一种基于生物视觉分层模型的不变特征提取方法
【专利摘要】本发明公开了一种基于生物视觉分层模型的不变特征提取方法，包括：步骤1、对待测量样本进行处理，得到待测量样本的特征优胜图像金字塔；步骤2、选择训练样本集，得到各训练样本的特征优胜图像金字塔，并进一步构建训练样本特征向量集；步骤3，对上述训练样本特征向量集进行过完备训练，构建过完备字典；步骤4，提取待测量样本的特征向量，用过完备字典对待测量样本的特征向量进行稀疏表达，得到特征稀疏表示层；步骤5，对步骤4中的特征稀疏表示层进行位置竞争处理和尺度竞争处理，得到最终特征向量。本发明采用多尺度金子塔，有利于目标多尺度特征的提取；采用分层处理模式，符合生物视觉信息加工的生理模型，有利于提取视觉不变特征。
【专利说明】一种基于生物视觉分层模型的不变特征提取方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，更具体地，涉及一种基于生物视觉分层模型的不变特征提取方法。
【背景技术】
[0002]在目标识别领域中，特征提取是影响目标识别能力的关键技术之一。生物视觉系统具有在复杂场景中快速准确识别目标的能力，将生物视觉机制引入到机器识别应用领域是一个非常有潜力的研究方向。
[0003]目前常用的生物视觉机制采用分层模型来模拟视觉系统的处理过程，通过逐层加工，使简单特征逐步进化成具有不变性的复杂特征，并利用样本的复杂特征建立特征字典，进而利用特征字典来实现目标的识别。这一过程中，特征字典的建立尤为重要，现有的方法常采用随机取训练样本的方式来获得特征字典，具有一定的随意性，影响了特征字典的应用效果和目标识别的性能。
【发明内容】
[0004]针对现有技术的不足，本发明在复杂特征遍历选取的基础上，采用稀疏表示学习方法，构建过完备特征字典，进而用该字典实现特征的稀疏表示，减少特征字典构建的随机性，提闻目标识别的性能。
[0005]为实现上述目的，如图1所示，本发明提供了一种基于生物视觉分层模型的不变特征提取方法，包括:
[0006]步骤1、对待测量样本进行处理，依次获得待测量样本的图像层、简单特征层和特征局部竞争层，得到待测量样本的特征优胜图像金字塔；
[0007]步骤2、选择训练样本集，根据步骤I中的方法对训练样本集中的各训练样本处理得到各训练样本的特征优胜图像金字塔，并进一步构建训练样本特征向量集；
[0008]步骤3，对上述训练样本特征向量集进行过完备训练，构建过完备字典；
[0009]步骤4，从步骤I中的待测量样本的特征优胜图像金字塔中提取待测量样本的特征向量，利用过完备字典对待测量样本的特征向量进行稀疏表达，得到特征稀疏表示层；
[0010]步骤5，对步骤4中的特征稀疏表示层进行位置竞争处理和尺度竞争处理，得到最终特征向量。
[0011]作为本发明的优选，所述步骤I具体包括:
[0012]步骤1.1、图像层金字塔构建:
[0013](1.1.1)将待测量样本的原始图像转化为灰度图像；
[0014](1.1.2)对该灰度图像进行长宽等比例缩放处理，使短边缩放后为140个像素；
[0015](1.1.3)以2为降采样比例构建具有不同尺度的10层金字塔图像，金字塔由顶层至底层依次编号为1-10，第10层金字塔图像的短边长为140，向上逐层递减；
[0016]步骤1.2、简单特征提取:[0017](1.2.1)对金字塔每层图像分别都用窗口大小为IlX 11，12个方向的Gabor滤波器进行边缘特征提取，每层图像经滤波后获得12幅不同方向的边缘特征图像，从而获得一个10层边缘特征图像金字塔，每层含12幅方向边缘特征图像；
