數檢測像素矩陣中的邊緣像素，并計算邊緣像素所占比例作為邊緣像素均值。優選方案，采用edge函數作為邊緣檢測函數。
[0058](1-3)將像素特征矩陣分為多個圖像塊，統計每個圖像塊里邊緣像素所占比例并與邊緣像素均值比較，將比較結果作為該圖像塊的特征值:對于一個圖像塊，如果其邊緣像素所占比例超過邊緣像素均值，則其特征值為“I”；否則，其特征值為“O”。優選方案，為平衡特征數量和分類精度，將圖像平均分成3X4塊。
[0059](1-4)將圖像塊的特征值組合成特征向量。優選方案，按照行間從上至下、行內從左到右的順序將特征值組合成特征向量。
[0060](2)各神經網絡模型根據其各自表征的圖像模型對待識別圖像的特征向量分別進行打分得到分值；
[0061](3)獲取各神經網絡模塊輸出的分值，并計算各神經網絡模塊輸出分值與訓練時獲取的神經網絡標準值之差值，根據所述差值判斷待識別圖像類別，即認為待識別圖像是差值最小的神經網絡所表征的圖像類別。
[0062]所述神經網絡模塊的訓練方法，包括以下步驟:
[0063](a)將訓練用灰度圖像分類；
[0064](b)前饋階段，對于每一幅訓練用灰度圖像，按照與待識別圖像相同的方法提取其特征向量，根據當前神經網絡模型所表征的圖像模型給訓練用灰度圖像打分得到參考分值；對于每一個神經網絡模型，收集其對于所有訓練用灰度圖像打分得到的參考分值，并計算其均值作為標準值；
[0065](C)反饋階段，對于每一幅訓練用的灰度圖像，提取其特征向量并輸入相應類別的神經網絡模型進行打分獲得分值。當分值超過設定閾值時，神經網絡模型根據特征值調整相應神經突觸權重:特征值為“ I ”，則增加相應神經突觸權重，特征值為“0”，則減相應神經突觸權重；當分值不超過設定閾值時，不調整神經突出權重。
[0066]以下為實施例:
[0067]實施例1
[0068]本發明提供的基于憶阻器的圖像識別系統，包括:圖像信號提取模塊、2個基于憶阻器的神經網絡模塊和一個識別模塊。所述識別模塊其輸入端與多個神經網絡模塊的輸出端相連；每個神經網絡模塊的輸出端與識別模塊的輸入端相連，其輸入端與信號提取模塊的輸出端相連。
[0069]所述圖像信號提取模塊，用于提取訓練用和待識別的灰度圖像的特征向量信號，并輸入神經網絡模塊，包括上位機和12個脈沖發生器。所述上位機，與12個脈沖發生器相連，用于讀取灰度圖像信號，提取其特征向量，并將特征向量的多個特征值分別傳遞給相應的脈沖發生器；所述脈沖發生器，輸入端與上位機相連，輸出端與神經網絡模塊的輸入神經元電路輸入端相連，用于接收上位機產生的特征值，并根據特征值產生相應的特征值信號，所述特征值信號組成特征向量信號，傳遞給神經網絡模塊的輸入神經元電路。所述特征值為布爾量，即為“O”或“I”。圖像信號提取模塊輸出端采用電壓信號傳遞特征值，用零電壓表示“O”，用IV表示“I”。
[0070]所述神經網絡模塊，采用憶阻器模擬神經突觸。所述神經網絡模塊，獲取全局時鐘信號，所述全局時鐘信號成周期性，一個全局時鐘周期包括前饋階段和反饋階段。所述全局時鐘信號，如圖4所示，周期為2秒，其中第I秒為前饋階段，電壓為IV，第2秒為反饋階段，電壓為0V。所述神經網絡模塊訓練時，在反饋階段，獲取訓練用灰度圖像的特征向量信號，通過監督學習的方法自適應調整憶阻器阻值，訓練其表征的圖像模型，在前饋階段，產生參考信號并傳遞給識別模塊；識別時，獲取待識別灰度圖像的特征向量信號，根據其表征的圖像模型對待識別圖像的特征向量信號進行打分，得出分值信號并傳遞給識別模塊。
