一種基于生物視覺分層模型的不變特征提取方法
【專利摘要】本發明公開了一種基于生物視覺分層模型的不變特征提取方法，包括：步驟1、對待測量樣本進行處理，得到待測量樣本的特征優勝圖像金字塔；步驟2、選擇訓練樣本集，得到各訓練樣本的特征優勝圖像金字塔，并進一步構建訓練樣本特征向量集；步驟3，對上述訓練樣本特征向量集進行過完備訓練，構建過完備字典；步驟4，提取待測量樣本的特征向量，用過完備字典對待測量樣本的特征向量進行稀疏表達，得到特征稀疏表示層；步驟5，對步驟4中的特征稀疏表示層進行位置競爭處理和尺度競爭處理，得到最終特征向量。本發明采用多尺度金子塔，有利于目標多尺度特征的提取；采用分層處理模式，符合生物視覺信息加工的生理模型，有利于提取視覺不變特征。
【專利說明】一種基于生物視覺分層模型的不變特征提取方法
【技術領域】
[0001]本發明屬于圖像處理【技術領域】，更具體地，涉及一種基于生物視覺分層模型的不變特征提取方法。
【背景技術】
[0002]在目標識別領域中，特征提取是影響目標識別能力的關鍵技術之一。生物視覺系統具有在復雜場景中快速準確識別目標的能力，將生物視覺機制引入到機器識別應用領域是一個非常有潛力的研究方向。
[0003]目前常用的生物視覺機制采用分層模型來模擬視覺系統的處理過程，通過逐層加工，使簡單特征逐步進化成具有不變性的復雜特征，并利用樣本的復雜特征建立特征字典，進而利用特征字典來實現目標的識別。這一過程中，特征字典的建立尤為重要，現有的方法常采用隨機取訓練樣本的方式來獲得特征字典，具有一定的隨意性，影響了特征字典的應用效果和目標識別的性能。
【發明內容】
[0004]針對現有技術的不足，本發明在復雜特征遍歷選取的基礎上，采用稀疏表示學習方法，構建過完備特征字典，進而用該字典實現特征的稀疏表示，減少特征字典構建的隨機性，提聞目標識別的性能。
[0005]為實現上述目的，如圖1所示，本發明提供了一種基于生物視覺分層模型的不變特征提取方法，包括:
[0006]步驟1、對待測量樣本進行處理，依次獲得待測量樣本的圖像層、簡單特征層和特征局部競爭層，得到待測量樣本的特征優勝圖像金字塔；
[0007]步驟2、選擇訓練樣本集，根據步驟I中的方法對訓練樣本集中的各訓練樣本處理得到各訓練樣本的特征優勝圖像金字塔，并進一步構建訓練樣本特征向量集；
[0008]步驟3，對上述訓練樣本特征向量集進行過完備訓練，構建過完備字典；
[0009]步驟4，從步驟I中的待測量樣本的特征優勝圖像金字塔中提取待測量樣本的特征向量，利用過完備字典對待測量樣本的特征向量進行稀疏表達，得到特征稀疏表示層；
[0010]步驟5，對步驟4中的特征稀疏表示層進行位置競爭處理和尺度競爭處理，得到最終特征向量。
[0011]作為本發明的優選，所述步驟I具體包括:
[0012]步驟1.1、圖像層金字塔構建:
[0013](1.1.1)將待測量樣本的原始圖像轉化為灰度圖像；
[0014](1.1.2)對該灰度圖像進行長寬等比例縮放處理，使短邊縮放后為140個像素；
[0015](1.1.3)以2為降采樣比例構建具有不同尺度的10層金字塔圖像，金字塔由頂層至底層依次編號為1-10，第10層金字塔圖像的短邊長為140，向上逐層遞減；
[0016]步驟1.2、簡單特征提取:[0017](1.2.1)對金字塔每層圖像分別都用窗口大小為IlX 11，12個方向的Gabor濾波器進行邊緣特征提取，每層圖像經濾波后獲得12幅不同方向的邊緣特征圖像，從而獲得一個10層邊緣特征圖像金字塔，每層含12幅方向邊緣特征圖像；
