[发明专利]基于协同学涨落力的图像理解方法

权利要求书

1.基于协同学涨落力的图像理解方法，包括以下步骤：

1)根据图像识别的需要，建立图像库，选取具有代表性的图像样本，对图像进 行预处理，获取图像中场景和场景中目标的原型向量v_k；

2)求出原型向量v_k的伴随向量并存储伴随向量矩阵，从而获得网络输入 层到中间层的连接权值，完成网络学习；

3)待识别图像向量化，计算出输入模式向量q(0)；

4)由输入模式向量q(0)和伴随向量求出序参量的初始值ξ_k(0)；

5)各序参量根据动力学方程(3)竞争演化，直到所有序参量稳定于某些原型 模式，待识别场景或场景中目标归入原型模式所代表的类别，从而完成对图 像的理解；

图像理解的过程对应于一个动力学过程；序参量则相应 序参量的动力学方程和势函数分别如公式(1)-(3)所示：

ξ·k=λkξk-Cξk2-(B+C)Σk′≠kξk′2ξk---(1)]]>

V=-12Σk=1Mλkξk2+14BΣk′≠kξk′2ξk2+14C(Σk′=1Mξk′2)2---(2)]]>

ξ·=-∂V∂ξ+F---(3)]]>

在图像理解中，v_k是原型向量，为原型向量的伴随向量，序参量ξ_k是待 理解图像中场景或目标的特征，待识别模式q为输入的待理解图像中的场景或 目标，λ_k为注意参数，B为各原型模式吸引域之间边界的参数，C为限制项参 数；F称为涨落力，通过引入F，将场景和目标的先验知识融入到图像理解的 过程中；先验知识可视为一种结构选择函数F＝aα(x)+bβ(y)+cγ(z)，a、b、c 为控制参数，当进行场景分类时，a赋值为1，b和c赋值为0；当进行目标识 别时，a赋值为0，b和c赋值为1，反应外界对系统内部的作用力；场景分类 中，α(x)表示目标对场景的驱动，x表示输入的是经过语义编码的目标先验知 识向量；在场景中的目标识别中，β(y)表示场景对目标的指导，y表示输入为 经过语义编码的场景先验知识向量；γ(z)表示目标之间关系，z表示经过语义 编码的目标间关系的先验知识向量。