[0071]所述神經網絡模塊，包括12個輸入神經元電路、相應數量的用于模擬神經突觸的憶阻器和一個輸出神經兀電路；12個輸入神經兀電路的輸入端與信號提取模塊的多個輸出端依次相連，輸入神經元電路的輸出端與相應憶阻器的一端相連，憶阻器的另一端與輸出神經元電路的輸入端相連，輸出神經元電路的輸出端與識別模塊的輸入端相連；輸出神經元電路的反饋端與輸入神經元電路的反饋接收端相連。
[0072]所述輸入神經元電路，如圖5所示，包括4個選擇電路、延時器，4個脈沖發生器、穩壓器。其中:第三選擇電路，其輸出端為輸入神經元電路輸出端，與模擬神經突觸的憶阻器相連，其控制端獲取全局時鐘信號，其第一輸入端連接第二選擇電路，其第二輸入端連接第四選擇電路，當控制端電壓值超過OV時，第三選擇電路將其第一輸入端的信號作為輸出端信號，否則將其第二輸入端的信號作為輸出信號；第二選擇電路，其輸出端與第三選擇電路的第一輸入端相連，其控制端為輸入神經元電路輸入端，與圖像信號提取模塊的相應輸出端相連，其第一輸入端與第一脈沖發生器相連，其第二輸入端與第二脈沖發生器相連，當控制端電壓超過0.5V時，第二選擇電路將其第一輸入端的信號作為輸出信號，否則將其第二輸入端的信號作為輸出信號；第一脈沖發生器，產生正前饋脈沖，如圖6 (a)所示，其周期為I秒，脈沖幅值為+0.2V，脈沖寬度0.4秒，脈沖延遲0.6秒；第二脈沖發生器，產生負前饋脈沖，如圖6 (b)所示，其周期為I秒，脈沖幅值為0.1V，脈沖寬度為0.4秒，脈沖延遲0.6秒；第四選擇電路，其輸出端與第三選擇電路的第二輸入端相連，其控制端為輸入神經元電路反饋接收端，與輸出神經元電路的反饋輸出端相連，其第一輸入端與第一選擇電路的輸出端相連，其第二輸入端與穩壓器相連，當控制端電壓超過0.5V時，第四選擇電路將其第一輸入端的信號作為輸出信號，否則將第二輸入端的信號作為輸出信號；所述穩壓器輸出恒定的零電壓；第一選擇電路，其輸出端和第四選擇電路的第一輸入端相連，其控制端和延時器的輸出端相連，其第一輸入端和第三脈沖發生器相連，其第二輸入端和第四脈沖發生器相連，當控制端電壓超過0.5V時，第一選擇電路將其第一輸入端的信號作為輸出信號，否則將其第二輸入端的信號作為輸出信號；延時器的輸入端與圖像信號提取模塊的相應輸出端相連；第三脈沖發生器，產生正反饋脈沖，如圖6 (c)所示，其周期為I秒，脈沖幅值為+IV，脈沖寬度為0.4秒，脈沖延遲0.6秒；第四脈沖發生器，產生負反饋脈沖，如圖6 (d)所示，其周期為I秒，脈沖幅值為-1V，脈沖寬度為0.4秒，脈沖延遲0.6秒。
[0073]所述輸入神經元電路:在全局時鐘信號前饋階段，當圖像提取模塊的相應輸出端輸出的特征值為“ I”時，第二選擇電路的控制端電壓超過0.5V，將正前饋電壓輸出給第三選擇模塊的第一輸入端，第三選擇電路的控制端電壓超過ov，將正前饋信號加載在憶阻器一端；當圖像提取模塊的相應的輸出端輸出的特征值為“O”時，第二選擇電路的控制端電壓不超過0.5V，將負前饋電壓輸出給第三選擇電路的第一輸入端，第三選擇電路的控制端電壓超過0.5V，將負前饋信號加載在憶阻器的一端。