（计算机应用技术专业论文）基于细胞神经网络的移动目标识别.pdf

基于细胞神经网络的移动目标识别 摘要 细胞神经网络自提出以来，因它处理数据的高效特性，应用得到不断地推广，目前 在图像和信号处理、模式识别、人工智能、生物视觉、高级脑功能、偏微分方程求解和 超混沌同步等方面得到广泛发展；在移动目标识别这一图像处理领域得到广泛研究和应 用的原因在于其并行、高速的特点和适合于图像处理的独特网络结构。目前，国外己有 的c n n ( c e l l u l a tn e u r a ln e t w o r k ) 芯片的整体运算速度已经达n tt 级( 1 0 1 2 ) ，这对于提 高视频处理的速度和实时性是不言而喻的。因此，有必要研究细胞神经网络在视频序列 图像中目标分割和追踪的应用及其相关算法。 本文对常用的视频序列图像分割算法进行了比较和研究，采用并改进图像差分法提 取移动目标。这种方法原理相对比较简单，易于实现，能够很好的设计细胞神经网络模 板。首先利用相邻两帧源图像的差分图，能快速检测出目标的运动范围，。通过连续三帧 序列图像差分相与运算，检测出中间帧运动目标的形状轮廓。这种方法速度快，而且目 标物体形状轮廓精确，有利于进一步的处理工作。 移动目标的识别是本文的一个难点和重点，目前国外的相关研究中，细胞神经网络 大多用在图像的初级处理上，识别过程用其它方法实现，如基于d s p 算法。本文通过研 究传统的h a u s d o r f f 距离以及目前国外很多针对移动目标的跟踪算法，设计出了基于非 线性h a u s d o r f f 距离的模板匹配算法，并根据激发式自动波原理设计出具体的细胞神经 网络应用方法，用于实现目标的匹配。该方法计算简单，在视频序列移动目标识别上可 以取得很好的效果。 从实验的结果看，本文提出的算法采用更简洁的模板设计实现了视频图像运动目标 的分割，能够准确地实现目标的匹配。但是本文算法适用于背景静止的情形，对于背景 移动情形下如何提取目标并实现物体配准，需要在将来的工作中加以改进。 。 关键字：细胞神经网络，视频分割，目标识别 m o v i n go b j e c tr e c o g n i t i o nb a s e d o nc e l l u l a rn e u r a ln e t w o r k s u nx i a n z h a o ，p a ng u a n g z h e n a b s t r a c t s i n c et h ei n t r o d u c i n go fc e l l u l a rn e u r a ln e t w o r k ，i th a sb e e nw i d e l ys t u d i e db e c a u s eo f i t sh i g hs p e e dc h a r a c t e ro fd a t ap r o c e s s i n g n o wi th a sb e e nw i d e l yu s e di ni m a g ea n dv i d e o s i g n a lp r o c e s s i n g , r o b o t i c , b i o l o g i c a lv i s i o n s ，h i g h e rb r a i nv i s i o n s ，p a r t i a ld i f f e r e n t i a l e q u a t i o n sa n do t h e rf i e l d s t h er e a s o no fr e s e a r c ho nt h ea p p l i c a t i o no fc e l l u l a rn e u r a l n e t w o r ki nm o v i n go b j e c tr e c o g n i t i o ni st h eh i g hs p e e d ，p a r a l l e l i n go p e r a t i o nc h a r a c t e ro f t h ec n na n dt h en e t w o r kc o n s t r u c t i o ns u i t a b l ef o ri m a g ep r o c e s s i n g n o w , t h ew h o l e o p e r a t i o n a ls p e e do fc n nc h i pe x i s t i n ga b r o a dh a sr e a c h e dtm a g n i t u d e ，w h i c hc a ng r e a t l y i m p r o v et h es p e e da n dt h er e a lt i m eo fs e q u e n c ei m a g e sp r o c e s s i n g s o ，i ti sn e c e