[0018](1.2.2)對邊緣特征圖像金字塔進行信息抑制處理，首先對每層12幅方向圖像求均值，獲得12幅均值圖像，然后對每層的每幅圖像逐像素進行處理，如果該像素的值小于同層均值圖像相同位置像素的值，則該像素置為0，否則，像素的值保持不變；
[0019]步驟1.3、特征局部競爭處理:
[0020](1.3.1)對邊緣特征圖像金字塔的相鄰尺度的12個方向分別進行尺度和位置局部競爭處理，得到9層特征優勝圖像金字塔；首先對具有相鄰尺度的兩幅邊緣特征圖像進行尺度競爭，選擇對應像素值較大的一個，組成一幅尺度競爭優勝圖；然后在預先定義的10 X 10搜索窗口內，對尺度競爭優勝圖像執行位置競爭，從局部窗口中選取最大像素值作為該點的像素值，這樣獲得12幅尺度和位置競爭優勝圖；
[0021](1.3.2)對競爭優勝圖像金字塔進行信息抑制處理，首先對每層12幅方向圖像求均值，獲得12幅均值圖像，然后對每層的每幅圖像逐像素進行處理，如果該像素的值小于同層均值圖像相同位置像素的值，則該像素置為0，否則，像素的值保持不變；獲得9層特征優勝圖像金字塔，每層12幅圖像。
[0022]作為本發明的優選，所述步驟2具體包括:[0023]步驟2.1、選取系列正樣本圖像，根據步驟I中的方法對每個樣本進行處理，獲得每個樣本圖像的特征優勝圖像金字塔；
[0024]步驟2.2、樣本圖像特征向量提取:對步驟1.1中的每個樣本圖像的特征優勝圖像依次進行如下處理:將9層優勝圖像分成4組，每組建立一個過完備字典；其中1、2層為尺度組1，記為W1 ;3、4層為尺度組2，記為W2 ;5、6層為尺度組3，記為W3 ;7、8和9層分為尺度組4，記W4 ;用4X4模板對每組Wi中每層圖像的12幅圖像同時遍歷采樣，獲得一系列具有相同采樣位置不同方向的子塊組，每組由12個4X4大小的塊組成，對每組12個方向的子塊進行融合處理，形成一個4X4大小的特征矩陣，矩陣中每個元素的值取12個子塊中相同位置的最大值，這樣，一系列大小為4X4的特征矩陣分別構成4個不同尺度字典的訓練樣本特征向量集，記為Ki ;其中，i = 1，2，3，4。
[0025]作為本發明的優選，所述步驟3具體包括:
[0026]根據步驟2.2中得到的4個不同尺度字典的訓練樣本特征向量集求取相應的過完備子典Di ；
[0027]
【權利要求】
1.一種基于生物視覺分層模型的不變特征提取方法，其特征在于，所述方法包括: 步驟1、對待測量樣本進行處理，依次獲得待測量樣本的圖像層、簡單特征層和特征局部競爭層，得到待測量樣本的特征優勝圖像金字塔； 步驟2、選擇訓練樣本集，根據步驟I中的方法對訓練樣本集中的各訓練樣本處理得到各訓練樣本的特征優勝圖像金字塔，并進一步構建訓練樣本特征向量集； 步驟3，對上述訓練樣本特征向量集進行過完備訓練，構建過完備字典； 步驟4，從步驟I中的待測量樣本的特征優勝圖像金字塔中提取待測量樣本的特征向量，利用過完備字典對待測量樣本的特征向量進行稀疏表達，得到特征稀疏表示層； 步驟5，對步驟4中的特征稀疏表示層進行位置競爭處理和尺度競爭處理，得到最終特征向量。
2.如權利要求1所述的方法，其特征在于，所述步驟I具體包括: 步驟1.1、圖像層金字塔構建: (1.1.1)將待測量樣本的原始圖像轉化為灰度圖像； (1.1.2)對該灰度圖像進行長寬等比例縮放處理，使短邊縮放后為140個像素； (1.1.3)以2為降采樣比例構建具有不同尺度的10層金字塔圖像，金字塔由頂層至底層依次編號為1-10，第10層金字塔圖像的短邊長為140，向上逐層遞減； 步驟1.2、簡單特征提取: (1.2.1)對金字塔每層圖像分別都用窗口大小為11 X 