基于多特征融合与支持向量机的手势识别

ａ叶技２０１５年第２８卷第５期　Ｅｌｅｃｔｒｏｎｉｃ　Ｓｃｉ．＆Ｔｅｃｈ．／Ｍａｙ．１５．２０１５　ｄｏｉ：１０．１６１８０／ｊ．ｃｎｋｉ．ｉｓｓｎｌ００７—７８２０．２０１５．０５．０３７　基于多特征融合与支持向量机的手势识别　吴健健，陈玮　（上海理工大学光电信息与计算机工程学院，上海２０００９３）　摘要针对手势识别中人的手部特征描述易受到环境因素影响，手势识别率低等问题，并考虑到单个特征的局　限性．提出了一种基于Ｈｕ矩和ＨＯＧ特征融合的支持向量机手势识别新方法。该方法首先对处理后的手势图像提取局　部的ＨＯＧ特征，然后针对手势的轮廓提取全局Ｈｕ矩特征，再将两种特征融合成混合特征，并通过主成分分析法对混　合特征进行降维形成最终分类特征，并将新特征输入到支持向量机中进行识别。实验表明，该方法具有较好的鲁棒性　和较高的识别率。　关键词　手势识别；Ｈｕ矩；梯度直方图；主成分分析法；支持向量机　中图分类号ＴＰ３９１．４１　文献标识码Ａ　文章编号１００７—７８２０（２０１５）０５—１２７—０５　Ｈａｎｄ　Ｇｅｓｔｕｒｅ　Ｒｅｃｏｇｎｉｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｍｕｌｔｉ－ｆｅａｔｕｒｅ　Ｆｕｓｉｏｎ　ａｎｄ　Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ　ＷＵ　Ｊｉａｎｊｉａｎ．ＣＨＥＮ　Ｗｅｉ　（Ｓｃｈｏｏｌ　ｏｆ　Ｏｐｔｉｃａｌ－Ｅｌｅｃｔｒｉｃａｌ　ａｎｄ　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｈａｎｇｈａｉ　ｆｏｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ　２０００９３，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ　Ｈａｎｄ　ｇｅｓｔｕｒｅ　ｆｅａｔｕｒｅｓ　ａｒｅ　ｅａｓｉｌｙ　ａｆｆｅｃｔｅｄ　ｂｙ　ｅｎｖｉｒｏｎｍｅｎｔａｌ　ｆａｃｔｏｒｓ　ａｎｄ　ｔｈｅ　ｇｅｓｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ　ｉｓ　ｔｈｅｒｅｆｏｒｅ　ｌｏｗ．Ａｎｄ　ｓｉｎｇｌｅ　ｆｅａｔｕｒｅｓ　ａｒｅ　ｍｕｃｈ　ｌｉｍｉｔｅｄ．Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ａ　ｎｏｖｅｌ　ｈａｎｄ　ｇｅｓｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｂａｓｅｄ　ｏｎ　ｍｕｌｔｉ－ｆｅａｔｕｒｅ　ｆｕｓｉｏｎ　ａｎｄ　ｓｕｐｐｏ￣ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ．Ｔｈｅ　ｆｕｓｉｏｎ　ｆｅａｔｕｒｅｓ　ｉｎｃｌｕｄｅ　ＨＯＧ　ｆｅａｔｕｒｅｓ　ａｎｄ　Ｈｕ　ｍｏ—　ｍｅｎｔｓ．