s s a r yt o s t u d yt h es e g m e n ta n dt h et r a c k i n go fm o v i n go b j e c ti nv i d e oi m a g e c h o o s i n g a n d i m p r o v i n g t h et h r e ei m a g e ss u b t r a c t i o n a l g o r i t h m a st h e i m a g e s e g m e n t a t i o nm e t h o da f t e rs t u d y i n ga n dc o m p a r i n gt h eu s u a la l g o r i t h m s ，a n di ti ss u i t a b l ef o r t h ea r c h i t e c t u r eo ft h ec e l l u l a rn e u r a ln e t w o r k t h em e t h o di ss i m p l ea n di t st e m p l a t e sc a nb e e a s i l yd e s i g n e d f i r s t ，t h em o t i o na r e ac a nb ee x t r a c t e db yt h ed i f f e r e n c eo ft h ef i r s ta n dt h e s e c o n di m a g e s ，t h e nu s i n gt h et h i r di m a g ew ec a l lg e tt h ea r e ao ft h em o v i n go b j e c ti nt h e s e c o n di m a g et h a th a st h ec l e a rc o n t o u r t h ec l e a rc o n t o u ri sv e r yi m p o r t a n ti nt h en e x t p r o c e s s i n g t h e r e c o g n i t i o no fm o v i n go b j e c ti si m p o r t a n ta n dd i f f i c u l t n o w , c n nh a sb e e nu s e df o r i m a g ep r i m a r yp r o c e s s i n ga b r o a d ，a n dt h ep r o c e s s i n go fr e c o g n i t i o nu s e so t h e rm e t h o d ss u c h a sd s pa l g o r i t h m t h r o u g ht h es t u d y i n go nh a u s d o r f fd i s t a n c ea n dt h en o n l i n e a rh a u s d o r f f d i s t a n c ei nt h ef o r e i g np a p e r s ，h a v ef o u n do u tt h ep r o p e ra l g o r i t h mo fc n nf o rt r a c k i n gt h e m o v i n go b j e c tb a s e do nn o n l i n e a rh a u s d o r f fd i s t a n c em e t r i c ，a n dt h e r ei st h et r i g g e r a u t o w a v e sm e t h o df o ri t si m p l e m e n ti nc n na r c h i t e c t u r e i ti ss i m p l ea n dt h er e s u l ti sv e r y g o o di ns e q u e n c ei m a g e sp r o c e s s i n g e x p e r i m e n t a lr e s u l t ss h o wt h a tt h ep r o p o s e da p p r o a c hi sap r o m i s i n gm e t h o df o rs e g m e n t o ft h em o v i n go b j e c ti ns e q u e n c ei m a g e s ，a n dt h eo b j e c t 啪b ew e l lm a t c h e d b u ti ti so n l y s u i t a b l ef o rt h es t a t i cb a c k g r o u n da n di ti sg o i n gt ob ei m p r o v e di nt h ef u t u r e k e y w o r d s ：c e l l u l a rn e u r a ln e t w o r k ，v i d e oo b j e c ts e g m e n t a t i o n ，o b j e c tr e c o g n i t i o n 原创性声明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下，独 立进行研究所取得的成果。