一種基于Spiking的圖像角點檢測方法
【專利摘要】本發明公開了一種基于Spiking圖像角點檢測方法，屬于圖像處理技術領域，解決現有技術對角點檢測精度不高，缺乏對時間和空間特征的解釋問題。本發明提出了一種基于Spiking神經網絡的圖像角點檢測方法，該算法使用Spiking神經元模板對圖像進行掃描，并根據檢測神經元的電壓變化等情況來確定圖像角點，可以較好的對圖像角點進行檢測。Spiking神經網絡使用電壓表示信息強度，使用脈沖傳遞信息，由于這種基于脈沖的信息表示方法具有很強的時序性，因此本發明借助于Spiking神經網絡的優勢，研究基于Spiking神經網絡的圖像角點特征檢測。本發明應用于圖像角點特征提取、光流計算、目標識別、跟蹤、運動估計和三維重構等涉及角點應用的計算機視覺場合。涉及Spiking神經網絡、機器學習。
【專利說明】
一種基于Sp i k i ng的圖像角點檢測方法
技術領域
[0001] -種基于Spiking的角點檢測方法，本發明應用于圖像角點特征提取、光流計算、 目標識別、跟蹤、運動估計和三維重構等涉及角點應用的計算機視覺場合。涉及Spiking神 經網絡、機器學習。
【背景技術】
[0002] 圖像的角點特征是圖像處理時的重要特征，其特征具有很強的魯棒性，及具有旋 轉不變性和不隨光照變化的特性。這種特性在運動目標追蹤、流光計算、運動評估分析以及 三維場景的構建等場合有非常重要的作用。有關角點的定義，截止目前較為統一的說法為： 局部曲率最大的邊緣點，對于一般的圖像而言，都具有很多角點，所以有關研究的方法具有 很強的普遍性和通用性。對此，大量國內外學者開始了關于此特征檢測方法的研究。
[0003] 當前，對于角點檢測比較經典的算法有MIC方法、SUSAN方法、Harris方法等，目前 使用最多的是他1'1^8與31]341'1。學者他1'；1^8的？168867算子，該算法的優點是操作實施較為 簡單，當前在角點檢測應用中被廣泛使用，缺點主要在于檢測定位的精度不是特別理想，尤 其在一些特殊的角點檢測上容易丟失梯度信息或者大鈍角模糊型的角點，而且在計算時間 上也不是很理想。之后，Smith首次提出了 USAN的概念，并基于此設計了 SUSAN的角點檢測方 法，其最大優點是方法十分簡單，具有積分特性，抗噪性能良好，定位精度不受角點類型的 影響;缺點是由于實際圖像存在大量模糊性邊緣，容易產生偽響應或者易丟失真實角點，導 致實際圖像的檢測率一般不及Harr is算法，此外積分過程也導致耗時較多。 MiroslavTrajkovic應快速要求提出了 MIC算法。該算法有可能是目前灰度圖像處理中最快 的角點檢測方法。令人遺憾的是該方法雖然簡單，卻易產生偽響應，尤其在斜直邊緣或者模 糊性邊緣處;檢測水平一般，對噪聲也相當敏感。不過它的快速性思想卻得到了很好的推 廣，納入其它算法中可以加快速度。
[0004] 綜上所述，這些經典的算法雖然有很多的優點，但是存在的共同缺點是執行的時 間較長，在角點的定位準確性上水平不高，并且在檢測的執行性能方面較差，所以設計一種 能夠精確定位角點信息并且執行速度和時間短的方法顯的十分必要，尤其在角點時間信息 和空間信息應用的計算機視覺場合更具有很高的實用價值。
[0005] 被譽為"第三代神經網絡模型"的Spiking神經網絡，是能夠有效模擬生物神經元 之間信息隨時間連續傳遞的動力系統。該模型采用時間編碼方式組織信息，可以模擬真實 生物中的編碼機制，采用脈沖發放的精確時間進行編碼，比傳統神經網絡的脈沖發放頻率 對信息編碼方式更接近實際生物神經系統，無論是處理能力和計算速度都得到了巨大提 升。研究表明，Spiking神經元本身就具備對外部輸入信息的非線性處理能力，相比前兩代 人工神經網絡，Spiking具備更強的計算能力。Spiking神經元模型在生物、神經等學科中有 較多的研究，而在工程領域的應用尚處于起步階段。

