图像识别神经网络处理系统

第19卷　第S1期1999年12月北京理工大学学报Jo urnal of Beijing Instit ute o f T echnolog y V o l.19　No.S1Dec.1999图像识别神经网络处理系统0马惠敏 沈　煜 郑　链 王克勇(北京理工大学机电工程学院,北京　100081)摘　要　目的　研制用于二值图像实时识别的神经网络处理器.方法　采用数字电路实现的图像识别神经网络系统有3大模块:边缘提取模块以二值图像序列作为输入,用平面建筑物原理和8邻域原理提取图像的边缘特征;特征提取模块在边缘特征的基础上提取具有不变性的角特性和组块特征;模式分类模块采用4层特征映射神经网络实现图像模式识别.结果　通过对图像信号发生器送出的二值飞机图像识别说明,训练样本数越多系统识别率越高.结论　该系统能够快速、正确地实时识别二值图像序列.关键词　图像识别;神经网络;硬件实现;特征提取分类号　T P 391.41;O 235收稿日期:19990409 0部级预研项目图像模式识别问题的数学本质属于从模式空间到类型空间的映射问题.神经网络用于模式识别及分类时,一般有两个工作阶段:训练学习阶段和实际运用阶段.训练学习阶段的工作是将训练模式样本输入网络,通过有指导或无指导学习方式寻找一组合适的网络连接权值,确定出适当的网络联结模式.实际运用阶段的工作则是用已学习训练好的网络进行模式识别及分类[1].这两个阶段是相对独立的,因此硬件电路分为有学习能力和无学习能力两种.后者依赖于在计算机上运行算法获得权值,下载到芯片上,只能进行快速回忆处理,电路实现相对简单,很适合用并行硬件实现.本文研制的图像识别神经网络处理系统先提取图像的特征,再利用特征映射神经网络进行模式识别.1　图像识别神经网络系统的实现在数字图像中,二值图像主要利用边界的结构信息进行图像识别.由于神经网络用于图像识别系统规模较大,所以模拟电路受噪声的影响也大,难以制成一般的大规模计算系统,为保证整个网络的稳定性,电路采用数字技术.整个系统按功能划分为3个模块.1.1　边缘提取模块系统以二值图像信号作为输入,送入边缘提取模块,进行第一次特征压缩.对于扫描而成的图像,Freeman 编码方法显然不能直接加以运用,因此采用同它类似的平面-建筑物原理,解决扫描成像图形的边缘提取问题[2],如图1a 所示.图中有阴影部分为目标图像区域,无阴影部分为背景区域.将目标图像区域视为建筑物,将背景区域视为平面,从建筑物壁上的任意一点开始,始终用左手接触墙壁的同时不断向前走,最终可以走回起点.只要记录下起始点的坐标(x 0,y 0)和每走一步时身体的朝向,就能得到目标图像边界的数学描述.规定目标图像区域采用8点领域,这样,人身体的朝向就有8个标准的方向,如图1b 所示.图1　平面-建筑物边界提取法根据上述边界的数学描述和8邻域原理,采用触发器、寄存器、逻辑门数字器件设计出的并行处理电路,可提取出带有方位信息的边缘特征,从而实现二值图像序列的边缘提取[3].1.2　特征提取模块虽然二值图像经边缘提取压缩了信息量,但对模式空间影响不大,模式空间的维数仍很高.为了简化系统结构,提高系统识别能力,必须简化输入目标图像的模式,从中提取出同类模式图像共有的不变性特征,把高维模式空间变成低维的特征空间.不变性模式识别对于消除模式畸变的影响、简化神经网络分类器结构有重要的意义.特征提取模块在边缘特征的基础上进一步提取角特征和组块特征.在角特征提取电路中,每个单元在每个采样周期内都从该时刻输入层送来的边缘特征中提取一次拐点,间隔很密,它强调的是图像边缘的细节信息;组块特征提取利用分块化技术把图中各同质的区域提取出来,求部分图像整体的变化趋势,以备以后的分析和识别之用,它的优点在于撇开了二值离散图像的边缘细节,只考虑目标图像的几何形状.角特征和组块特征共同描述了图像的本质特征,将图像的二维数据变换为信号序列,在保证图像信息没有太多丢失的情况下,大大压缩了图像数据,为模式分类的神经网络设计提供了方便.······图2FMM P 网络输入层隐含层输出层角特征组块特征1类2类特征分配层1.3　模式分类模块模式分类模块采用一种具有特征映射(feature m ap)结构的M-P 模型神经网络(FM M P 网络)[4].它输入图像的角特征和组块特征序列将这些图像特征映射到输出层,形成图像的分类结果.FM M P 网络是一种4层结构的前馈网络.它输入图像的特征,输出对生成此图像的交会状态的分类结果.如图2所示.网络的连接权值的调整采用一次学习实现,FM MP 网络的学习过程就86北京理工大学学报第19卷　是对样本类型的归纳过程,从所有的样本中总结出一个判别规则,而它的分类识别过程就是应用此判别规则的演绎过程.学习样本越完备,差别规则就越完善,识别率就越高.这里的神经网络分类器电路本身不具有学习能力,学习功能的实现依赖于两个步骤:¹先构造FM M P 网络的计算机模型,由计算机模拟完成网络的学习;º再将计算机学习的结果固化在网络硬件电路之中.2　实验结果用自制的图像信号发生器产生的实验样本图像(如图3),作为图像识别神经网络系统(如图3　图像信号发生器输出的飞机二值图像图4)的输入,该信号发生器还具有接受外部中断和显示网络识别结果的功能.