Ｆｉｍｔ，ｔｈｅ　ｇｅｓｔｕｒｅ　ｉｍａｇｅ　ｉｓ　ｓｅｔ　ｔｏ　ｅｘｔｒａｃｔ　ｔｈｅ　ｌｏｃａｌ　ＨＯＧ　ｆｅａｔｕｒｅｓ．Ｔｈｅｎ　Ｈｕ　ｍｏｍｅｎｔｓ　ａｙｅ　ｅｘｔｒａｃｔｅｄ　ｆｒｏｍ　ｔｈｅ　ｇｅｓｔｕｒｅ　ｃｏｎｔｏｕｒ．Ａｆｔｅｒ　ｔｈａｔ，ｔｈｅ　ｄｉｍｅｎｓｉｏｎｓ　ｏｆ　ｔｈｅ　ｆｕｓｉｏｎ　ｆｅａｔｕｒｅｓ　ｏｆ　ＨＯＧ　ａｎｄ　Ｈｕ　ｍｏｍｅｎｔｓ　ａｒｅ　ｒｅｄｕｃｅｄ　ｂｙ　ｕｓｉｎｇ　Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ（ＰＣＡ）．Ｆｉｎａｌｌｙ，ｔｈｅ　ｆｕｓｉｏｎ　ｆｅａｔｕｒｅｓ　ａｒｅ　ｐｕｔ　ｉｎｔｏ　ｓｕｐｐｏ￣ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ　ｆｏｒ　ｉｄｅｎｔｉｆｉ－　ｃａｔｉｏｎ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｐｒｏｐｏｓｅｄ　ｈａｓ　ｂｅｔｔｅｒ　ｒｏｂｕｓｔｎｅｓｓ　ａｎｄ　ａ　ｈｉｇｈｅｒ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒａｔｅ．　Ｋｅｙｗｏｒｄｓ　ｇｅｓｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ；Ｈｕ　ｍｏｍｅｎｔｓ；ｈｉｓｔｏｇｒａｍｓ　ｏｆ　ｏｒｉｅｎｔｅｄ　ｇｒａｄｉｅｎｔｓ；ｐｒｉｎｃｉｐａｌ　ｃｏｍｐｏｎｅｎｔ　ａｎａｌｙ－　ｓｉｓ；ｓｕｐｐｏ￣ｖｅｃｔｏｒ　ｍａｃｈｉｎｅｓ　人机交互技术已经从以计算机为中心转移到以人　为中心，手势识别交互作为一种自然、人性化的交互方　式被越来越多的采用。手势识别可分为静态手势识别　和动态手势识别　ｊ，本文主要研究静态手势识别。　目前常见的静态手势识别方法包括：基于傅里叶　描述子特征的手势识别，如文献［２］提出的方法，虽然　能够较好地描述手势的轮廓，但对细节特征太敏感，对　产生形变的同一类手势的识别效果不理想；基于ＳＩＦＴ　（Ｓｃａｌｅ—ｉｎｖａｒｉａｎｔ　Ｆｅａｔｕｒｅ　Ｔｒａｎｓｆｏｒｍ）特征和支持向量　机的手势识别，如文献［３］提出的方法，这种方法能在　一定程度上取得较好的手势识别效果，但由于提取　收稿日期：２０１４一ｌ１—０３　基金项目：沪江基金资助项目（Ｃ１４００２）　作者简介：吴健健（１９９ｌ一），男，硕士研究生。研究方向：　嵌入式系统，模式识别，图像处理。Ｅ—ｍａｉｌ：ｗｕｊｉａｎｊｉａｎｌｌ１＠　１２６．ｃｏｍ。陈玮（１９６４一），女，副教授。研究方向：计算机控　制技术．模式识别．嵌入式系统。　ＳＩＦＴ特征的计算复杂度相对较高，导致识别速度相对　较慢，实时性较差；基于Ｇａｂｏｒ滤波器和ＰＣＡ（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ）的手势识别，如文献［４］提出的方　法，虽然识别率较高，但该方法对相似手势字母的识别　效果较差；基于Ｈｕ矩和支持向量机的手势识别，如文　献［５］提出的方法，虽然识别速度快，但由于仅是对手　势轮廓特征的描述，缺少手势内部细节信息，会导致识　别率相对偏低；基于ＨＯＧ（Ｈｉｓｔｏｇｒａｍｓ　ｏｆ　Ｏｒｉｅｎｔｅｄ　Ｇｒａｄｉｅｎｔｓ）特征和支持向量机的手势识别，如文献［６］　提出的方法，虽能较好地克服光照背景的影响，但也有　计算复杂度高导致的速度慢、实时Ｉ生差的特点，且由于　缺少手势轮廓这一重要的特征描述，使得识别率也相　对偏低。　