在全局時鐘信號反饋階段，當輸出神經元電路的反饋輸出端輸出信號為零電壓時，第四選擇電路的控制端電壓不超過0.5V，將穩壓器輸出的零電壓輸出給第三選擇電路的第二輸出端，第三選擇電路的控制端電壓不超過0V，將第二輸入端的零電壓加載在憶阻器一端，憶阻器阻值不改變；當輸出神經元電路的反饋輸出端輸出信號為穩定的IV電壓時，第四選擇電路控制端電壓超過0.5V，將第一選擇電路的輸出信號輸出給第三選擇電路的第二輸入端，第三選擇電路的控制端電壓不超過0V，將第二輸入端的信號即第一選擇電路的輸出信號作為輸出信號加載在憶阻器一端:當圖像提取模塊相應的輸出端輸出的特征值為“O”時，第一選擇電路的控制端電壓超過0.5V，將正前饋信號作為其輸出，并最終加載在憶阻器一端；當圖像提取模塊相應輸出端輸出的特征值為“ I ”時，第一選擇電路的控制端電壓不超過0.5V，將付錢虧信號作為其輸出，并最終加載在憶阻器一端。
[0074]所述憶阻器，正向閾值電壓為+0.8V，負向閾值電壓為-0.8V。在全局時鐘前饋階段，憶阻器一端加載正前饋信號或負前饋信號，不會超過憶阻器正向閾值電壓或負向閾值電壓，憶阻器阻值改變忽略不計，憶阻器另一端產生相應的電流信號輸出給輸出神經元電路；在全局時鐘反饋階段，憶阻器的一端加載零電壓、正反饋信號或負反饋信號；當加載零電壓時，憶阻器兩端無電壓差，其組織無變化；當加載正反饋信號時，憶阻器兩端電壓差超過正向閾值，憶阻器阻值變小，調整到低阻態；當加載負反饋信號時，憶阻器兩端電壓差超過負向閾值，憶阻器阻值變大，調整到高阻態。
[0075]所述輸出神經元電路，在全局時鐘前饋階段，收集各憶阻器產生的神經沖動電流疊加得到興奮電流，輸出興奮電流給識別模塊，在訓練時所述興奮電流表征參考信號，在識別時所述興奮電流表征分值信號；在全局時鐘反饋階段，記憶本周期前饋階段產生的興奮電流，根據興奮電流與設定的興奮的比較結果，產生反饋信號并傳遞給輸入神經元電路反饋接收端。
[0076]所述輸出神經元電路，如圖7所示，包括求和運算器、延時器、2個選擇電路和2個穩壓器。求和運算器，其輸入端為輸出神經元電路的輸入端和所述神經網絡模塊中的所有憶阻器的另一端相連，其輸出端和第一選擇電路的第一輸入端相連；第一選擇電路，其輸出端為輸出神經電路的輸出端，與識別模塊輸入端、第二選擇電路控制端、延時器輸入端相連，其控制端獲取全局時鐘信號，其第一輸入端與求和運算器輸出端相連，其第二輸入端與延時器輸出端相連；第二選擇電路，其輸出端為輸出神經元反饋端，與輸入神經元電路反饋接收端相連，其第一輸入端與第一穩壓器相連，其第二輸入端與第二穩壓器相連，當其控制端電流超過用于表征興奮閾值的電流時，第二選擇電路將其第一輸入端信號作為輸出，否則將其第二輸入端信號作為輸出；第一穩壓器與第二選擇電路第一輸入端相連，輸出電壓為IV，第二穩壓器與第二選擇電路第二輸入端相連，輸出零電壓。
[0077]所述輸出神經元電路，設置用于表征興奮閾值的電流為4mA。在全局時鐘前饋階段，求和放大器收集憶阻器產生的電流并疊加，輸出給第一選擇電路第一輸入端，第一選擇電路控制端電壓超過0V,將第一輸入端的輸入信號即求和放大器的輸出信號加載到輸出神經元電路輸出端、延時器輸入端；在全局時鐘反饋階段，延時器將求和放大器的輸出信號加載到第一選擇電路的第二輸入端，第一選擇電路的控制端電壓不超過0V，將第二輸入端的輸入信號加載到第二選擇電路的控制端，第二選擇電路的控制端電流超過興奮閾值電流時，第二選擇電路將第一輸入端信號即IV電壓作為反饋信號通過輸出神經元電路反饋端輸出給輸入神經元電路反饋接收端，否則將第二輸入端信號即零電壓作為反饋信號通過輸出神經元電路反饋端輸出給輸入神經元電路反饋接收端。
