[發明專利]一種基于SPCNN的自適應目標檢測方法

有效

• 申請號: 201910521356.2
• 申請日: 2019-06-17
• 公開（公告）號: CN110276776B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 周肅;宋勇;郭拯坤;張大勇;趙宇飛
• 申請（專利權）人: 北京博睿維訊科技有限公司;北京理工大學
• 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權代理事務所(普通合伙) 11639
• 代理人: 鄔曉楠

本發明公開的是一種基于SPCNN的自適應目標檢測方法，屬于計算機視覺技術領域。本發明實現方法為：計算圖像靜態屬性參數；根據斯蒂文斯定律推導出理論公式，計算閾值衰減時間常數α_e，使閾值衰減時間常數α_e能夠根據目標圖像的整體灰度特征自適應設定；基于自適應側抑制機制，利用雙曲正切函數對抑制系數計算模型進行改進，用抑制系數計算模型計算每個像素點的鏈接權值矩陣；將圖像輸入參數自適應設置完好的SPCNN中，不斷迭代并產生二值化分割結果，提取候選目標；基于神經元同步中的快速連接機制，結合灰度圖像準則，通過計算相鄰迭代分割結果的相似度并尋找相似度極大值實現最佳分割結果的自動輸出，同時自動控制迭代，提高目標檢測方法的效率和智能化。

技術領域

本發明涉及一種自適應目標檢測的方法，尤其涉及一種基于簡化脈沖耦合神經網絡(SPCNN,Simplified Pulse Coupled Neural Network)的自適應目標檢測方法，屬于計算機視覺技術領域。

背景技術

脈沖耦合神經網絡(Pulse coupled Neural Network，PCNN)屬于第三代人工神經網絡的新型神經網絡模型。脈沖耦合神經網絡(PCNN)是受到人腦新皮質的主要視覺區域V1中神經元活動的啟發而建立的，在處理數字圖像方面具有平移、旋轉、尺度不變性、很好的抗噪性以及無需訓練等優勢。PCNN用于圖像處理機制的屬性被劃分為全新的三維，第一維指定PCNN的時間矩陣，第二維捕獲PCNN的發射速率，第三維是PCNN的同步。

目前，應用于圖像分割、目標檢測等領域的脈沖耦合神經網絡主要存在兩個問題：(1)常規PCNN模型的分割效果很大程度上取決于PCNN的參數設置。由于PCNN模型的參數較多，且只能通過手動調整或大量實驗進行估算，導致算法的適用性、遷移性較差；(2)PCNN網絡每次迭代均會生成二值化輸出，通常需要通過手動選擇最優結果，從而不利于其工程化應用。

針對上述問題，基于簡化脈沖耦合神經網絡(SPCNN,Simplified Pulse CoupledNeural Network)的圖像分割、目標檢測等方法相繼被提出。SPCNN是對常規PCNN網絡進行了簡化，在降低網絡復雜度、減少參數的同時，能得到較佳的結果。主要包括以下算法：(1)MA等人針對常規的PCNN閾值分割機制，結合最小交叉熵準則，提出了一種新的自動控制迭代的圖像分割算法。該方法可實現PCNN迭代次數的自動判定以及最優輸出的自動選擇。然而，該方法中的交叉熵計算較為復雜，耗時較長。同時，對于復雜背景下的目標，圖像分割前后的信息熵度量存在一定的誤差，導致檢測結果的準確性難以保證。(2)Zhan等人基于常規PCNN模型提出了一個新的尖峰皮層神經網絡模型，并提出該模型的時間矩陣可以被認為是人類主觀的刺激強度感；Chen等人基于尖峰皮層神經網絡模型提出一種新的參數自動設置方法。該方法可根據圖像靜態屬性實現大部分參數的自行設定。然而，該方法中的個別參數仍需人工設定，同時，部分參數的計算方法存在一定缺陷。(3)MA等人針對SPCNN模型的鏈接權值矩陣,提出一種根據圖像局部灰度相關性和歐氏距離建立鏈接權值矩陣的方法，同時，結合最小方差比準則提出一種新的自動控制迭代的方法。該方法在大多情況下可取得較好的分割效果。然而，該方法中的最小方差比計算較為復雜，耗時較長，因此存在難以應用化等缺點。

針對上述問題，在人腦視覺機制研究基礎上，研究一種新的基于SPCNN的參數自適應和迭代自適應的目標檢測方法，對于解決復雜背景下的目標檢測問題具有重要意義和廣泛的應用前景。

發明內容

針對SPCNN需要人工設定參數、手動選擇最優輸出以及現有方法計算復雜、耗時較長和魯棒性較差等問題。本發明公開的一種基于SPCNN的自適應目標檢測方法要解決的技術問題是：能夠自適應地設定SPCNN的參數和自動控制迭代，從而提高目標檢測方法的魯棒性、抗干擾能力和智能性。

本發明的目的是通過下述技術方案實現的。