针对上述问题，本文提出了一种基于Ｈｕ矩和　ＨＯＧ特征融合的支持向量机的手势识别的新方法。　该方法首先对处理后的手势图像提取局部的ＨＯＧ特　征，能够很好地克服光照背景的影响，然后针对手势的　ＷＷＷ．ｄｉａｎｚｉｋｅｊｉ．ｏｒｇ——　

１２７　吴健健，等：基于多特征融合与支持向量机的手势识别　轮廓提取全局的Ｈｕ矩特征，其对平移、尺度、旋转均　具有不变性，某种程度上弥补了ＨＯＧ特征的不足；然　后将这两种特征按照１：１相等权重融合，并对融合后　的每个特征分量进行归一化处理，并通过主成分分析　法（ＰＣＡ）对归一化处理后的混合特征进行降维形成最　终分类特征。在分类器的选择上，由于本文中用于手　势训练识别的样本数量相对较小，而支持向量机　（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ，ＳＶＭ）在当数据样本较小时　取得的效果通常最好，且算法较为简单，因此本文选择　ＳＶＭ分类器进行分类。最后将新特征输人到支持向　量机（ＳＶＭ）中进行识别，实验表明该方法具有更高的　识别率和较好的鲁棒性。　１特征提取算法　１．１　方向梯度直方图　ＨＯＧ特征描述子最初用于行人检测　，并取得了　较好的效果；其能较好地描述图像局部差分信息且不　易受到噪声干扰。ＨＯＧ特征的提取可分为如下步骤：　（１）对输入图像进行颜色空间进行归一化处理，　目的是为了减少光照的影响，同时可在一定程度上抑　制噪声的干扰。　（２）计算手势图像横坐标和纵坐标方向的梯度，　并据此计算每个像素位置的梯度方向值。　（３）将图像划分成小的细胞单元（ｃｅｌ１），并且为每　个细胞单元构建梯度方向直方图。　（４）将每几个ｃｅｌｌ组成一个块（ｂｌｏｃｋ），且在块内　归一化梯度直方图，一个ｂｌｏｃｋ内所有ｃｅｌｌ的特征描述　子串联起来便得到该ｂｌｏｃｋ的ＨＯＧ特征描述子。　（５）将手势图像内所有ｂｌｏｃｋ的ＨＯＧ特征描述子　串联起来便可得到该手势图像的ＨＯＧ特征描述子。　ＨＯＧ特征的提取流程如图ｌ所示。　手势图像　ｌ　Ｉ　图像归一化　ｌ　ｌ　计算每个　ｌ像素的梯度值　ｌ　ｌ统计ｃｅｌｌ内梯度　ｌ　方向直方图　ｌ　Ｉ统ｉｔ＇ｂｌｏｃｋ内梯度　Ｉ　方向直方图　ｌ　ＨＯｃ特征向量　图１　ＨＯＧ特征提取流程图　对输入的手势图像进行ＨＯＧ特征提取时，输入图　像大小为６４　Ｘ６４，ｃｅｌｌ大小为８　Ｘ　８，ｂｌｏｃｋ大小为１６×　１６，ｂｌｏｃｋ的步进为８个像素，梯度方向将３６０。分为９　个区间Ｌ８』，由此可计算得到本文中ＨＯＧ特征的维数是　１　７６４维，即得到一个１　７６４维的ＨＯＧ特征向量。　１．２　Ｈｕ矩描述子　根据Ｈｕ氏理论　Ｊ，通过各种不同级别几何矩的　数学组合，可得到７个特征量，当图像移动，旋转和比　例大小变化时，其具有保持其数值不变的特性。　