基于Gabor小波和神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別

《基于Gabor小波和神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、第12卷第2期揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版)Vol.12No.22009年5月JournalofYangzhouUniversity(NaturalScienceEdition)May2009基于Gabor小波和神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別3袁峰,杜宇人,吳震宇(揚(yáng)州大學(xué)信息工程學(xué)院,江蘇揚(yáng)州225009)摘要:針對(duì)目前數(shù)字圖像目標(biāo)識(shí)別方法中存在識(shí)別精度和實(shí)時(shí)性的問題,提出一種結(jié)合Gabor小波和神經(jīng)網(wǎng)絡(luò)的圖像目標(biāo)識(shí)別方法.該方法首先對(duì)圖像進(jìn)行預(yù)處理,用Canny算子進(jìn)行邊緣提取,然后通過神經(jīng)網(wǎng)絡(luò)獲取最優(yōu)的雙Gabor小波復(fù)合濾波器參數(shù),再采用參數(shù)優(yōu)化過

2、的濾波器組提取目標(biāo)的特征向量,最后進(jìn)行目標(biāo)的分類和識(shí)別.實(shí)驗(yàn)表明這種方法魯棒性好、識(shí)別率高,具有較廣泛的實(shí)際應(yīng)用價(jià)值.關(guān)鍵詞:Gabor小波濾波器;神經(jīng)網(wǎng)絡(luò);圖像;目標(biāo)識(shí)別中圖分類號(hào):TP391141文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):10072824X(2009)02249204數(shù)字圖像目標(biāo)的自動(dòng)識(shí)別是目前國(guó)內(nèi)外研究的熱點(diǎn),它在智能交通系統(tǒng)、工業(yè)生產(chǎn)自動(dòng)化和機(jī)[1]器人視覺等諸多領(lǐng)域有極高的應(yīng)用價(jià)值.已經(jīng)報(bào)道的研究方法很多,其中有基于神經(jīng)網(wǎng)絡(luò)和模糊的[2][3][4]方法、基于分形與神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別法,還有Hausdorff測(cè)距法.然而,這些方法或者耗

3、時(shí)較長(zhǎng),或者適用范圍較窄,不能同時(shí)兼顧實(shí)時(shí)性和適用性.由于Gabor小波變換在分析數(shù)字圖像的局部區(qū)域頻率和方向信息方面具有優(yōu)異的性能,故在計(jì)算機(jī)視覺及紋理分析中已經(jīng)得到廣泛應(yīng)用.而神經(jīng)網(wǎng)絡(luò)又具有自學(xué)習(xí)性、自適應(yīng)性、強(qiáng)魯棒性和推廣能力.因此,在本文中,筆者擬結(jié)合以上兩種算法的特點(diǎn),提出一種基于雙Gabor小波復(fù)合濾波器提取圖像目標(biāo)特征向量,并結(jié)合神經(jīng)網(wǎng)絡(luò)得到最優(yōu)化濾波器參數(shù)值的方法,以此對(duì)圖像目標(biāo)進(jìn)行識(shí)別.1圖像預(yù)處理[5]本研究以車型圖像為例進(jìn)行目標(biāo)識(shí)別.采用低誤判率和高定位精度的Canny算子進(jìn)行邊緣檢[6]測(cè),并通過3DMAX給出3類典型車

4、型(小汽車、客車、卡車)的數(shù)據(jù)庫,即分離出背景的目標(biāo)圖像.預(yù)處理的結(jié)果如圖1所示.2Gabor小波濾波器Gabor小波在計(jì)算機(jī)視覺和紋理分析中應(yīng)用較多,如基于二值圖像的紋理分割、圖像目標(biāo)識(shí)[7]別等.二維的Gabor小波濾波器因可同時(shí)獲取空間和頻率域的最小不確定性而常用于信號(hào)處理,并且它和人眼視網(wǎng)膜神經(jīng)細(xì)胞的感受非常相似,從而應(yīng)用于圖像處理、理解、識(shí)別等領(lǐng)域,在人臉和特[8]征識(shí)別領(lǐng)域也已成功應(yīng)用.2211xy二維Gabor小波濾波器可定義為g(x,y)=exp-2+2exp[jω0(x+y)],其極2πσxσy2σxσy坐標(biāo)形式定義為2211

5、xyG(x,y)=exp-2+2exp{j2π[ωr·cos(θ-φ)]},(1)2πσxσy2σxσy收稿日期:2008209225基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(20299030);揚(yáng)州大學(xué)自然科學(xué)基金資助項(xiàng)目(KK0313090)3聯(lián)系人,E2mail:yzdyr@163.com50揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版)第12卷其中σ為高斯函數(shù)的標(biāo)準(zhǔn)差,ω0為復(fù)平面波的空間頻率,φ=arctanv/u是22方向角,r=x+y,θ=arctany/x.極坐標(biāo)形式的Gabor小波濾波器G與輸入圖像進(jìn)行相關(guān)運(yùn)算的輸出結(jié)果是該區(qū)域上ω,φ的總和.(1)式

6、表示的濾波器在空間域是一個(gè)復(fù)數(shù),它由實(shí)部和虛部組成,分別圖13個(gè)典型樣本(a)及其預(yù)處理結(jié)果(b)稱為實(shí)Gabor小波濾波器Fig.1Threetypicalsamples(a)andpre2doneresults(b)和虛Gabor小波濾波器.本文采用實(shí)Gabor小波濾波器來提取特征進(jìn)行進(jìn)一步的識(shí)別.3提取邊緣特征及優(yōu)化復(fù)合濾波器參數(shù)[9]一個(gè)實(shí)Gabor小波濾波器只能提取關(guān)于一組a,b,ω,φ的信息,這對(duì)用于提取出能夠準(zhǔn)確識(shí)別出圖像目標(biāo)的特征是不夠的,故須使用多個(gè)實(shí)Gabor小波濾波器,但又使得計(jì)算量很大.為此,本文構(gòu)造了一種復(fù)合濾波器組,

7、用它和輸入圖像進(jìn)行一次相關(guān)運(yùn)算,即可得到幾個(gè)實(shí)Gabor小波濾波器分別與輸入圖像相關(guān)運(yùn)算所獲得的特征向量.本研究用兩組實(shí)Gabor小波濾波器線性組合成復(fù)合濾波器∑nwnGn(n=1,2).可以根據(jù)圖像目標(biāo)的特點(diǎn)初始化w1G1+w2G2的參數(shù)值,其中w為列向量,其包含復(fù)合濾波器的線性組合系數(shù)wn,G為矩陣,每一列包含復(fù)合濾波器的一個(gè)Gn.復(fù)合濾波器參數(shù)初值見表1.表1復(fù)合濾波器參數(shù)的初始化Tab.1Theparameterinitialvaluesofcomposedfilter參數(shù)abωφwJG1b/35112/(23b)90°11250.92

8、G2b/250—-0.25為了獲取目標(biāo)的局部特征,可以假定目標(biāo)的尺寸在一定的范圍,因此參數(shù)a,b應(yīng)小于目標(biāo)的尺寸,一般取這個(gè)范圍的下限.復(fù)合濾波器參數(shù)