[0018](1.2.2)对边缘特征图像金字塔进行信息抑制处理，首先对每层12幅方向图像求均值，获得12幅均值图像，然后对每层的每幅图像逐像素进行处理，如果该像素的值小于同层均值图像相同位置像素的值，则该像素置为0，否则，像素的值保持不变；
[0019]步骤1.3、特征局部竞争处理:
[0020](1.3.1)对边缘特征图像金字塔的相邻尺度的12个方向分别进行尺度和位置局部竞争处理，得到9层特征优胜图像金字塔；首先对具有相邻尺度的两幅边缘特征图像进行尺度竞争，选择对应像素值较大的一个，组成一幅尺度竞争优胜图；然后在预先定义的10 X 10搜索窗口内，对尺度竞争优胜图像执行位置竞争，从局部窗口中选取最大像素值作为该点的像素值，这样获得12幅尺度和位置竞争优胜图；
[0021](1.3.2)对竞争优胜图像金字塔进行信息抑制处理，首先对每层12幅方向图像求均值，获得12幅均值图像，然后对每层的每幅图像逐像素进行处理，如果该像素的值小于同层均值图像相同位置像素的值，则该像素置为0，否则，像素的值保持不变；获得9层特征优胜图像金字塔，每层12幅图像。
[0022]作为本发明的优选，所述步骤2具体包括:[0023]步骤2.1、选取系列正样本图像，根据步骤I中的方法对每个样本进行处理，获得每个样本图像的特征优胜图像金字塔；
[0024]步骤2.2、样本图像特征向量提取:对步骤1.1中的每个样本图像的特征优胜图像依次进行如下处理:将9层优胜图像分成4组，每组建立一个过完备字典；其中1、2层为尺度组1，记为W1 ;3、4层为尺度组2，记为W2 ;5、6层为尺度组3，记为W3 ;7、8和9层分为尺度组4，记W4 ;用4X4模板对每组Wi中每层图像的12幅图像同时遍历采样，获得一系列具有相同采样位置不同方向的子块组，每组由12个4X4大小的块组成，对每组12个方向的子块进行融合处理，形成一个4X4大小的特征矩阵，矩阵中每个元素的值取12个子块中相同位置的最大值，这样，一系列大小为4X4的特征矩阵分别构成4个不同尺度字典的训练样本特征向量集，记为Ki ;其中，i = 1，2，3，4。
[0025]作为本发明的优选，所述步骤3具体包括:
[0026]根据步骤2.2中得到的4个不同尺度字典的训练样本特征向量集求取相应的过完备子典Di ；
[0027]
【权利要求】
1.一种基于生物视觉分层模型的不变特征提取方法，其特征在于，所述方法包括: 步骤1、对待测量样本进行处理，依次获得待测量样本的图像层、简单特征层和特征局部竞争层，得到待测量样本的特征优胜图像金字塔； 步骤2、选择训练样本集，根据步骤I中的方法对训练样本集中的各训练样本处理得到各训练样本的特征优胜图像金字塔，并进一步构建训练样本特征向量集； 步骤3，对上述训练样本特征向量集进行过完备训练，构建过完备字典； 步骤4，从步骤I中的待测量样本的特征优胜图像金字塔中提取待测量样本的特征向量，利用过完备字典对待测量样本的特征向量进行稀疏表达，得到特征稀疏表示层； 步骤5，对步骤4中的特征稀疏表示层进行位置竞争处理和尺度竞争处理，得到最终特征向量。
2.如权利要求1所述的方法，其特征在于，所述步骤I具体包括: 步骤1.1、图像层金字塔构建: (1.1.1)将待测量样本的原始图像转化为灰度图像； (1.1.2)对该灰度图像进行长宽等比例缩放处理，使短边缩放后为140个像素； (1.1.3)以2为降采样比例构建具有不同尺度的10层金字塔图像，金字塔由顶层至底层依次编号为1-10，第10层金字塔图像的短边长为140，向上逐层递减； 步骤1.2、简单特征提取: (1.2.1)对金字塔每层图像分别都用窗口大小为11 