[发明专利]改进的脉冲深度神经网络的图像分类方法

说明书

一种改进的脉冲深度神经网络的图像分类方法，采用了DOG层和简化脉冲耦合神经网络对图像进行预处理，灰度图像经过DOG层生成对比度图，简化的脉冲耦合神经网络通过参数自适应的方法处理DOG层生成的对比度图，根据生成的对比度图像具体内容的不同，按照像素值越大，点火时间越早的原则，生成不同通道数的脉冲图像，即时间序列脉冲图。改进的脉冲深度神经网络采用STDP无监督算法训练网络。用STDP权重修改机制更新卷积层的权重矩阵，直至达到当前卷积层的最大迭代次数，进入下一个卷积层重复训练过程，得到训练好的脉冲深度神经网络。本发明具有更贴近生物特性，且方法简单、有效等优点，适用于手写数字、人脸和其他物体等图像识别。

技术领域

本发明属于图像处理及模式识别技术领域，具体地涉及到对图像进行分类。

背景技术

图像物体分类与检测是计算机视觉研究中的两个重要的基本问题，是图像分割、物体跟踪、行为分析等其他高层视觉任务的基础，同时也是计算机视觉、模式识别与机器学习领域非常活跃的研究方向。物体分类与检测在很多领域得到广泛应用，包括安防领域的人脸识别、行人检测、智能视频分析、行人跟踪等，交通领域的交通场景物体识别、车辆计数、逆行检测、车牌检测与识别，以及互联网领域的基于内容的图像检索、相册自动归类等。

近年来用于图像分类的神经网络有很多，如DCNN、SNN、SDNN等，但他们都有各自的缺点，DCNN虽然在图像识别任务中表现出良好的性能，但DCNN的计算单元通过浮点值来代表神经元的激活水平，而生物通过发送电脉冲进行通信，不符合生物特性且DCNN的反向传播算法没有生物根源；SNN不可避免的缺点是每张图像都需要很多个脉冲且处理的时间较长；SDNN虽然符合生物特性但它不能根据图像的不同产生不同数量的时间通道。

在图像分类技术领域，当前需迫切解决的技术问题是提供一种符合生物特性的、能耗低的、高效率的一种改进脉冲深度神经网络的图像分类方法。

发明内容

本发明所要解决的技术问题在于克服现有技术的缺点，提供一种准确率高、能耗低的、高效率的一种改进脉冲深度神经网络的图像分类方法。

解决上述技术问题所采用的技术方案是：一种改进的脉冲深度神经网络的图像分类方法，由下述步骤组成：

(1)图像预处理

应用DOG层和简化脉冲耦合神经网络对图像进行预处理，具体步骤如下：

(a)将图像归一化至160像素×250像素并进行灰度化；

(b)生成DOG层高斯滤波器

式中filt为DOG层的高斯滤波器，s1和s2为高斯滤波器的标准差，x为一个n×n的矩阵，其中每一行元素为1～n按顺序排列的数字，0＜n＜图像行数和列数中的最小值，y为x矩阵的转置，size为DOG层高斯滤波器像素级别的大小；

(c)DOG层的高斯滤波器与步骤(a)生成的灰度图像Image做关联操作生成对比度图像img

式中img_ij为图像img第i行第j列的像素值，filt_kl为步骤(b)中DOG层的高斯滤波器第k行第l列的值，为灰度图像Image第行、第列的像素值；

(d)对步骤(c)生成的对比度图像进行阈值提取得到单通道对比度图像并归一化处理