除文中已经注明引用的内容外，本论文不包含 其他个人或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡 献的个人和集体，均已在文中以明确方式标明。本声明的法律责任由本人 承担。 论文作者签名：御! 砂矽 关于学位论文使用权的说明 本人完全了解中北大学有关保管、使用学位论文的规定，其中包括： 学校有权保管、并向有关部门送交学位论文的原件与复印件；学校可 以采用影印、缩印或其它复制手段复制并保存学位论文；学校可允许学 位论文被查阅或借阅；学校可以学术交流为目的，复制赠送和交换学位 论文；学校可以公布学位论文的全部或部分内容( 保密学位论文在解密 后遵守此规定) 。 签名：盈，锄哆 导师签名：- 一之k 7 卜 日期：j 尘_ l 【二! z 一 v 中北大学学位论文 第一章绪论 实时运动目标跟踪是模式识别、图像处理、计算机视觉、武器制导等领域的重要课 题，它把图像处理、自动控制、信息科学有机结合起来，形成了一种从图像信号中实时 地提取目标位置信息、自动识别目标、自动跟踪目标运动的技术。对序列图像中的目标 进行实时跟踪在军事、工业和科研方面都具有重要的意义。随着计算机技术、图像处理 技术及自动控制技术的迅猛发展，实时目标跟踪技术已经得到了越来越广泛的应用口2 1 。 实时目标跟踪技术的核心是运动目标的检测和分割以及运动目标轨迹的跟踪。目前， 专业人员对上述两项技术做了大量的研究，取得了丰富的研究成果，但是各种算法因跟 踪过程、场景设定、运动目标类型、运动目标的运动特征、摄像机及摄像机的运动、物 体的变形、背景的变化、运动目标运动轨迹不规则以及物体在运动过程中颜色及形状的 改变等不同而差异很大，存在通用性差的特点。针对特定的应用场合，借助于先验知识 研究特定的算法，仍然是解决工程问题的主要手段。由于处理过程中需要大量的计算， 普通算法难以满足实时的要求，而细胞神经网络( c n n ，c e l l u l a r n e u r a l n e t w o r k ) 可以实 现高速并行处理数据，能够满足实时需要，通过设计理想的算法可以实现分割效果好， 跟踪精度高的要求。本论文正是出于这样的目的，研究适合于视频序列移动目标识别工 作的细胞神经网络算法。 1 1 研究的背景 当前我们生活在信息时代，科学研究和统计表明，人类从外界获得的信息约有7 5 来自视觉系统，其中动态信息更是其主要组成部分，感知环境中的动态信息己经成为一 个重要的研究方向口1 。在现实生活中，大量有意义的视觉信息都包含在运动中，人们往 往只对运动的目标感兴趣，因此如果能有一套类似人类主动视觉系统的延伸或者辅助系 统，并在一定程度上具有人类的智能，能够辨别和跟踪我们感兴趣的运动目标，把这些 运动目标的信息记录下来，这样人类就可以去做一些只有人类才可以胜任的复杂分析和 推理工作，在一定程度上提高人类活动的意义和效率。运动目标跟踪逐渐成为模式识别、 图像处理、计算机视觉等领域的重要课题。 1 中北大学学位论文 传统的运动目标处理系统中，可以将流程分为三个阶段：在获取原始图像后，首先 是图像预处理阶段、第二是特征抽取阶段、第三是识别分析阶段。图像预处理阶段是图 像处理的前期工作，如果这个阶段处理不好，后面的工作根本无法展开，最终影响识别 的精度。而在特征抽取和识别分析阶段，需要对所有像素信息进行对比、统计和计算， 此过程往往耗费大量的时间，往往难以满足实时的需要。 细胞神经网络是一种能实时、高速并行处理信号的大规模非线性模拟电路，具有易 于v l s i 实现、能高速并行处理信息的优点。细胞神经网络是局部连接细胞的空间排列， 其中每个细胞都是一个具有输入、输出的非线性动力学系统。作为一种多层大规模局部 联接的并行模拟网络，它具有与人眼的视网膜相似的结构，具有生物视觉特性，在并行 信息处理中发挥了越来越重要的作用h 1 。 细胞神经网络是一种新的方法，它自提出以来，便成为研究的新热点。目前在图像 与信号处理、模式识别、人工智能、生物视觉、高级脑功能、偏微分方程求解和超混沌 同步等方面得到广泛的发展旧。细胞神经网络在图像处理方面发挥了越来越多的作用， 比如：水平检测、垂直检测、方向性检测、图像细化、空洞填充、边缘检测、滤波、汉 。 字并行处理和辨识、物体运动方向检测等，另外，通过设计细胞神经网络算法可以实现 更为复杂的功能，如视频图像的分割、智能机器人行走路径导引等。