对于图像　ｉ√），其（ｐ＋ｑ）阶中心距为　＝∑∑（　—　）　（　一　）　√）　（１）　归一化的中心矩为　＝　／　ｒ咖　（２）　其中ｒ＝（Ｐ＋ｑ）／２＋１。７个特征量为　ｆ　０＋　ｚ　Ｉ　ｈ２＝（’７２０一叩０２）　＋４．／２１１　ｌ　ｈ３＝（叼３０－３＊／１２）　＋（３＊／２１一田０３）　ｌ　ｈ４：（叼３０＋叼１２）　＋（叼２ｌ＋　０３）　Ｉ　ｈ５＝（叼３０—３，／１２）（　３０＋叩１２）［（叼３０＋，７ｌ２）　一３（＇７ｏ３一町２１）　］＋　Ｉ　（３＊／２ｌ一叼０３）（　ｏ３＋叩２１）［３（　０３＋３叼２１）　一（叼０３＋卵２１）　］　Ｉ　ｈ６＝（　２０一，７ｏ２）［（，７３０＋叩１２）　一（　０３＋　２１）　］＋４　１ｌ（町３０＋　Ｉ　叼１２）（　０３＋３＇７２１）　ｌ　ｈ７＝（３＊／２１一田０３）（　ｏ３＋ｑ２１）［３（田∞＋　２２）２一（　ｏ３＋　２１）　］一　【　（　３０一町１２）（　０３＋叩１２）［３（　３０＋’７１２）　一（叼０３＋　２１）　］　（３）　对输入的手势图像做Ｈｕ矩特征提取时，首先应　该将图像归一化后做高斯滤波降噪处理，然后将图像　转化为灰度图像，进而二值化处理得到黑白图像，突出　整个手势的轮廓，最后对处理后的手势图像提取Ｈｕ　矩特征，进而得到一个７维Ｈｕ矩特征向量用以描述　手势的轮廓特征。　２特征融合和ＰＣＡ降维　特征提取到１　７６４维的ＨＯＧ特征向量和７维的　Ｈｕ矩特征向量后，将二者按照１：１相等权重融合成　１　７７１维的混合特征，由于ＨＯＧ特征和Ｈｕ矩特征的物　理意义不同，取值范围也相差较大，为使两种特征具有　可比性，需要对融合特征的每个特征分量进行内部归　一化处理＿１　；本文选择离差标准化来进行归一化处　理，即对原始数据进行线性变换，使结果映射到［０，１］　之间，具体操作如下：假设通过特征提取得到ｋ维的特　征向量Ｆ＝ｌ　，…　ｌ，若有Ⅳ个图像样本，则第　个图像样本的特征向量Ｆ＝Ｉｆ／，　，…　Ｉ，对每一列　ＷＷＷ．ｄｌａｎｚｉｋｅｊ｜

．０ｒｇ　吴健健，等：基于多特征融合与支持向量机的手势识别　５结束语　本文采用特征融合的方法来提取手势特征，先后　提取了手势图像的Ｈｕ矩和ＨＯＧ特征，将二者融合后　的特征用ＰＣＡ进行降维处理，最后利用ＳＶＭ分类器　进行分类识别。通过以上的实验表明，该方法具有较　好的鲁棒性和较高的识别率。　参考文献　［１］　［２］　［３］　［４］　［５］　Ａｋｍｅｌｉａｗａｔｉ　Ｒ，Ｊｉｍｏｈ　Ｍ，Ｓａｌａｍｉ　Ｅ，ｅｔ　ａ１．Ｖｉｓｉｏｎ—ｂａｓｅｄ　ｈａｎｄ　ｐｏｓｔｕｒｅ　ｄｅｔｅｃｔｉｏｎ　ａｎｄ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｏｒ　ｓｉｇｎ　ｌａｎｇｕａｇｅ　ｓｔｕｄｙ［Ｃ］．Ｎｅｗ　Ｙｏｒｋ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ｆｏｕｒｔｈ　Ｉｎｔｅｒｎａｔｉｏｎ－　ａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃａｒｏｎｉｓ，ＩＥＥＥ。２０１１：１—６．　Ｃｈｅｎ　Ｗｅｎｈｅｒ，Ｃｈｉｎｇ　Ｔａｎｇ　Ｈｅｉｓｈ，Ｔｓｕｎ　Ｔｅｌｉｕ．