[发明专利]基于网格细胞记忆的HOG算法图像识别方法

权利要求书

1.基于网格细胞记忆的HOG算法图像识别方法，其特征在于：包括建立基于网格细胞记忆的HOG算法图像识别系统，所述的基于网格细胞记忆的HOG算法图像识别系统包括HOG算法模块和网格细胞记忆模型，所述网格细胞记忆模型包括：

网格细胞，其用来锚定刺激的每个特征，刺激即输入图像，所锚定的特征在所有网格上编码的特征的相对位置是相互一致的；

距离细胞，其用来计算由网格细胞群矢量编码的位点之间的位移矢量；

感觉细胞，即特征检测器，其为在可能的图像的像素值上具有高斯调谐曲线的细胞；

标签细胞，其由特征检测器驱动，为特征的标签单元，提供识别证据，驱动其相关的刺激识别细胞，产生关于刺激识别的相互竞争的假设；

识别细胞，其为表示刺激的组成特征的少量特征标签单元接收连接，和标签细胞双向连接，并且具有到相同特征标签单元的则返回映射，识别细胞的放电率作为识别的判据；

先通过HOG算法模块识别图像，如果HOG算法模块匹配到相似度能达到激活识别细胞的图像，识别结束；如果HOG算法模块在训练集中没有匹配到能激活识别细胞的图像；则由网格细胞记忆模型接管图像识别，通过网格细胞记忆的特征识别累加来达到激活识别细胞，完成图像识别；

通过HOG算法模块匹配激活识别细胞的图像的步骤包括：

I)把被识别图像转化为灰度图；

II)计算被识别图像的梯度方向；

III)编码被识别图像的局部特征区域，在每个细胞中统计所有像素的梯度直方图，得到每个细胞形成的特征向量；

IV)通过单个细胞组成大的块，每个块有2*2个细胞，块内归一化梯度直方图，得到最后的特征向量；

V)设定能激活识别细胞的相似度设定值，并通过HOG算法提取被识别图像和训练集的特征向量，然后求被识别图像的特征向量和训练集的特征向量的相似度；

当求得的被识别图像的特征向量和训练集的特征向量的相似度大于相识度设定值时则识别细胞会被成功激活，识别结束；

当求得的测试图像的特征向量和训练集的特征向量的相似度无法达到相识度设定值时，将求得的相似度作为基准值H，并由网格细胞记忆模型接管图像识别，网格细胞记忆模型识别图像包括步骤：

a)把被识别图像转换为灰度图像，在被识别图像上随机选择一个在训练时选择的刺激位置来作为眼扫起点，开始眼扫；

b)提取中央凹特征；

c)特征检测器驱动标签细胞；

d)标签细胞驱动与其相关的识别细胞，中央凹的当前位置由网格细胞活动的种群向量表示，该种群向量通过眼扫运动进行更新；

e)眼扫过程中标签细胞驱动与其相关的识别细胞，产生关于刺激识别的相互竞争，将刺激的不同部分转移到中央凹；一旦有一个识别细胞的放电率达到识别阈值或眼扫次数达到设定次数而终止识别，表示成功识别出此图像的置信值为C；否则网格细胞驱动的记忆识别接管识别任务，先前激活的标签细胞重置为零，最活跃的识别细胞通过其返回投影随机选择下一个标签细胞，随机性由反投影上的弱噪声给出，动态选择标签细胞，标签细胞又与其自身的网格细胞种群向量相关联，产生下一个眼扫向量的目标点，距离细胞系统输出更新中央凹位置所需的向量，给定下一个眼扫的起点和终点，从而产生下个刺激特征的位置继续眼扫；

f)将基准值H和置信度C的和与相识度设定值进行比较，判断是否能激活相应的激活细胞。

2.根据权利要求1所述的基于网格细胞记忆的HOG算法图像识别方法，其特征在于：所述的网格细胞记忆模型通过以下步骤进行训练：

1)在训练图像上选择若干个刺激位置，并对选中位置的坐标进行保存，每选择一个位置即产生一个中央凹；

2)根据保存的坐标对每个中央凹提取一个中央凹特征，中央凹特征的位置由网格细胞种群向量表示；

3)每个中央凹特征在感觉细胞之间产生特征响应；

4)感觉细胞和标签细胞之间hebbian关联；

5)标签细胞与网格细胞种群向量表示的位置连接；

6)标签细胞与识别细胞双向关联；

7)保存网格细胞相关记忆和各细胞间的连接权值。