现在国内外很多科 研人员把如何设计c n n 算法作为重点，用它实现对实时性要求严格的问题处理上。然 而由于把细胞神经网络应用在移动目标识别这一课题的发展历史较短而且内容涉及到 图像处理、模式识别和跟踪等多个学科，其理论还很不完善，所以有很大的研究空间， 而且既有理论意义又有实用价值。 目前，细胞神经网络多数用于图像处理的一些环节，复杂算法的设计相对比较困难。 在移动目标识别方面，存在各种各样的场景。根据摄像机和场景是否运动，可将运动划 分为四种模式：摄像机静止物体静止，摄像机静止物体运动，摄像机运动物体静 止，摄像机运动物体运动。每一种模式需要不同的分析方式和算法。摄像机静止物 体静止属于简单的静态场景分析：摄像机静止物体运动是一类非常重要的场景分析， 包括运动目标检测，目标运动特性估计砸1 ，主要用于预警、监视和目标跟踪口1 ；摄像机 运动物体静止是另一种非常重要的动态场景分析，包括基于运动的场景分析、理解、 三维运动分析等，主要用于移动机器人视觉导航，目标自动锁定识别等：摄像机和物体 2 中北大学学位论文 都运动是计算机视觉中最一般的情况，处理起来最为复杂，是计算机视觉的热点问题之 一。本论文所涉及移动目标识别是针对摄像机静止物体运动模式。在这种模式下探索 运动目标检测和识别的方法，为更复杂的情形做准备工作。 1 2 研究内容 细胞神经网络不仅继承了神经网络固有的分布式处理和并行的特点，而且它的结构 更接近于真正的生物视觉神经系统，更能模拟生物的视觉特性，特别适于对二维图像的 处理。自提出以来，由于其有巨大的潜在应用前景，已成为研究的新热点。目前，细胞 神经网络已经成功应用于图像基本操作处理、字母以及数字的识别等；而基于细胞神经 网络的移动目标识别问题研究尚少，针对移动目标识别的特点，本文把此图像处理分成 大致两个过程：目标分割和目标识别，在这两个过程中应用细胞神经网络知识，设计图 像处理的算法，完成整个识别任务。 本文的研究内容分为三个方面： 1 理论性研究。细胞神经网络的稳定性是各种应用的基础，如模式识别、联想记忆、 图像处理和视频分割等应用极大地依赖于细胞神经网络的动态行为。研究细胞神经网络 的动态行为( 例如稳性，振荡以及混沌等) 对于细胞神经网络的硬件设计具有重要的指 导作用； 2 图像的处理和模式的识别。在动态序列图像的目标识别中，目标所有的特征参数 并不能显式的获得，首先需要通过精确的算法完成图像的分割或特征图像的序列分离： 然后对分割出的目标图像的重要特征进行定量估计，同时按一定的准则优化特征向量， 本文在研究了大量文献的基础上，应用并改进差分法获得序列图像中的移动目标，采用 非线性h a u s d o r f f 距离计算序列图像中物体和模板之间的差别，采用激发式自动波原理 在细胞神经网络中实现该距离的度量，得到它们的不匹配程度，完成灰度图像中物体识 别工作； 3 细胞神经网络算法设计与实验。细胞神经网络是神经网络的前沿，目前它广泛的 应用于图像处理。图像处理的核心是算法，算法的选择决定了图像处理的效果和质量， 算法的实验可以通过软件和硬件实现，硬件实验费用高，而通过软件仿真实验评测细胞 3 中北大学学位论文 神经网络算法的有效性，使其得到快速的应用。 其中第二个方面为研究的重点，在移动目标分割方面，运用差分原理，在前人工作 基础之上优化图像处理过程，提出差分模板，从理论和实验两方面探讨其正确性；模式 识别方面运用自动波原理测量非线性h a u s d o r f f 距离，实现图像中物体差异度的计算， 用来实现序列图像移动目标的识别工作。 研究目标： 基于细胞神经网络并利用多帧图像信息提取目标的有用信息，实现对移动目标的准 确识别。 拟解决的关键问题： 1 实时性。细胞神经网络是一种结构形式为局部连接的神经网络，具有实时信号处 理的能力，可以满足大数据运算，在满足稳定性基础之上设计出移动目标识别的流程， 采用更为简洁的基本运算达到识别的目的并满足实时要求； 2 高效准确算法的设计。虽然细胞神经网络具有良好的图像处理特点和高速的运算 能力，但它的计算能力受限于其简单的细胞结构，而在目标图像的处理过程中，常常受 到复杂背景的干扰，需要进行高等的运算，目前，一些比较成熟的算法难以完美的移植 到细胞神经网络中；因此如何设计基于细胞神经网络的算法成为关键问题； 3 测试与应用。测试用例是算法测试的核心，关系到算法的具体应用，通过测试给 定算法的适用场合。 如今，需要处理的图像数据量日益增加，处理的实时性要求越来越高，采用c n n 的 相关算法和硬件是解决这些问题的有效方案，具有广阔的应用前景。 弘。 1 3 论文结构安排 本文根据现有的图像处理中对移动目标跟踪的难点，围绕细胞神经网络的特性展开 论述，在充分学习了细胞神经网络的基础之上，结合细胞神经网络的新的研究成果，对 移动目标的识别问题做了相关研究。 本文的结构安排如下： 第一章：绪论，主要介绍图像处理中移动目标识别存在的问题及细胞神经网络在处 4 中北大学学位论文 理此问题上的优越性，说明本论文的研究内容以及拟解决的关键问题。 