[0078]所述識別模塊，包括2個示波器和下位機；所述示波器的輸入端和相應神經網絡模塊輸出神經元電路的輸出端相連，輸出端和下位機輸入端相連，用于收集神經網絡模塊輸出參考信號和待識別的灰度圖像分值信號，并將轉化為參考值和分值傳遞給下位機；所述下位機的多個輸入端與相應的示波器相連，用于獲取所述參考值和分值，根據各神經網絡模塊的參考值計算其標準值并比較標準值和分值信號的差異，識別灰度圖像的類別為所述差異最小的神經網絡模塊所代表的圖像類別。訓練時，各神經網絡模塊對于每一幅訓練用的灰度圖像，產生一個參考值，多次訓練后產生多個參考值；對于一個神經網絡模塊，所述識別模塊收集其所有參考值，并計算其平均值作為標準值。識別時，各神經網絡模塊對待識別的灰度圖像進行打分獲得分值，并將分值輸出給識別模塊；識別模塊計算各神經網絡模塊其分值和標準值之間的差異，選擇所述差異最小的神經網絡所表征的圖像類別作為待識別的灰度圖像的類別，完成識別過程。
[0079]實施例2
[0080]第一神經網絡模塊用于表征數字“3”的圖像模型，訓練方法如下:
[0081](a)選擇5張表示數字“3”的灰度圖片，如圖8 (a)至(e)所示；
[0082](b)前饋階段:
[0083]圖像信號提取模塊，對于每一幅訓練用的灰度圖像，讀取灰度圖像的像素矩陣；利用edge函數作為邊緣檢測函數檢測像素矩陣中的邊緣像素,并計算邊緣像素所占比例作為邊緣像素均值；將像素特征矩陣分為3X4塊，同濟每個圖像塊里邊緣像素所占比例并于邊緣像素均值比較，如果超過邊緣像素均值，則將“ I ”作為該圖像塊的特征值，否則將“O”作為該圖像塊的特征值；將圖像塊的特征值按照行間從上至下、行內從左到右的順序將特征值組合成特征向量，并傳遞給神經網絡模塊。
[0084]神經網絡模塊，對于每一幅訓練用的灰度圖像，獲取所述圖像的特征向量，根據其當前所表征的圖像模型給訓練所述特征向量打分得到參考分值，并將參考分值傳遞給識別模塊。
[0085]識別模塊，收集神經網絡模塊對于每一幅訓練用的灰度圖像輸出的參考值，即5次輸出的參考值，并計算所述參考值的均值作為該神經網絡模塊的標準值。
[0086](C)反饋階段:
[0087]圖像信號提取模塊，對于每一幅訓練用的灰度圖像，按照步驟(b)中所述方法獲取圖片的特征向量，并傳遞給神經網絡模塊。
[0088]神經網絡模塊，對于每一幅訓練用的灰度圖像的特征向量信號，其輸出神經元電路產生興奮電流，如果興奮電流超過興奮閾值，則輸出神經元電路將反饋脈沖加載在用于模擬神經突觸憶阻器的一端，否則輸出神經元電路將零電壓加載在用于模擬神經突觸的憶阻器的一端；所述憶阻器根據其兩端電壓差自適應的調整自身阻值:其一端如果加載正反饋脈沖，則其阻值減小；其一端如果加載負反饋脈沖，則其阻值增加；其一端如果加載零電壓則其阻值不變。
[0089]實施例3
[0090]本發明提供的圖像識別方法，應用如實施例1所述的圖像識別系統，具體包括以下步驟:
[0091](I)圖像信號提取模塊獲取待識別灰度圖像的特征向量，并將特征向量分別傳遞給各神經網絡模塊；圖像信號提取模塊獲取特征向量的具體步驟如實施例2中圖像信號提取模塊獲取訓練用的灰度圖像特征向量的具體步驟。