实验中,将网络的学习分成两个阶段:¹先用9幅平行交会状态下的图像对网络进行训练,得到一组权值,用所有交会状态下的42幅图像对网络进行测试,算出识别率;º再用所有交会状态下的另33幅图像样本对网络进行训练,得到另一组权值,再对网络进行测试,算出新的识别率,其结果见表1.图4　神经网络图像识别系统表1　FMMP 网络的学习结果训练步骤训练样本数/个测试样本数/个隐单元数/个正确识别样本数/个识别率/%194252661.923342942100.0 由此可见,特征映射(FM MP)网络具有较大灵活性,能适应新输入的模式,而且又能保持对过去学习过样本的记忆.所以,它们都具有对新样本进行学习的同时保持原有的分类识别能力,从而得到更精确的分类结果.该网络是非常容易用数字器件实现的.采用数字时序和组合逻辑进行设计,神经元电路由触发器和逻辑门连接构成,权值用占空比表示,由触发器产生不同脉宽的权值并存储权值.权值和输入被送入与门,与门用于执行突触乘法.该神经网络具有并行处理、分布存储及便于柔87　第S 1期马惠敏等:图像识别神经网络处理系统88北京理工大学学报第19卷　性调整的特点,并具有一定的通用性,略加调整即可在多种场合应用,实现不同目标动态图像序列的实时识别.目前,该网络正在用CPLD集成,体积可以做到很小.实验结果与理论分析表明,用数字电路实现的图像识别神经网络硬件系统能够正确识别二值图像序列,具有很高的处理速度和较强的容错能力,电路简单,容易调整,并具有一定的通用性,在模式识别领域有重要的应用价值.参考文献1　殷勤业,杨宗凯.模式识别与神经网络.北京:机械工业出版社,19922　Sonka M,Hlava c V,Bo yle R.Imag e pro cessing,analysis a nd machine v ision.Cambridg e: Cambr idge U niv er sity P ress,19933　马惠敏,郑　链.图像边缘提取与神经网络分类器的硬件实现.中国兵工引信学会第十届学术年会,贵阳,19974　沈　煜.应用于目标图像方位识别的神经网络硬件实现技术:[学位论文].北京理工大学机电工程学院,1998Image Recognition Neural Network Processing SystemsM a Huimin　Shen Yu　Zheng Lian　Wang Keyo ng(Schoo l o f M echano-Electr onics Eng ineer ing,Beijing Inst itute of T echno lo gy,Beijing100081)Abstract　Aim　T o dev elo p the neural netwo rk pro cessor used in real tim e binary image recog nition.Methods　T he neural netwo rk system fo r im age recognitio n w as implem ented by dig ital circuit,the system w as divided into three m odules:the edge extraction module made use o f plane-structure pr inciple and8adjacent-field principle to extract edg e feature fro m the binary image sequence,the feature extraction mo dule extracted invariable ang le features and ar ea features from the edg e o f the image,the patter n classificatio n module w as a four-layers feature mapping neural netw ork used to realize im age pattern recog nition.Results　Binary plane im ag es from the imag e gernerator w ere sent to this sy stem to be recog nized,the more training im ag es the hig her recog nition rate could be attained.Conclusion　T his image recog nition neural netw ork system can immediately rightly recog nize binary image sequence in r eal tim e.Key words　im age recog nition;neural netw ork;hardware implementation;feature ex tract。