Ａ　ｒｅａｌ　ｔｉｍｅ　ｈａｎｄ　ｇｅｓｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｓｙｓｔｅｍ　ｂａｓｅｄ　ｏｎ　ＤＶＩ＂ａｎｄ　ＳＶＭ［Ｊ］．Ａｐ－　ｐｌｉｅｄ　Ｍｅｃｈａｎｉｃｓ　ａｎｄ　Ｍａｔｅｒｉａｌｓ，２０１３（２）：２８４—２８７．　Ｚｈａｎｇ　Ｑｉｕｙｕ，Ｗａｎｇ　Ｄａｏｄｏｎｇ，Ｚｈａｎｇ　Ｍｏｙｉ，ｅｔ　ａ１．Ｈａｎｄ　ｇｅｓ－　ｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｂａｇ　ｏｆ　ｆｅａｔｕｒｅｓ　ａｎｄ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ　ｍａｃｈｉｎｅ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏｍｐｕｔｅｒ　Ａｐｐｌｉｃａｔｉｏｎｓ，２０１２，３２　（１２）：３３９２—３３９６．　Ａｍｉｎ　Ｍ　Ａ，Ｙａｎ　Ｈ．Ｓｉｇｎ　ｌａｎｇｕａｇｅ　ｆｉｎｇｅｒ　ａｌｐｈａｂｅｔ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｒｏｍ　Ｇａｂｏｒ—ＰＣＡ　ｒｅｐｒｅｓｅｎｔａｔｉｏｎ　ｏｆ　ｈａｎｄ　ｇｅｓｔｕｒｅｓ［Ｃ］．Ｎｅｗ　Ｙｏｒｋ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｓｉｘｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍａｃｈｉｎｅ　Ｌｅａｒｎｉｎｇ　ａｎｄ　Ｃｙｂｅｒｎｅｔｉｃｓ，ＩＥＥＥ，２００７：２２１８—２２２３．　Ｌｉｕ　Ｙｕｎ，Ｙｉｎ　Ｙａｎｍｉｎ，Ｚｈａｎｇ　Ｓｈｕｊｕｎ．Ｈａｎｄ　ｇｅｓｔｕｒｅ　ｒｅｃｏｇｎｉ－　ｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｈｕ　ｍｏｍｅｎｔｓ　ｉｎ　ｉｎｔｅｒａｃｔｉｏｎ　ｏｆ　ｖｉｒｔｕａｌ　ｒｅａｌｉｔｙ　［Ｃ］．Ｎｅｗ　Ｙｏｒｋ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ｆｏｕｒｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎ—　ｆｅｒｅｎｅｅ　ｏｎ　Ｉｎｔｅｌｌｉｇｅｎｔ　Ｈｕｍａｎ—Ｍａｃｈｉｎｅ　Ｓｙｓｔｅｍｓ　ａｎｄ　Ｃｙｂｅｒ－　ｎｅｔｉｃｓ，ＩＥＥＥ，２０１２：１４５—１４８．　［６］　Ｆｅｎｇ　Ｋａｉｐｉｎｇ，Ｙｕａｎ　Ｆａｎｇ．Ｓｔａｔｉｃ　ｈａｎｄ　ｇｅｓｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ＨＯＧ　ｃｈａｒａｃｔｅｒｓ　ａｎｄ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒｍａｃｈｉｎｅｓ［Ｃ］．　