[0092](2)第一神經網絡模塊和第二神經網絡模塊，按照如實施例2的方法進行訓練后，分別表征表示數字“3”的圖片的模型和表示數字“5”的圖片的模型；所述第一神經網絡模塊和第二神經網絡模塊根據其各自表征的圖像模型對待識別圖像的特征向量分別進行打分，并將分值傳遞給識別模塊。
[0093](3)識別模塊獲取第一和第二神經網絡模塊輸出的分值，并計算第一和第二神經網絡模塊的輸出分值與訓練時獲取的標準值之差值，根據所述差值判斷待識別圖像類別:如果第一神經網絡模塊的差值較小，則認為待識別圖像為表示數字“3”的圖片；如果第二神經網絡模塊的差值較小，則認為待識別圖像為表示數字“5”的圖片。
[0094]本領域的技術人員容易理解，以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。
【權利要求】
1.一種基于憶阻器的圖像識別系統，其特征在于，包括:圖像信號提取模塊、多個基于憶阻器的神經網絡模塊和識別模塊；所述識別模塊其輸入端與多個神經網絡模塊的輸出端相連；每個神經網絡模塊的輸出端與識別模塊的輸入端相連，其輸入端與信號提取模塊的輸出端相連；其中: 所述圖像信號提取模塊，用于提取訓練用和待識別的灰度圖像的特征向量信號，并輸入神經網絡模塊； 所述神經網絡模塊，采用憶阻器模擬神經突觸，獲取全局時鐘信號，所述全局時鐘信號成周期性，一個全局時鐘周期包括前饋階段和反饋階段；所述神經網絡模塊訓練時，在反饋階段，獲取訓練用灰度圖像的特征向量信號，通過監督學習的方法自適應調整憶阻器阻值，訓練其表征的圖像模型，在前饋階段，產生參考信號并傳遞給識別模塊；識別時，獲取待識別灰度圖像的特征向量信號，根據其表征的圖像模型對待識別圖像的特征向量信號進行打分，得出分值信號并傳遞給識別模塊； 所述識別模塊，在神經網絡模塊訓練時，用于獲取各神經網絡模塊的參考信號，并根據其計算各神經網絡標準值，在神經網絡模塊識別時，根據各神經網絡標準值和分值信號判斷待識別圖像類型并得出判斷結果。
2.如權利要求1所述的圖像識別系統，其特征在于，所述神經網絡模塊，包括多個輸入神經元電路、相應數量的用于模擬神經突觸的憶阻器和一個輸出神經元電路；多個輸入神經兀電路的輸入端與信號提取模塊的多個輸出端依次相連，輸入神經兀電路的輸出端與相應憶阻器的一端相連，憶阻器的另一端與輸出神經元電路的輸入端相連，輸出神經元電路的輸出端與識別模塊的輸入端相連；輸出神經元電路的反饋端與輸入神經元電路的反饋接收端相連； 所述輸入神經元電路，在全局時鐘信號前饋階段，用于接收信號提取模塊輸出的特征向量信號的各個特征值信號，根據特征值信號選擇前饋脈沖，將前饋脈沖傳遞給憶阻器；在全局時鐘信號反饋階段，用于記憶本時鐘周期前饋階段的特征值信號，接收輸出神經元電路反饋端的反饋信號，根據所述特征值信號選擇反饋脈沖，根據所述反饋信號決定是否將反饋脈沖施加給憶阻器； 所述憶阻器，在全局時鐘前饋階段根據前饋脈沖和自身阻值產生神經沖動電流；在全局時鐘反饋階段根據一端的反饋脈沖和另一端的零電壓自適應的調整自身阻值； 所述輸出神經元電路，在全局時鐘前饋階段，收集各憶阻器產生的神經沖動電流疊加得到興奮電流，輸出興奮電流給識別模塊，在訓練時所述興奮電流表征參考信號，在識別時所述興奮電流表征分值信號；在全局時鐘反饋階段，記憶本周期前饋階段產生的興奮電流，根據興奮電流與設定的興奮閾值的比較結果，產生反饋信號并傳遞給輸入神經元電路反饋接收端。
