摘 要： 本文采用非參數(shù)化的特征提取技術提取樣本的特征，再用模塊化的神經(jīng)網(wǎng)絡的方法進行訓練識別，取得了較好的實驗效果。
關鍵詞： 特征提取 神經(jīng)網(wǎng)絡 目標識別
傳統(tǒng)的特征提取方法建立在目標分割的基礎上，通過分割獲得目標的形狀信息，并與已知的待識別目標的形狀特征進行比較，實現(xiàn)目標分類。目標的形狀特征通常由一組參數(shù)來描述，如不變矩、Fourier描繪子、各線特征的起點和終點、各點特征(角點、形殊點)的位置等。故傳統(tǒng)的特征提取方法可視作參數(shù)化方法。但由于目標分割問題自身的內(nèi)在復雜性，目前還不存在通用的、理想的目標分割方法。近年來，人們的注意力較多地集中于所謂的無分割(Segmentation Free)目標識別，即利用目標的灰度信息提取某些統(tǒng)計特征(如全局的或局部的灰度均值、灰度標準差等)，構成目標的特征，并將其作為神經(jīng)網(wǎng)絡的輸入，對神經(jīng)網(wǎng)絡進行訓練。訓練完成后的神經(jīng)網(wǎng)絡即可用于目標識別，這是一類非參數(shù)化的特征提取技術。具體實現(xiàn)時，可供采用的特征提取方法很多，簡單的如進行方向投影或提取方向邊緣特征等，復雜的如采用各種局部或全局變換等。本文重點研究了一種非參數(shù)化的特征提取方法——感興趣算子圖像特征提取方法。
1 感興趣算子特征提取方法
感興趣算子(Interest Operator)提取的是圖像在其水平、垂直和二個對角線方向上的灰度方差。圖1為感興趣算子特征提取示意圖。
例如對一幅大小為50×60象素的圖像采用上面的方法進行特征提取，則選取的圖像子塊像素大小為5×5。因此可以將原圖像劃分成無重疊的120個子塊，然后針對每個圖像子塊提取圖像的感興趣特征向量。
2 模塊化的神經(jīng)網(wǎng)絡
模塊化神經(jīng)網(wǎng)絡由若干獨立訓練的子網(wǎng)絡組成，每一子網(wǎng)絡分別針對訓練樣本集的某一子集進行分類識別，通過組合各子網(wǎng)絡的分類決策確定最終的識別結果。訓練樣本集各子集的劃分采用了數(shù)據(jù)分組技術，即將樣本根據(jù)一定的相似性準則劃分為多組。如此分組后，各網(wǎng)絡僅需解決一個更為簡單的分類問題，因此可提高分類識別概率。
2.1 基于特征分解的模塊化神經(jīng)網(wǎng)絡
基于特征分解的模塊化神經(jīng)網(wǎng)絡按照某種規(guī)則將圖像特征分成幾個不同的特征組。每個特征組都用一個獨立的神經(jīng)網(wǎng)絡來訓練識別，然后由一個融合網(wǎng)絡將各獨立神經(jīng)網(wǎng)絡的輸出結果綜合得到最后的識別結果。這種算法的優(yōu)點是：通過分組，每個用于識別的神經(jīng)網(wǎng)絡只需要處理某一部分特征而不是全部，從而減少了單個網(wǎng)絡的自由參數(shù)，降低了問題的復雜度。
2.2 基于圖像子塊的特征分組神經(jīng)網(wǎng)絡
基于圖像子塊的特征分組神經(jīng)網(wǎng)絡算法的結構框圖如圖2所示。
該算法的實現(xiàn)包括以下幾個步驟：
(1)將原始圖像按照某種規(guī)則分成若干圖像子塊，各個圖像子塊間可以有交叉也可以無交叉。圖3和圖4分別為有交叉和無交叉圖像分塊的示意圖。
(2)對每一個圖像子塊進行特征提取，得到其相應的圖像特征。本文選用了感興趣算子的特征提取方法。
(3)對步驟(2)經(jīng)過特征提取所得到的圖像特征向量進行特征選擇，以去除特征向量間的冗余特征和選出具有更強分類識別能力的特征，從而降低特征維數(shù)，減小識別算法中神經(jīng)網(wǎng)絡的網(wǎng)絡規(guī)模。
(4)對每幅子圖分別用一個單獨的BP網(wǎng)絡對其進行訓練或識別。
(5)將各個獨立BP網(wǎng)絡的輸出結果送到一個融合網(wǎng)絡中進行融合從而得到最終判識結果。
基于圖像子塊的特征分組神經(jīng)網(wǎng)絡除了可以降低問題的復雜性外，還具有一定的抗局部遮擋能力。由于一些人為的或非人為的因素，目標圖像可能會受到局部遮擋的影響。由于局部遮擋本身的復雜性和其對目標遮擋部位的不可預測性，使得抗遮擋成為一個相對困難的課題?；趫D像子塊的特征分組策略具有一定的抗局部遮擋能力。