第二章：细胞神经网络概念与应用，本章介绍了细胞神经网络的产生、发展及其在 图像处理方面的应用。其中着重说明了细胞神经网络的网络特性，对细胞神经网络模板 设计具有指导意义。 第三章：序列图像的物体跟踪概述，介绍了通常的图像处理中移动物体识别与跟踪 的方法，并在此基础之上探讨细胞神经网络的具体应用，为细胞神经网络的算法设计提 供指导。 第四章：细胞神经网络移动目标识别算法设计，重点介绍了视频序列图像中移动目 标分割算法，提出差分模板并给出了理论证明和实验对比，设计出了视频序列图像中移 动目标识别的方法，在实验基础之上说明本文算法的优越性。 第五章：结论与展望，对全文工作进行了总结，并提出下一步的工作展望。 5 中北大学学位论文 第二章细胞神经网络概念与应用 2 1 人工神经网络的发展和细胞神经网络的产生 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 是由大量简单的神经元按一定 方式连接形成的智能仿生动态网络。作为- - t 3 学科，它的产生和发展有着深刻的科学背 景和社会背景呻1 。 第一台电子计算机诞生以来，计算机的发展日新月异。通过计算机模仿人类的行为， 使之具有人类的智能，是人类长期以来追求的目标。对人工智能的研究和探索，使人类 朝着这个目标一步步迈进。智能模拟有三个主要途径，即符号主义、联结主义、行为主 义。其中联结主义就是基于神经网络的结构和功能，通过大量的非线性并行处理器模拟 人脑神经细胞，用处理器错综灵活的连接关系模拟人脑神经细胞之间的突触行为，这种 联接机制的模拟方法，在一定程度上有可能起到对人脑形象思维的模拟。联结主义的这 种需求促进了人工神经网络的创立和发展。 1 9 世纪之前无论是以欧氏几何和积分为代表的经典数学，还是以牛顿力学为代表的 经典物理学，这些经典科学都是线性科学。从总体上说，客观世界是如此的纷繁复杂， 然而非线性情况随处可见，人脑神经系统更是如此；为了更好地认识客观世界，必须对 非线性科学进行研究。人工神经网络作为一种非线性的、与大脑智能相似的网络模型便 应运而生。所以，人工神经网络的创立不是偶然的，而是2 0 世纪初科学技术发展的产 物。 人工神经网络的研究始于2 0 世纪4 0 年代初。半个多世纪以来，经历了兴起、高潮、 低迷、第二次高潮及稳步发展的极为曲折的道路。今天，神经网络和神经计算机已经发 展成为一门多学科领域的边缘交叉学科。 人工神经网络的模型和算法有很多。在人工神经网络中，权是一个反映信息存贮的 关键量。在结构和转换函数定了以后，如何设计权使网络达到一定的要求，这是人工神 经网络必不可少的部分。大多数人工神经网络权的设计是通过学习得到的，大体上可以 分为下列几种：死记式学习、6 学习律、相近学习律、自组织学习和h e b b 学习律田1 。 6 中北大学学位论文 人工神经网络的主要类型有：前馈式神经网络、反馈式神经网络、自组织竞争神经 网络、随机神经网络等。 细胞神经网络是人工神经网络的分支，它是加州伯克利大学的华裔学者蔡绍棠教授 在1 9 8 8 年提出来的一种局域连接、权可设计的人工神经网络，它起源于h o p f i e l d 神经 网络，细胞神经网络同h o p f i e l d 网络一样是反馈式人工神经网络的一种n 们。它不像 h o p f i e l d 网络一样要求每个神经元与其它神经元完全连接，因为在真实的生物神经网络 里，并没有这种要求。在真实视觉初级加工的神经网络中，每个神经细胞与其相近的神 经细胞之间的连接较强，而远离该神经细胞的连接权较弱。视觉处理就是利用这种连接 权的方向进行方向检测、边缘提取等工作。细胞神经网络就是以神经网络的这种连接方 式为背景，来实现一种局部连接的，权可设计的人工神经网络。因此。细胞神经网络最 有吸引力的特征就是和人类视觉系统( h u m a nv i s u a ls y s t e m h v s ) 很多的相似性。 细胞神经网络最初的设计就是用来替代h o p f i e l d 神经网络，因为它要求全局连通性， 网络布线将随着细胞阵列的增大而成幂指数增长，细胞神经网络只要求局部连通性，容 易硬件的超大规模集成，其计算速度至少是d s p 的1 0 0 0 倍。细胞神经网络的种种特性 吸引了越来越多的研究者。 2 2 细胞神经网络研究意义 细胞神经网络是一种结构形式为局部联接的神经网络，是具有实时信号处理能力的 大规模非线性模拟电路，其网络的权值通过预先设计而定，神经元的状态与输出为分段 线性关系。细胞神经网络的发展与v l s i 实现及c n n 芯片的发展密不可分。随着基于 细胞神经网络算法的发展和c n n 芯片的完善，带动了新一轮的神经网络研究热潮，而 细胞神经网络算法及其应用现已形成了一个新的学科分支。 细胞神经网络不仅继承了神经网络固有的分布式处理和并行计算的特点，而且网络 结构更接近真正的生物视觉神经系统，在二维图像的处理方面具有广阔的应用前景。并 且，由于c n n 芯片的发展与完善，其并行高速的特点使大数据量、大运算量的计算成 为可能。 