11，12個方向的Gabor濾波器進行邊緣特征提取，每層圖像經濾波后獲得12幅不同方向的邊緣特征圖像，從而獲得一個10層邊緣特征圖像金字塔，每層含12幅方向邊緣特征圖像； (1.2.2)對邊緣特征圖像金字塔進行信息抑制處理，首先對每層12幅方向圖像求均值，獲得12幅均值圖像，然后對每層的每幅圖像逐像素進行處理，如果該像素的值小于同層均值圖像相同位置像素的值，則該像素置為0，否則，像素的值保持不變； 步驟1.3、特征局部競爭處理: (1.3.1)對邊緣特征圖像金字塔的相鄰尺度的12個方向分別進行尺度和位置局部競爭處理，得到9層特征優勝圖像金字塔；首先對具有相鄰尺度的兩幅邊緣特征圖像進行尺度競爭，選擇對應像素值較大的一個，組成一幅尺度競爭優勝圖；然后在預先定義的10 X 10搜索窗口內，對尺度競爭優勝圖像執行位置競爭，從局部窗口中選取最大像素值作為該點的像素值，這樣獲得12幅尺度和位置競爭優勝圖； (1.3.2)對競爭優勝圖像金字塔進行信息抑制處理，首先對每層12幅方向圖像求均值，獲得12幅均值圖像，然后對每層的每幅圖像逐像素進行處理，如果該像素的值小于同層均值圖像相同位置像素的值，則該像素置為0，否則，像素的值保持不變；獲得9層特征優勝圖像金字塔，每層12幅圖像。
3.如權利要求1或2所述的方法，其特征在于，所述步驟2具體包括: 步驟2.1、選取系列正樣本圖像，根據步驟I中的方法對每個樣本進行處理，獲得每個樣本圖像的特征優勝圖像金字塔； 步驟2.2、樣本圖像特征向量提取:對步驟1.1中的每個樣本圖像的特征優勝圖像依次進行如下處理:將9層優勝圖像分成4組，每組建立一個過完備字典；其中1、2層為尺度組.1，記為W1 ;3、4層為尺度組2，記為W2 ;5、6層為尺度組3，記為W3 ;7、8和9層分為尺度組4，記評4 ;用4X4模板對每組Wi中每層圖像的12幅圖像同時遍歷采樣，獲得一系列具有相同采樣位置不同方向的子塊組，每組由12個4X4大小的塊組成，對每組12個方向的子塊進行融合處理，形成一個4X4大小的特征矩陣，矩陣中每個元素的值取12個子塊中相同位置的最大值，這樣，一系列大小為4X4的特征矩陣分別構成4個不同尺度字典的訓練樣本特征向量集，記為Ki ;其中，i = 1，2，3，4。
4.如權利要求3所述的方法，其特征在于，所述步驟3具體包括: 根據步驟2.2中得到的4個不同尺度字典的訓練樣本特征向量集求取相應的過完備字典01 ；
5.如權利要求4所述的方法，其特征在于，所述步驟4具體包括: 步驟4.1、在步驟I中的待測量樣本的特征優勝圖像金字塔中每層提取K個特征向量記為 Ij，k, j = (I,..., 9), k = (1，...，K)； 步驟4.2、利用步驟3中訓練獲得的過完備字典對特征向量進行稀疏表示，稀疏表示系數通過下式求解:
6.如權利要求5所述的方法，其特征在于，所述步驟5具體包括: 步驟5.1、對Qu進行位置競爭處理，獲得競爭結果Hj:
Hj (i) = max{Qj，k(i), (k = I,..., K)}, i = (I,...,M), j = (1，...，9) 步驟5.2、對Hj (j = 1，...，9)進行尺度競爭處理，獲得最終的MX I維特征列向量T:
T (i) = max (Hj (i)，(j = 1，...，9)}，(i = 1，...，Μ)。
【文檔編號】G06K9/46GK103927540SQ201410134727
【公開日】2014年7月16日 申請日期:2014年4月3日 優先權日:2014年4月3日
【發明者】許毅平, 田巖, 文灝, 徐倩 申請人:華中科技大學