3.如權利要求1所述的圖像識別系統，其特征在于，所述圖像信號提取模塊，包括上位機和多個脈沖發生器；所述上位機，與多個脈沖發生器相連，用于讀取灰度圖像信號，提取其特征向量，并將特征向量的多個特征值分別傳遞給相應的脈沖發生器；所述脈沖發生器，輸入端與上位機相連，輸出端與神經網絡模塊的輸入神經元電路輸入端相連，用于接收上位機產生的特征值，并根據特征值產生相應的特征值信號，所述特征值信號組成特征向量信號，傳遞給神經網絡模塊的輸入 神經元電路。
4.如權利要求1所述的圖像識別系統，其特征在于，所述識別模塊，包括多個示波器和下位機；所述示波器的輸入端和神經網絡模塊輸出神經元電路的輸出端相連，輸出端和下位機輸入端相連，用于收集神經網絡模塊輸出參考信號和待識別的灰度圖像分值信號，并將轉化為參考值和分值傳遞給下位機；所述下位機的多個輸入端與相應的示波器相連，用于獲取所述參考值和分值，根據各神經網絡模塊的參考值計算其標準值并比較標準值和分值信號的差異，識別灰度圖像的類別為所述差異最小的神經網絡模塊所代表的圖像類別。
5.如權利要求2至4任意一項所述的圖像識別系統，其特征在于，所述前饋脈沖包括正前饋脈沖和負前饋脈沖，所述反饋脈沖包括正反饋脈沖和負反饋脈沖。
6.一種圖像識別方法，其特征在于，包括以下步驟: (1)獲取待識別灰度圖像的特征向量，并將特征向量分別輸入各神經網絡模型； (2)各神經網絡模型根據其各自表征的圖像模型對待識別圖像的特征向量分別進行打分獲得用于識別的分值； (3)獲取各神經網絡模塊輸出的分值，并計算各神經網絡模塊輸出分值與訓練時獲取的神經網絡標準值之差值，根據所述差值判斷待識別圖像類別，即認為待識別圖像是差值最小的神經網絡所表征的圖像類別。
7.如權利要求6所述的圖像識別方法，其特征在于，所述神經網絡模型按照如下方法訓練: (a)將訓練用灰度圖像分類； (b)前饋階段，對于每一幅訓練用灰度圖像，根據當前神經網絡模型所表征的圖像模型給訓練用灰度圖像打分得到參考分值；對于每一個神經網絡模型，收集其對于所有訓練用的灰度圖像打分得到的參考分值，并計算其均值作為標準值； (c)反饋階段，對于每一幅訓練用的灰度圖像，提取其特征向量并輸入相應類別的神經網絡模型進行打分獲得分值；當分值超過設定閾值時，根據特征向量的特征值調整相應神經突觸權重:特征值越大，調整相應神經突觸權重越大；當分值不超過設定閾值是，不調整神經突觸權重。
8.如權利要求6或7所述的圖像識別方法，其特征在于，所述圖像信號提取模塊獲取待分類圖像的特征向量的方法包括以下步驟: (1-1)讀取灰度圖片的像素矩陣； (1-2)利用邊緣檢測函數檢測像素矩陣中的邊緣像素，并計算邊緣像素所占比例作為邊緣像素均值； (1-3)將像素特征矩陣分為多個圖像塊，統計每個圖像塊里邊緣像素所占比例并與邊緣像素均值比較，將比較結果作為該圖像塊的特征值； (1-4)將圖像塊的特征值組合成特征向量。
9.如權利要求8所述的圖像識別方法，其特征在于，所述步驟(1-2)采用edge函數作為邊緣檢測函數。
10.如權利要求8所述的圖像識別方法，其特征在于，所述步驟(1-3)將圖像平均分成3X4 塊。
【文檔編號】G06K9/62GK103810497SQ201410037374
【公開日】2014年5月21日 申請日期:2014年1月26日 優先權日:2014年1月26日
【發明者】陳進才, 周功業, 周可, 陳濤, 張涵, 周西, 聶昌盛 申請人:華中科技大學