细胞神经网络除了具有人工神经网络特性外，细胞神经网络有其自己的突出优点： 1 其连续时间的特点使其在数字领域中具有所需的实时信号处理能力： 7 中北大学学位论文 2 其局部互连的特点便于v l s i 的实现，并适于高速并行处理； 3 其处理速度与图像规模无关。 细胞神经网络以其自身的优势吸引了越来越多的研究者，相信在图像处理和模式识 别方面将吸引越来越多的目光。 2 3 细胞神经网络的基本模型 一个简单的二维细胞神经网络结构如图2 1 所示n 1 1 ： i 2 j m ，口口口口 2 口口口口 。白白曾：白- 口口口口 n 口口口口 c ( i ，_ ) 表示第i 行、第i 列的神经元或者称为细胞，它p , n n $ 半径，范围内的神经 元相连，而同其它的神经元细胞不连接。n r q ，| ) 表示c ( i ，f ) 神经元细胞和临近其它神经 元细胞的集合。细胞神经网络是一个大的动态系统，对一个mx n 的阵列，它的每个 细胞可用文献 2 中的状态方程描述，本文作了简单的形式变化如式2 1 所示： d x i j ( t ) a t = 一x f j ( t ) + 罗 b k 以t , l ( t ) + 七，嘲f ，) 罗a k t y 盯( f ) + j ( 式2 1 ) k 1 矗l i j 、 其中：1s ism ，1s j sn ，0s is ，0s j s ，。 柳为细胞c ： 当前的状态，湖和弘分别为细胞的初始输入值和当前的输出值，彳材为 反馈模板，舶为控制模板，为阈值电流。每个细胞的输出方程如式2 2 所示： 8 中北大学学位论文 ”= - 三d x , + 1 | 一b 一1 | ) 其中：1s ism ，1 s i sn 。 细胞神经网络输出方程是一个分段线性函数，轨迹如图2 2 所示： y i l 1 二z i 毛 _ ( 式2 2 ) 图2 2c n n 输出函数描述 细胞神经网络每个时刻的输出状态由状态方程和输出方程控制，它具有全局稳定性， 即每个细胞经过一个暂态衰减至零后，一定落在一个绝对值大于1 的平衡点上，保证了 细胞神经网络有稳定的输出。 从动态方程可以看出，细胞神经网络的动态机制包括输出反馈和输入控制两种，输 出反馈的效果取决于模板彳h ，输入控制的效果则取决于模板舶。对于标准的细胞神经 网络来说，其输a u u 、状态柳和输出弘完全由反馈模板彳h ，控制模板舶和阈值j 来 控制。所以其应用于图像处理时，控制模板、反馈模板和阈值设置不同的参数可以实现 不同的图像处理功能和效果。 在图像处理中，无论是灰度图像还是二值图像，每一个像素的值均为离散量化的， 采用细胞神经网络对图像进行处理时，需要把像素值映射到 一l ，1 范围内n 铂。映射函 数如式2 3 所示： y i 2 幸似2 5 5 0 5 ) ( 式2 3 ) 其中：z 【0 ，2 5 5 】，y e 一1 1 】。这里需要强调的一点是在细胞神经网络中数字l 代 表黑色像素，一1 代表白色像素，在用细胞神经网络进行图像处理之后，可以把像素值再 映射回来。式( 2 3 ) 函数曲线图如图2 3 所示： 9 中北大学学位论文 2 4 细胞神经网络的网络特性 工 j j | | o 2 5 5i - i j 图2 3 像素阈值转化曲线 2 4 1 细胞神经网络的有界性 细胞神经网络的每个神经元可用下面的等效放大电路图2 4 来表示n 引： j ； 图2 4c n n 细胞等效放大电路图 由于细胞神经网络是一个动力系统，因此对细胞神经网络的稳定性分析要用现代控 制原理来解决。现代控制原理指出系统分析是在给定系统条件下，将物理系统抽象成数 学模型，然后用成熟的数学方法和先进的计算工具对系统的动态性能和稳定性能进行分 析。控制系统的性能分析可以分为定性分析和定量分析两个方面。定性分析是指利用一 些控制理论的方法对系统的主要性能，诸如稳定性、能控性和能观性等，进行必要的判 断。定量分析是在定性分析的基础上，利用数学方法或者计算机进一步对系统的稳态和 动态性能做出准确的定量分析。以状态方程为基础的现代控制原理一般使用定性分析， 以传递函数为基础的经典控制原理一般使用定量分析。 经典控制理论中己经建立了代数判据、奈魁斯特判据、对数判据、根轨迹判据来判 1 0 中北大学学位论文 断线性定常系统的稳定性，但不适用于非线性时变系统。分析非线性系统稳定性及自振 的描述函数法，则要求系统的线性部分具有良好的滤除谐波的性能。而相平面法则只适 合一阶、二阶非线性系统n 钔。1 8 9 2 年俄国学者李雅普诺夫( l y a p u n o v ) 提出的稳定性理论 则是确定系统稳定性的更一般性理论。它采用了状态向量描述，不仅适用于单变量、线 性、定常系统，而且适用于多变量、非线性、时变系统。在分析一些特定的非线性系统 的稳定性时，l y a p u n o v 理论有效地解决了用其它方法所不能解决的问题。