【發明內容】

[0006] 本發明針對現有技術的不足之處提供了一種基于Spiking的圖像角點檢測方法， 可以很好的利用生物神經系統的空間和時間特性，并采用Spiking生物機制進行處理，有效 捕獲圖像的時空信息，比現有技術更具仿生性和時空特性，從而圖像的角點特征可以更好 的應用于圖像特征的表示以及其他有關角點的應用。
[0007] 為了實現上述目的，本發明采用的技術方案為：
[0008] -種基于圖像輪廓的Spiking角點檢測方法，包括以下步驟：
[0009]步驟1:提取圖像邊緣，得到提取邊緣的圖像；
[0010] 步驟2:對圖像進行預處理 [0011]步驟2a:圖像邊緣脈沖編碼
[0012] 采用線性延遲編碼對步驟1提取邊緣的圖像進行時間編碼，得到圖像脈沖點火時 間；
[0013] 步驟2b:初始化圓形權值檢測模板
[0014]首先將圓形權值檢測模板的上半圓按照角度分為N等分，N的取值為4-180之間，第 i等份中神經元權值由外到內分別為（l-i/N)wl，（l-i/N)w2,（l-i/N)w3,其中，1 = 1，2,3··· N-1，'\￥1、'\￥2、'\￥3取值范圍為0-1之間的隨機值，規定第;[等份內的神經元為興奮性神經元，其 他等份內的神經元為抑制性神經元；
[0015] 下半圓的權值取值與上半圓對稱，下半圓內均為抑制性神經元，圓心位置的中心 神經元沒有權值，完成圓形權值檢測模板初始化；
[0016] 步驟3:檢測的實施與檢測神經網絡的構建
[0017] 找到步驟2a編碼后的圖像邊緣像素點Pl，將圖像邊緣像素點Pl對應圓形權值檢測 模板的圓心，像素點左側的像素點對應興奮性神經元，右側像素點對應抑制性神經元；
[0018] 根據步驟2b的圓形權值檢測模板，將檢測像素點周圍圖像像素點與圓形權值檢測 模板進行全連接，圖像邊緣像素點設為相同的點火時間，以去除像素點先后順序的影響；
[0019] 通過一個判別神經元，即網絡中第三層神經元來判斷該圖像邊緣的像素點Pl是否 為角點；
[0020] 若判別神經元電壓超過一定閾值，則表明此像素點是角點，否則不是，可以對閾值 進行調整來得到不同角度的角點。
[0021] 與現有技術相比，本發明的優點在于：
[0022] 一、運用Spiking脈沖電壓閾值的檢測模板，優化了網絡連接方式，降低權重復雜 度，提高了計算速度；
[0023]二、具有Spiking時序機制的處理方式，能夠高效捕獲時間信息。同時具有空間旋 轉位移不變性，高度仿生物大腦系統功能，捕獲圖像角點信息；
[0024]三、算法思想簡單，操作較為容易，角點檢測較為準確。
【附圖說明】
[0025] 圖1線性延遲編碼；
[0026]圖2為本發明基于Spiking的角點檢測模板；
[0027]圖3為本發明基于Spiking的角點檢測方法；
[0028]圖4為本發明標準光學數字字符圖像；
[0029]圖5為本發明標準數字字符圖像邊緣提取；
[0030]圖6為本發明基于圖像輪廓的Spiking角點檢測結果；
[0031]圖7為本發明基于圖像輪廓的Spiking角點檢測結果，注意圖7為一幅幅圖；
[0032]圖8為本發明基于灰度圖像的Spiking角點檢測結果。
【具體實施方式】
[0033]基于圖像的Spiking角點檢測方法如下所示：
[0034] (1)基于傳統方法提取圖像邊緣，得到圖像邊緣，實驗結果如圖5、圖7,簡單數字圖 像、復雜圖像的邊緣提取結果。
[0035] (2)采用線性延遲編碼對步驟(1)提取邊緣的圖像進行時間編碼，得到圖像脈沖點 火時間，具體編碼結構圖如下圖1所示，其脈沖時間編碼公式如下，對圖像像素點按照下面 公式進行編碼得到圖像脈沖點火時間。
[0036] a = T-1 Xi-Ts ?〇 "? α>0