X 11，12个方向的Gabor滤波器进行边缘特征提取，每层图像经滤波后获得12幅不同方向的边缘特征图像，从而获得一个10层边缘特征图像金字塔，每层含12幅方向边缘特征图像； (1.2.2)对边缘特征图像金字塔进行信息抑制处理，首先对每层12幅方向图像求均值，获得12幅均值图像，然后对每层的每幅图像逐像素进行处理，如果该像素的值小于同层均值图像相同位置像素的值，则该像素置为0，否则，像素的值保持不变； 步骤1.3、特征局部竞争处理: (1.3.1)对边缘特征图像金字塔的相邻尺度的12个方向分别进行尺度和位置局部竞争处理，得到9层特征优胜图像金字塔；首先对具有相邻尺度的两幅边缘特征图像进行尺度竞争，选择对应像素值较大的一个，组成一幅尺度竞争优胜图；然后在预先定义的10 X 10搜索窗口内，对尺度竞争优胜图像执行位置竞争，从局部窗口中选取最大像素值作为该点的像素值，这样获得12幅尺度和位置竞争优胜图； (1.3.2)对竞争优胜图像金字塔进行信息抑制处理，首先对每层12幅方向图像求均值，获得12幅均值图像，然后对每层的每幅图像逐像素进行处理，如果该像素的值小于同层均值图像相同位置像素的值，则该像素置为0，否则，像素的值保持不变；获得9层特征优胜图像金字塔，每层12幅图像。
3.如权利要求1或2所述的方法，其特征在于，所述步骤2具体包括: 步骤2.1、选取系列正样本图像，根据步骤I中的方法对每个样本进行处理，获得每个样本图像的特征优胜图像金字塔； 步骤2.2、样本图像特征向量提取:对步骤1.1中的每个样本图像的特征优胜图像依次进行如下处理:将9层优胜图像分成4组，每组建立一个过完备字典；其中1、2层为尺度组.1，记为W1 ;3、4层为尺度组2，记为W2 ;5、6层为尺度组3，记为W3 ;7、8和9层分为尺度组4，记评4 ;用4X4模板对每组Wi中每层图像的12幅图像同时遍历采样，获得一系列具有相同采样位置不同方向的子块组，每组由12个4X4大小的块组成，对每组12个方向的子块进行融合处理，形成一个4X4大小的特征矩阵，矩阵中每个元素的值取12个子块中相同位置的最大值，这样，一系列大小为4X4的特征矩阵分别构成4个不同尺度字典的训练样本特征向量集，记为Ki ;其中，i = 1，2，3，4。
4.如权利要求3所述的方法，其特征在于，所述步骤3具体包括: 根据步骤2.2中得到的4个不同尺度字典的训练样本特征向量集求取相应的过完备字典01 ；
5.如权利要求4所述的方法，其特征在于，所述步骤4具体包括: 步骤4.1、在步骤I中的待测量样本的特征优胜图像金字塔中每层提取K个特征向量记为 Ij，k, j = (I,..., 9), k = (1，...，K)； 步骤4.2、利用步骤3中训练获得的过完备字典对特征向量进行稀疏表示，稀疏表示系数通过下式求解:
6.如权利要求5所述的方法，其特征在于，所述步骤5具体包括: 步骤5.1、对Qu进行位置竞争处理，获得竞争结果Hj:
Hj (i) = max{Qj，k(i), (k = I,..., K)}, i = (I,...,M), j = (1，...，9) 步骤5.2、对Hj (j = 1，...，9)进行尺度竞争处理，获得最终的MX I维特征列向量T:
T (i) = max (Hj (i)，(j = 1，...，9)}，(i = 1，...，Μ)。
【文档编号】G06K9/46GK103927540SQ201410134727
【公开日】2014年7月16日 申请日期:2014年4月3日 优先权日:2014年4月3日
【发明者】许毅平, 田岩, 文灏, 徐倩 申请人:华中科技大学