l y a p u n o v 理 论在建立一系列关于稳定性概念的基础上，提出了判断系统稳定性的两种方法：一种方 法是利用线性系统微分方程的解来判断系统稳定性，称之为l y a p u n o v 第一法或间接法： 另一种方法是首先利用经验和技巧来构造l y a p u n o v 函数，进而利用l y a p u n o v 函数来判 断系统稳定性，称为l y a p u n o v 第二法或直接法。由于间接法需要解系统微分方程，求 解系统微分方程往往并非易事，所以间接法的应用受到了很大限制。而直接法不需解系 统微分方程，给判断系统的稳定性带来了极大方便，获得了广泛应用，并且在现代控制 理论的各个分支，如最优控制、自适应控制、非线性系统控制、时变系统控制等方面， 不断得到应用与发展。尽管超稳定性理论有着许多优点，在系统的分析与综合中提供了 不少方便和灵活性，但其应用范围主要是线性定常系统或线性慢时变系统，不如 l y a p u n o v 稳定性理论应用广泛。 细胞神经网络的l y a p u n o v 函数原函数如式2 4 所示： e ( f ) 一j 1 磊磊卸曩叫h o m o ) + 去磊v y h ( t y ( 式2 4 ) 一磊磊b ( i 江蚴o m ( f ) 一磊( f ) 式2 4 反映了图2 4 中电路的能量。文献 1 3 已经证明了细胞神经网络动态范围的 界限。细胞神经网络具有如下的特点： 1 每个细胞电压都具有可估性； 2 网络的l y a p u n o v 函数具有有界性； 3 网络细胞的输出电压具有准确的二态性； 4 网络满足最小反馈参数的约束定理； 这些优点就保证了在细胞神经网络中可以避免出现一些在其他的神经网络中出现的 11 中北大学学位论文 难以克服的问题，如混沌、振荡和不确定等。 2 4 2 细胞神经网络的稳定性分析 首先将细胞神经网络的状态方程改写为如式2 5 的形式n 钉： x i j ( t ) 一g o ) ) + w o ( t ) ( 式2 5 一4 酷圣甄 w o ( t ) 罗a ( k ，1 ) f 似o ”+罗口 ，f ) i l 脚“ ( 式2 7 ) c ( i 霉甄( f ，j )c i 聋厮( i ，) 上述式中a i j - - a q ，) 。显然，方程若以x o ( t ) 为变量时，由于w ( f ) 中不含有斯( f ) 项， 可以将其视为一个常量。因而，可将其作为x t j ( t ) 关于x f ( f ) 的分段线性方程来讨论，而其 中a i j 是影响的关键因素，下面以a i j 的大小来讨论细胞神经网络的稳定性。 1 如果口巧一1 0 ，当w ( f ) ：o 时，通过分析可知共有三个平衡点，其中有两个稳定 的平衡点和一个不稳定的平衡点；当0 聊p ) a i j 和一a 1 ，能够得到y 仃( ，) 土1a 若以斯为变量，动态轨迹可以 1 2 中北大学学位论文 一一。 0 图2 5c n n 动态轨迹图 根据动力学方程，若电路参数满足式2 8 ： 郇，加瓦1 ( 式2 8 ) 则电路暂态过程结束后，c n n 的每个细胞的状态斯( f ) 会达到一个稳定的平衡点，且对所 有碜定平衡点有l 拗( f 炒1 。 2 如果口巧- 1 o 不同，其平衡稳定点可以为捌p ) 【一1 1 且不存在双稳态情况，当x o ( t ) e - 1 , 1 】 时，根据输出方程，y , j q ) - x , j o ) ，而莉( f ) 硭【一1 ，1 时，弦o ) t 1 。根据细胞动力学方程， 若电路参数满足彳o ，j ) l 。 通过稳定性分析，可以了解细胞神经网络在稳态时输出值) ， ( ，) 的值域范围及状态量 澍( f ) 的范围。这对于其输出值的预测和模板设计等都具有指导意义，是细胞神经网络输 出的理论依据。需要强调的是，以上对细胞神经网络的稳定性分析都是基于连续时间的 系统动力学模型，且在理论上平衡稳定点均为t 一。然而，从图像处理的角度看，空 间域与时间域是离散的，不仅需要研究平衡稳定点的收敛过程，同时也需要用到t 呻l 暂态情况的图像处理结果，这种暂态往往是通过调整算法的循环迭代次数来实现。因此， 细胞神经网络应用于图像处理时，稳态与暂态的应用还应该视具体情况来决定。 2 5 细胞神经网络在图像处理中基本应用 细胞神经网络有很多科学方面应用，如在信号处理方面，它可以解决很多用传统的 方法无法解决的复杂问题，比如码间干扰和高斯白噪声中的最大概率估计问题，处理声 学信号等；在分析三维复平面中时，检测最小值和最大值：解决部分差分方程n8 1 。细胞 神经网络的很多应用还是在图像处理方面。在其模板库中有很多模板，可以实现不同的 图像处理功能，如图像的平滑，去噪声，删除小物体，空洞填充，细化等一些基本的操 作n 7 1 8 1 射。另外利用c n n 处理器可以进行细胞神经网络通用编程，可将基本操作组合 起来实现复杂功能的算法设计，如通过欧拉数的计算识别基本数字或字母等。它利用了 一些基于图像像素的最简单的函数，指令集相对软件编程要缺少得多。但它有着高度的 并行性，所以处理的速度非常快。下面举例说明细胞神经网络在图像方面的简单应用。 