[0037] t =< , 1 [1 Λ?? α<0
[0038] 此編碼方案以一個相對時間Ts為衡量標準，將帶編碼的任意實數xi，編碼到其相 對于Ts的點火時間上。其中ti為編碼后的時間值，T為常數時間編碼衡量標準，Ts設為當前 像素值P i。脈沖時間編碼后，時間編碼為點火時間t i = 1，和不點火時間，t i = 0。
[0039] (3)初始化權值檢測模板:具體模板如下圖2所示，首先將圓形權值檢測模板的上 半圓按照角度分為N等分，N的取值為4-180之間，第i等份中神經元權值由外到內分別為（1-i/N)wl，（l-i/N)w2，（l-i/N)w3,其中，i = l，2,3-_N-l，wl、w2、w3 取值范圍為 0-1 之間的隨機 值，規定第i等份內的神經元為興奮性神經元，如圖中紅色神經元所示，其他等份內的神經 元為抑制性神經元，如圖中藍色神經元；
[0040] (3)首先在上述提取的邊緣像素點上找一點Pl，，將像素點Pl對應到檢測模板的中 心，像素點側的像素點的方向對應檢測模板的興奮性神經元，相反一側對應抑制性神 經元。
[0041] (4)然后，將圖2中的紅色神經元對準檢測圖像角點的一邊，將圓形區域內的圖像 像素點與定義的檢測模板進行全連接，相關權值按照圖3所示設置并進行全連接。除了定義 的正方向左側為興奮性神經元外，其他方向均為抑制性神經元，并對神經元的脈沖點火時 間進行設置，讓神經元統一點火，從而去除像素點先后順序變化的影響。
[0042] (4)其次，通過圖3中的判別神經元對圖像像素點？1是否為角點進行判斷，如果判 別神經元的電壓累計值超過了設定的閾值，則說明此像素點為角點，否則不是，還可以通過 不同的閾值調整對不同角度的角點進行檢測。
[0043] (5)對于檢測到的角點，根據角點之間的距離，對于距離較近的角點進行刪除，減 少角點的冗余。實驗結果如下圖6、圖8,圖6是對簡單的數字圖像進行角點檢測，圖8對復雜 的圖像進行角點檢測，從而驗證本文提出的方法的有效性，不僅對簡單的圖像，對復雜的圖 像的角點也有很好的作用。
【主權項】
1. 一種基于圖像的Spiking角點檢測方法，包括以下步驟： 步驟1:提取圖像邊緣，得到提取邊緣的圖像； 步驟2:對圖像進行預處理 步驟2a:圖像邊緣脈沖編碼 采用線性延遲編碼對步驟1提取邊緣的圖像進行時間編碼，得到圖像脈沖點火時間； 步驟2b:初始化圓形權值檢測模板 首先將圓形權值檢測模板的上半圓按照角度分為N等分，N的取值為4-180之間，第i等 份中神經元權值由外到內分別為（l-i/N)wl，（l-i/N)w2，（l-i/N)w3,其中，i = l，2,3…N-1， wl、w2、w3取值范圍為0-1之間的隨機值，規定第i等份內的神經元為興奮性神經元，其他等 份內的神經元為抑制性神經元； 下半圓的權值取值與上半圓對稱，下半圓內均為抑制性神經元，圓心位置的中心神經 元沒有權值，完成圓形權值檢測模板初始化； 步驟3:檢測的實施與檢測神經網絡的構建 找到步驟2a編碼后的圖像邊緣像素點Pl，將圖像邊緣像素點？1對應圓形權值檢測模板 的圓心，像素點左側的像素點對應興奮性神經元，右側像素點對應抑制性神經元； 根據步驟2b的圓形權值檢測模板，將檢測像素點周圍圖像像素點與圓形權值檢測模板 進行全連接，圖像邊緣像素點設為相同的點火時間，以去除像素點先后順序的影響； 通過一個判別神經元，即網絡中第三層神經元來判斷該圖像邊緣的像素點？1是否為角 占. 若判別神經元電壓超過一定閾值，則表明此像素點是角點，否則不是，可以對閾值進行 調整來得到不同角度的角點。
【文檔編號】G06T7/00GK106097356SQ201610427938
【公開日】2016年11月9日
【申請日】2016年6月15日
【發明人】屈鴻, 陳常樂, 解修蕊, 陳珊, 馬桂垚, 丁小云, 張馬路, 曾志
【申請人】電子科技大學