[发明专利]一种源于生物视觉的特征提取方法

说明书

技术领域

本发明属于计算机视觉与生物视觉交叉技术领域，涉及一种图像的特征提取方法，特别是一种利用视皮层简单细胞复杂细胞感受野特性进行特征提取的方法。

背景技术

复杂场景下的图像具有高维、信息冗余的基本特点，如何有效的降低其维数，去除冗余信息，得到低维且有效的特征，这是具有决定性意义的一步。可以说，特征提取的好与坏决定了能够解决问题的能力上限，其后的建立于特征提取基础之上的模型与方法只是为了更好的或更有效的接近这个上限。

传统的特征提取方法实际上是手工设计特征，往往针对特定领域，尽管通过这种方式设计出的特征有很多，但特别有效的还是很少，比如SIFT与HOG。

现有技术的“一种模拟生物视觉机制的人脸特征提取方法”(公开号CN101968850B)专利模拟初级视皮层简单细胞的学习机制，训练一组描述简单细胞感受野的滤波器，从该组滤波器中选出少量具有特定频率选择性的滤波器提取图像的光照不变特征；模拟初级视皮层复杂细胞的功能，在光照不变性的基础上增加特征的表情和平移不变性；通过视觉注意机制对不变特征的显著区域进行增强；将增强的不变特征转换为特征向量，用于人脸识别。该专利所描述的特征提取方法同样是针对特定领域特定目标(人脸识别)，缺乏通用性。该专利所描述的模拟视皮层简单细胞与复杂细胞感受野的方式缺乏生物视觉证据(参见“T.Serre，L.Wolf，S.Bileschi，M.Riesenhuber，T.Poggio，Robust Object Recognition with Cortex-Like Mechanisms，IEEE Transactions on PAMI29(3)(2007)411-426.”)，其健壮性有待验证。另外，该专利出于效率的考虑放弃了图像的多尺度分析，必然导致所提取特征向量尺度不变性的缺乏。

发明内容

(一)要解决的技术问题

本发明提供一种源于生物视觉的特征提取方法，该方法通过模拟视皮层简单细胞与复杂细胞感受野的特性，能够针对复杂场景下的图像得到低维且有效的特征。

(二)技术方案

本发明提供一种源于生物视觉的特征提取方法，该方法包括步骤：

步骤S1：利用Gabor滤波器g(x，y)对原始输入图像进行多方向多尺度的Gabor滤波，得到原始输入图像的一组响应，用于模拟视皮层简单细胞感受野的局部特性与方向敏感特性；

步骤S2：对原始输入图像的这一组响应的每一个位置，求得每一个位置的最大响应值及每一个位置的最大响应值对应的方向，用于模拟视皮层复杂细胞感受野的不变性提取特性；

步骤S3：将原始输入图像的这一组响应划分为若干个相等大小的方块，并以方块为单位、按照最大响应值方向对这一组响应进行直方图统计，获得用以反映特征的全局空间分布特性的直方图；

步骤S4：对直方图以方块为单位进行累加操作，得到累加后的直方图；

步骤S5：对累加后的直方图以方块为单位进行规范化操作，得到一组既具有选择性也具有不变性的特征向量。

(三)有益效果

本发明与现有技术相比的有益效果在于：本发明通过模拟视皮层简单细胞与复杂细胞感受野的特性，能够针对复杂场景下的图像得到低维且有效的特征。

(1)通过Gabor滤波模拟视皮层简单细胞感受野的局部特性与方向敏感特性，使得提取出的特征具有更好的选择性。

(2)通过求最大模拟视皮层复杂细胞感受野的不变性提取特性，能够针对复杂场景下的图像得到低维且有效的特征，使得提取出的特征具有更好的不变性。

(3)以方块为单位的直方图统计方式能够反映特征的全局空间分布特性，并能有效降低计算量。

(4)直方图统计过程与规范化因子计算过程都考虑了相邻方块，使得特征具有更好的局部不变性。

不需要任何形式的预处理，本发明通过模拟视皮层简单细胞与复杂细胞感受野的特性，并结合计算机视觉的理论与方法，提取出的特征反映视觉的本质特性，从而具有更好的适应性和通用性。

(5)可广泛应用于目标识别、目标检测、目标跟踪等领域。

附图说明

图1为本发明实现流程图；

图2为具体实施步骤的示意图；

具体实施方式

下面结合附图对本发明的实施例作详细说明。本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于以下的实施例。