Ｎｅｗ　Ｙｏｒｋ：Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　ｓｅｃｏｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｓｙｍｐｏｓｉ—　ａｍ　ｏｎ　Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ　ａｎｄ　Ｍｅａｓｕｒｅｍｅｎｔ，Ｓｅｎｓｏｒ　Ｎｅｔｗｏｒｋ　ａｎｄ　Ａｕｔｏｍａｔｉｏｎ，ＩＥＥＥ，２０１３：９３６—９３８．　［７］　汪成亮，周佳，黄晟．基于高斯混合模型与ＰＣＡ—ＨＯＧ的　快速运动人体检测［Ｊ］．计算机应用研究，２０１２，２９（６）：　２１５７—２１６０．　［８］　向征，谭恒良．改进的ＨＯＧ和Ｇａｂｏｒ，ＬＢＰ性能比较［Ｊ］．　计算机辅助设计与图形学学报，２０１２，２４（６）：７８７—７９２．　［９］　Ｈｕ　Ｍ　Ｋ．Ｖｉｓｕａｌ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｔｉｏｎ　ｂｙ　ｍｏｍｅｎｔ　ｉｎｖａｒｉａｎｔｓ　［Ｊ］．ＩＲＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｔｈｅｏｒｙ，１９６２，８（２）：　１７９—１８７．　［１Ｏ］兰添才．基于多特征融合和支持向量机的媒矸石自动分　选研究［Ｊ］．科技信息，２００８，２４（２Ｏ）：７—８．　［１１］尹飞，冯大政．基于ＰＣＡ算法的人脸识别［Ｊ］．计算机技　术与发展，２００８，１８（１０）：３１—３３．　［１２］曾志强．支持向量分类机的训练与简化算法研究［Ｄ］．浙　江：浙江大学，２００７．　［１３］Ｌａｇａｎｉｅｒｅ　Ｒ．Ｏｐｅｎ　ＣＶ２　ｃｏｍｐｕｔｅｒ　ｖｉｓｉｏｎ　ａｐｐｌｉｃａｔｉｏｎ　ｐｒｏｇｒａｍ－　ｍｉｎｇ　ｃｏｏｋｂｏｏｋ［Ｍ］．Ｂｉｒｍｉｎｇｈａｍ：Ｐａｃｋｔ　Ｐｕｂｌｉｓｈｉ　Ｌｔｄ，２０１１．　（上接第１２６页）　［３］　Ｓｈａｈ　Ｐ　Ｋ．Ｍｉｓｓｅｄ　ｎｏｎ—ｓｍａｌｌ　ｃｅｌｌ　ｌｕｎｇ　ｃａｎｃｅｒ：ｒａｄｉｏｇｒａｐｈｉｃ　ｆｉｎｄｉｎｇｓ　ｏｆ　ｐｏｔｅｎｔｉａｌｌｙ　ｒｅｓｅｃｔａｂｌｅ　ｌｅｓｉｏｎｓ　ｅｖｉｄｅｎｔ　ｏｎｌｙ　ｉｎ　ｒｅｔｒｏ－　ｓｐｅｃｔ［Ｊ］．Ｒａｄｉｏｌｏｇｙ，２００３，２２６（２）：２３５—２４１．　［４］　Ｋｉｄｏ　Ｓ，Ｋｕｒｉｙａｍａ　Ｋ，Ｈｏｓｏｍｉ　Ｎ，ｅｔ　ａ１．Ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｓｉｍｕｌａｔｅｄ　ｐｕｌｍｏｎａｒｙ　ｎｏｄｕｌｅｓ　ｂｙ　ｓｉｎｇｌｅ—－ｅｘｐｏｓｕｒｅ　ｄｕａｌ——ｅｎｅｒｇｙ　ｃｏｍｐｕ—　ｔｅｄ　ｒａｄｉｏｇｒａｐｈｙ　ｏｆ　ｔｈｅ　ｃｈｅｓｔ：ｅｆｆｅｃｔ　ｏｆ　ａ　ｃｏｍｐｕｔｅｒ—ａｉｄｅｄ　ｄｉａｇ－　ｎｏｓｉｓ　ｓｙｓｔｅｍ［Ｊ］．Ｅｕｒｏｐｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒａｄｉｏｌｏｇｙ，２００２，４４（５）：　２０５—２１９．　［５］　Ｋｉｄｏ　Ｓ，Ｎａｋａｍｕｒａ　Ｈ，Ｉｔｏ　Ｗ，ｅｔ　ａ１．