設原圖像在長度和寬度方向分別被等分為X和Y份，于是可以得到X×Y個子塊圖像。若局部遮擋處于第(i，j)個子塊上，則只有該子塊受到影響并導致與它對應的神經(jīng)網(wǎng)絡進行錯誤判識的可能性增大。但是由于其他子塊及對應神經(jīng)網(wǎng)絡的判識并未受到遮擋影響，因此至少可以得到X×Y-1個網(wǎng)絡的正確輸出。經(jīng)過融合網(wǎng)絡，最終可以消除對第(i，j)個子塊圖像的錯誤判識的影響而得到正確的識別結果，達到抗遮擋的效果。當然，實際應用中局部遮擋可能會存在于不止一個子塊圖像中，但只要這些子塊圖像的數(shù)量占總子塊圖像數(shù)的比重相對較小，這種特征分組神經(jīng)網(wǎng)絡識別策略就可以表現(xiàn)出很好的抗局部遮擋性能。
3 實驗結果及其分析
實驗中訓練樣本取kh-11、kh-12、lacrosses三類衛(wèi)星的三個譜段(CCD：可見光，MIDDLE：中波，LONG：長波)圖像作為試驗用的樣本。
(1)訓練樣本：取每類不同譜段的圖像001、005、009、L、057共15幅圖像。如果三個譜段的圖像一起訓練，則訓練樣本個數(shù)為15×9＝135；如果只有單譜段圖像參加訓練，則訓練樣本個數(shù)為：15×3＝45。
(2)識別樣本：取每類不同譜段的圖像003、007、0011、L、059以及060、061、L、072總共30幅圖像。如果三個譜段的圖像一起識別，則識別樣本個數(shù)為30×9＝270；如果只有單譜段圖像參加識別，則識別樣本個數(shù)為30×3＝90。
表1給出了不同分辨率情況下的正確識別率。其中，All組實驗表示對每類三個譜段的衛(wèi)星圖像進行實驗，CCD、MIDDLE和LONG組實驗分別表示對可見光譜段、中波紅外圖像和長波紅外圖像進行實驗。CCD為可見光圖像，MIDDLE為中波圖像，LONG為長波圖像。
研究中還用最小距離分類器對提取的不同目標的參數(shù)化特征進行了實驗，以便觀察其與神經(jīng)網(wǎng)絡方法的性能差異。在實驗中，三類目標的圖片各為3×72=216幅，用奇數(shù)圖作為訓練樣本，對偶數(shù)圖進行識別。表2顯示了在三組不同分辨率下選擇不同特征集得到的識別結果。
從實驗中可以發(fā)現(xiàn)，常規(guī)分類方法性能不穩(wěn)定，而且其識別率與神經(jīng)網(wǎng)絡方法相比要低很多。
參考文獻
1 Choi S M.A segmentation-free recognition of two touching
numerals using neural network.In：Proceedings of the Fifth
International Conference on Document Analysis and
Recognition，1999
2 Ozdil M A，Vural F T Y.Optical character recognition
without segmentation.In：Proceedings of the Fourth Inter-
national Conference on Document Analysis and Recogni-
tion，1997
3 Rocha J，Pavlidis T.Character recognition without segmen-
tation.IEEE Transactions on，Pattern Analysis and
Machine Intelligence，1995；17：903
4 Cai C，Shi Z.A modular neural network architecture with
approximation capability and its applications. The Second
IEEE International Conference on Cognitive Informatics，
2003
5 Wang L C，Der S Z，Nasrabadi N M.Automatic target
recognition using a feature-decomposition and data-
decomposition modular neural network.IEEE Transactions
on Image Processing，1998；7：1113