[发明专利]基于生物视觉机理的物体训练和识别方法

说明书

技术领域

本发明涉及模式识别，特别涉及基于视觉神经机理的目标识别。

背景技术

目前，计算机视觉系统与人眼视觉系统仍存在着巨大的差异。科学家常以“过马路”这个简单的视觉任务为例来说明这一点。现代高速计算机的计算能力已达到相当惊人的程度，但计算机视觉系统却依然无法指导盲人过马路。很多研究者都将注意力集中在基于统计学习等传统方法上，而忽略了一个事实：人类视觉系统大大超过了当前最优秀的基于统计学习的计算机视觉系统。

因此，借鉴人眼视觉系统特性去研究计算机视觉中的相关问题日益变得迫切和必要。基于以上考虑，我们提出了一种基于生物视觉机理的物体训练和识别方法。

传统的物体训练和识别技术大部分是从机器学习的角度入手，从原始输入图像提取特征后，送入分类器进行模型构建，最后对新来样本进行分类。这些方法强调模型的鲁棒性，却忽略了生物视觉系统中的两个重要特点：1)生物视觉系统并不是对原始图像中提取的特征进行建模，而是先对原始图像进行复杂但快速的变换，然后再提取特征。2)训练结果对模型具有反馈作用。

传统的物体训练和识别技术在一些较复杂的情况下遇到了较大的挑战，比如，当目标发生位置变化、尺度变化、形状变化、颜色变换时，目标识别的成功率大大降低。

发明内容

为了解决现有技术存在的问题，本发明的目的是提供一种基于生物视觉神经机理的物体训练和识别方法。

根据本发明的一方面，一种基于生物视觉机理的物体训练方法，包括步骤：

步骤S11，对训练图像进行Gabor滤波操作，生成各种尺度下的S1图像；

步骤S12，对S1图像进行梯度滤波的稀疏化操作，生成图像的稀疏表达；

步骤S13，对S1的稀疏表达进行降采样操作生成C1；

步骤S14，对C1图像进行滤波操作，滤波卷积子随机采样于所有训练样本的C1图像，生成S2图像；

步骤S15，对S2图像进行求最大值操作，生成C2；

步骤S16，用C2作为特征向量送入支持向量机SVM分类器。

根据本发明的另一方面，一种基于生物视觉机理的物体识别方法，包括步骤：

步骤S21，对训练图像进行Gabor滤波操作，生成各种尺度下的S1图像；

步骤S22，对S1图像进行梯度滤波的稀疏化操作，生成图像的稀疏表达；

步骤S23，对S1的稀疏表达进行降采样操作生成C1；

步骤S24，对C1图像进行滤波操作，滤波卷积子随机采样于所有训练样本的C1图像，生成S2图像；

步骤S25，对S2图像进行求最大值操作，生成C2；

步骤S26，用C2作为特征向量送入支持向量机SVM分类器，根据SVM模型判断测试图像类别。

根据本发明的方法，图像目标在复杂的情况下，仍然可以鲁棒的达到识别的目的。在智能视觉监控系统中，帮助监控系统识别场景中目标的类别，使得监控系统能真正理解场景中正在发生什么，而且可以根据不同的目标类别采取不同的安全级别。对多媒体数字内容分析中的目标进行分析，判断目标的类别。

附图说明

图1是基于生物视觉神经机理的物体训练和识别系统框图；

图2是稀疏化限制的示意图；

图3是反馈控制的示意图。

具体实施方式

下面结合附图详细说明本发明技术方案中所涉及的各个细节问题。应指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

基于生物视觉神经机理，本发明实现了一个物体训练和识别系统。如图1示出基于生物视觉神经机理的物体训练和识别方法的流程框图，包括训练和识别两个部分：

所述的训练过程包括步骤：对已经标好类别的物体图像列进行特征提取，对提取的特征进行训练并建模。

所述的识别过程包括步骤：对含有新来的图像进行特征提取，将提取的特征输入到步骤S1训练得到的模型，获得新来图像的类别。

下面对本发明的方法涉及的关键步骤进行逐一详细说明，具体形式如下所述：

首先，对图像进行进行Gabor滤波操作，生成S1：

Gabor滤波器与哺乳动物的视觉神经皮的简单细胞的功能非常相似，在图像处理中，它具有较好的方向和频率选择性。所以我们采用Gabor滤波对输入图像进行处理。Gabot滤波器的数学表达方式如公式(1)和公式(2)所表示：