Ｃｏｍｐｕｔｅｒｉｚｅｄ　ｄｅｔｅｃｔｉｏｎ　ｏｆ　ｐｕｌｍｏｎａｒｙ　ｎｏｄｕｌｅｓ　ｂｙ　ｓｉｎｇｌｅ——ｅｘｐｏｓｕｒｅ　ｄｕａｌ—－ｅｎｅｒｇｙ　ｃｏｍ－－　ｐｕｔｅｄ　ｒａｄｉｏｇｒａｐｈｙ　ｏｆ　ｔｈｅ　ｃｈｅｓｔ［Ｊ］．Ｅｕｒｏｐｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒａｄｉ－　ｏｌｏｇｙ，２００２，４（１）：１９８—２０４．　［６］　Ｃｌｏｃｋｅｒ　Ｒ，Ｆｒｏｈｎｍａｙｅｒ　Ｗ．Ｕｂｅｒ　ｄｉｅ　ｒｏｎｔｇｅｎｓｐｅｋｔｒｏｓｋｏｐｉｓｃｈｅ　ｂｅｓｔｉｍｍｕｎｇ　ｄｅｓ　ｇｅｗｉｃｈｔｓａｎｔｅｉｌｅｓ　ｅｉｎｅｓ　ｅｌｅｍｅｎｔｅｓ　ｉｎ　ｇｅｍｅｍ－　ｇｅｎ　ｕｎｄ　ｖｅｒｂｉｎｄｕｍｇｅｎ［Ｊ］．Ａｎｎａｌｅｎ　ｄｅｒ　Ｐｈｙｓｉｋ，１９２５，７６　（６）：３６９—３９５．　［７］　［８］　［９］　［１Ｏ］　Ｊａｃｏｂｓｏｎ　Ｊ，Ｍａｃｋａｙ　Ｒ　Ｓ．Ｒａｄｉｏｌｏｇｉｃａｌ　ｃｏｎｔｒａｓｔ　ｅｎｈａｎｃｉｎｇ　ｍｅｔｈｏｄｓ［Ｊ］．Ａｄｖａｎｃｅｓ　ｉｎ　Ｂｉｏｌｏｇｉｃａｌ　ａｎｄ　Ｍｅｄｉｃａｌ　Ｐｈｙｓｉｃｓ，　１９５８（６）：２０１—２６１．　Ｌｏｏｇ　Ｍ．Ｆｉｌｔｅｒ　ｌｅａｒｎｉｎｇ：ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ｓｕｐｐｒｅｓｓｉｏｎ　ｏｆ　ｂｏｎｙ　ｓｔｒｕｃｔｕｒｅｓ　ｆｒｏｍ　ｃｈｅｓｔ　ｒａｄｉｏｇｒａｐｈｓ［Ｊ］．Ｍｅｄｉｃａｌ　Ｉｍａｇｅ　Ａｎａｌｙ—　ｓｉｓ，２００６（１０）：８２６—８４０．　Ｓｕｚｕｋｉ　Ｋ．Ｉｍａｇｅ—ｐｒｏｃｅｓｓｉｎｇ　ｔｅｃｈｎｉｑｕｅ　ｆｏｒ　ｓｕｐｐｒｅｓｓｉｎｇ　ｒｉｂｓ　ｉｎ　ｃｈｅｓｔ　ｒａｄｉｏｇｒａｐｈｓ　ｂｙ　ｍｅａｎｓ　ｏｆ　ｍａｓｓｉｖｅ　ｔｒａｉｎｉｎｇ　ａｒｔｉｆｉｃｉａｌ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ（ＭＴＡＮＮ）［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｍｅｄｉｃａｌ　Ｉｍａｇｉｎｇ，２００６，２５（３）：４０６—１６．　Ｓｈｅｎｇ　Ｃｈｅｎ．Ｓｅｐａｒａｔｉｏｎ　ｏｆ　ｂｏｎｅｓ　ｆｒｏｍ　ｃｈｅｓｔ　ｒａｄｉｏｇｒａｐｈｓ　ｂｙ　ｍｅａｎｓ　ｏｆ　ａｎａｔｏｍｉｃａｌｌｙ　ｓｐｅｃｉｆｉｃ　ｍｕｌｔｉｐｌｅ　ｍａｓｓｉｖｅ—ｔｒａｉｎｉｎｇ　ＡＮＮｓ　ｃｏｍｂｉｎｅｄ　ｗｉｔｈ　ｔｏｔａｌ　ｖａｒｉａｔｉｏｎ　ｍｉｎｉｍｉｚａｔｉｏｎ　ｓｍｏｏｔｈｉｎｇ　ａｎｄ　ｃｏｎｓｉｓｔｅｎｃｙ　ｐｒｏｃｅｓｓｉｎｇ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ　Ｍｅｄｉｃａｌ　Ｉｍａｇｉｎｇ　Ｐｕｂｌｉｃａｔｉｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ，２０１４，３３（７）：２３３—２４６．　ＷＷＷ．ｄｉａｎｚｉｋｅｊｉ　０ｒｇ　１３１