[發(fā)明專利]一種基于SPCNN的自適應(yīng)目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 201910521356.2
• 申請日: 2019-06-17
• 公開（公告）號: CN110276776B
• 公開（公告）日: 2021-06-15
• 發(fā)明（設(shè)計）人: 周肅;宋勇;郭拯坤;張大勇;趙宇飛
• 申請（專利權(quán)）人: 北京博睿維訊科技有限公司;北京理工大學(xué)
• 主分類號: G06T7/136
• 分類號: G06T7/136;G06T7/194;G06N3/04
• 代理公司: 北京正陽理工知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11639
• 代理人: 鄔曉楠

1.一種基于SPCNN的自適應(yīng)目標(biāo)檢測方法，其特征在于：包括如下步驟，

步驟1：計算圖像靜態(tài)屬性參數(shù)；

步驟2：根據(jù)斯蒂文斯定律推導(dǎo)出理論公式，計算閾值衰減時間常數(shù)α_e，使閾值衰減時間常數(shù)α_e能夠根據(jù)目標(biāo)圖像的整體灰度特征自適應(yīng)設(shè)定，進而提高目標(biāo)檢測方法的可靠性和魯棒性；

步驟3：基于自適應(yīng)側(cè)抑制機制，利用雙曲正切函數(shù)對抑制系數(shù)計算模型進行改進，并用抑制系數(shù)計算模型計算每個像素點的鏈接權(quán)值矩陣，進而提高目標(biāo)檢測方法的抗干擾能力；

步驟4：將圖像輸入?yún)?shù)自適應(yīng)設(shè)置完好的SPCNN中，不斷迭代并產(chǎn)生二值化分割結(jié)果，提取候選目標(biāo)；

步驟5：基于神經(jīng)元同步中的快速連接機制，結(jié)合灰度圖像準(zhǔn)則，通過計算相鄰迭代分割結(jié)果的相似度并尋找相似度極大值來實現(xiàn)最佳分割結(jié)果的自動輸出，同時自動控制迭代，進而提高目標(biāo)檢測方法的效率和智能化；

其中，步驟5實現(xiàn)方法為，

神經(jīng)元同步中的快速連接機制，簡稱為快速連接機制，具有相同刺激的神經(jīng)元同步快于其他正常神經(jīng)元；灰度圖像滿足以下準(zhǔn)則：(1)目標(biāo)點與目標(biāo)點之間的灰度相似度高；(2)目標(biāo)點與背景點之間的灰度相似度低；(3)背景點與背景點之間的灰度相似度低；

根據(jù)快速連接機制，結(jié)合準(zhǔn)則(1)，從有目標(biāo)像素點火開始算起，目標(biāo)像素點不斷點火，目標(biāo)的細(xì)節(jié)信息會不斷完善，而背景一直處于被抑制的狀態(tài)，從相鄰兩次迭代的分割結(jié)果相似度遞增；而當(dāng)有背景像素點不斷點火時，根據(jù)準(zhǔn)則(2)和(3)，相鄰兩次迭代的分割結(jié)果相似度會驟減；因此在整個迭代過程中，相鄰分割結(jié)果的圖像相似度呈先遞增再遞減的關(guān)系；采用Hash值來表征每一次迭代中的分割圖像，進而利用它們之間的漢明距離來表征相似度，漢明距離越小表示相似度越高；而后，在迭代過程中，尋找相鄰分割結(jié)果的相似度峰值即漢明距離極小值，對應(yīng)該次迭代中的分割圖像便是最優(yōu)輸出結(jié)果，同時判定迭代結(jié)束。

2.如權(quán)利要求1所述的一種基于SPCNN的自適應(yīng)目標(biāo)檢測方法，其特征在于：步驟1實現(xiàn)方法為，

對圖像進行灰度化預(yù)處理后，計算圖像整體灰度均值，所述均值將作為SPCNN中閾值衰減時間常數(shù)的計算因子；

對圖像灰度矩陣作歸一化處理，尋找背景中的最高灰度值，所述最高灰度值將作為SPCNN中的鏈接因子和閾值放大常數(shù)的計算因子；所述背景中的最高灰度值為最佳直方圖閾值；

同時，計算歸一化灰度圖像的標(biāo)準(zhǔn)差，所述標(biāo)準(zhǔn)差作為SPCNN內(nèi)部活動項的指數(shù)衰減系數(shù)；

所述圖像靜態(tài)屬性參數(shù)包括圖像灰度均值、最佳直方圖閾值和灰度圖像標(biāo)準(zhǔn)差。

3.如權(quán)利要求2所述的一種基于SPCNN的自適應(yīng)目標(biāo)檢測方法，其特征在于：步驟2實現(xiàn)方法為，

根據(jù)斯蒂文斯定律，主觀感覺量和光強度的客觀刺激量之間成指數(shù)為0.5的冪函數(shù)關(guān)系，推導(dǎo)出的閾值衰減時間常數(shù)α_e與圖像灰度均值μ的數(shù)學(xué)描述如公式(1)所示：

式中，μ代表圖像的灰度均值；

根據(jù)公式(1)自適應(yīng)計算閾值衰減時間常數(shù)α_e，即根據(jù)目標(biāo)圖像的整體灰度特征自適應(yīng)設(shè)定閾值衰減時間常數(shù)α_e。

4.如權(quán)利要求3所述的一種基于SPCNN的自適應(yīng)目標(biāo)檢測方法，其特征在于：步驟3實現(xiàn)方法為，

基于自適應(yīng)側(cè)抑制機制、利用雙曲正切函數(shù)對抑制系數(shù)計算模型進行改進得到自適應(yīng)抑制系數(shù)計算模型，所述自適應(yīng)抑制系數(shù)計算模型由定義域為[0,3]的雙曲正切函數(shù)來表征，對應(yīng)的曲線形態(tài)和值域能夠更加切合地模擬側(cè)抑制的機理；用自適應(yīng)抑制系數(shù)計算模型代替常規(guī)的鏈接權(quán)值矩陣，矩陣中各元素的計算同時考慮像素間的距離因素和灰度差異因素，從而能夠根據(jù)圖像蘊含的信息自適應(yīng)地計算每個像素點對應(yīng)的鏈接權(quán)值矩陣，所述鏈接權(quán)值矩陣如公式(2)所示：

W_ijkl＝1-tanh[I(i,j)×d_ij,kl×10^-2] (2)

式中，W_ijkl代表鏈接權(quán)值矩陣，I(i,j)代表輸入圖像的像素點灰度，d_ij,kl代表兩像素點間的歐式距離。