1 图像与操作啪1 f o o d 1f o o 0 1 当么。1 0 2 0 ib 。1 0 1 o i i = 1 时，可以实现两个不同二值图像的逻辑“与 ， 【o oo j 【o o o j 即设图像p 1 为初始值，图像p 2 为控制输入值，边界条件设置为o ，依据细胞神经网络状 态方程和输出方程，通过两步迭代运算，可获得稳定的输出值，如表2 1 所示： 1 4 中北大学学位论文 表2 1c n n 逻辑与对应表 x ( 0 ) p 1 up 2 输出 1 黑1 黑1 黑 1 黑一1 白一1 白 一l 白1 黑 一1 白 一1 白一1 白一1 白 ( 2 ) 若l l f 为白，无论其周围像素是黑或白，无论硝是黑或白，输出为白。 可设置模板为：彳2 【0 三封口。【三兰习- 曲，下面只需要确定口和6 的值。 y 和) 。 1 【一1 工私一 一1 + 2 + 口+ 6 0 - l + 2 - a + b 0 解不等式组得： 1 24 - 口+ 6 0 一 1 2 一a + b 0 如果取b 一一1 ，则0 a c2 。由此可知本文中所设置模板参数有效。 后述模板参数推理与此相似，在此后不再赘述。 2 图像或操作 1 5 中北大学学位论文 当彳。医兰三】b 。【三兰三】 k 1 时，可以实现两个不同图像的逻辑“或”，即 表2 2c n n 逻辑或对应表 x ( 0 ) p 1 up 2 输出 1 黑1 黑1 黑 1 黑一1 白l 黑 一1 白1 黑1 黑 一l 白一1 白一1 白 当彳2 【导兰兰】曰。【三虽三】，= o 时，可以现输入图像的逻辑“非，即反 表2 3c n n 逻辑非对应表 x ( 0 ) p 1 up 2输出 木 l 黑1 白 木 一1 白1 黑 4 边缘检测 上述1 - 3 操作都是针对二值图像，在灰度图像处理中，规则相对比较复杂。我们可 以根据输出的效果设置合理的细胞神经网络动态规则。下面以边缘检测为例说明此过 程。 对于灰度图像而言，检测边缘的算法应满足： 1 6 达到提取图像边缘的效果。给出示例如图2 6 所示： o r i g i n a le d g e b 。c r l r l 獭 鄹i r l l ， 翻? | 譬 j 。lf 中北大学学位论文 决定。 在实际应用中，反馈模板a 、控制模板b 和阈值z 控制细胞神经网络的整个过程。 如果设计确定a 、b 、i 的值对细胞神经网络系统而言非常重要。通常情况下a 、b 和i 统称为细胞神经网络模板。 在实际应用中，需要根据实际需要设置步长n 的大小。 这里以逻辑“与一运算来举例： 一般情况下，令c = r x ，不访令h = l ，式2 1 0 得： 勋o + 1 ) x i j f , ) - x i j ( n ) + 罗 a ( i ，j ；七，z 枷( 刀办) +罗s ( i ，歹；七，z 弘脚0 ) + 而 c ( t 訇“( j ，j )“i 聋嘛( i ，j ) 化简形式为：勋1 ) - 罗 a ( i ，j ；七，f 枷o ) + 罗 b ( i ，j ；七，弘盯( 刀) + j c ( i 棠嘛( f ，j )c ( t 棠野( f ，) 若刀- o ，贝i j 脚( 1 ) 一2 y o ( o ) + u o ( o ) 一1 若力一1 ，贝0 砌( 2 ) 一2 y _ f j ( 1 ) + h 可( 1 ) 一1 由于l l ( 0 ) 一嘶( 1 ) ，再将模板参数和图像输入值代入，最后根据输出方程得表2 1 。 2 7 图像处理的基本步骤 在数字图像中，像素是最基本的单位，一个c n n 细胞对应一个像素点，其中每一 个细胞即为一个复杂的动力学系统。细胞神经网络处理图像基本步骤如下： 1 根据要解决的问题选择恰当的细胞神经网络模型； 2 设计实现该功能的细胞神经网络算法； 3 为具体的功能细节设计细胞神经网络模板； 4 用仿真软件或硬件平台进行实验，根据实验结果修改模板参数，达到更好的效果。 2 8 细胞神经网络算法开发和仿真工具 m a t c n n 是一个易于使用和灵活的c n n 仿真环境，它建立在m a t l a b 的数字的可视化 环境上，可以仿真线性与非线性的细胞交互，主要特点是： 1 单层细胞神经网络仿真程序； 2 是一个模拟的细胞神经网络算法设计环境； 1 9 餮t 蚓c r 一，叮珂习。鼹飙懋黧熬鬣戮缓鬟繁蒸 囊蓑鬟j j 州型 j i ei i r l a q e ! 斜_ n p 陡e 趔p h a 跏c n n 恕咄a b d n 跏嗍伽t i o i 葛蜘w 薯妻i - i t r 鲢咖 苗l 戮l 纠i 凰l卜li i il i ii 刻缀簿乏l 咿 中北大学学位论文 第三章序列图像中移动目标识别与跟踪概述 所谓目标识别，就是根据从图像中提取出的目标的特征，对其做出类属的判别问题。 目标识别有很多方法，一般包括统计方法、神经元网络等方法。而对移动目标的识别来 说，通常只需辨明目标的类型，因而根据目标的形状特征或灰度矩就可以判定其归属问 题，并不需要了解有关图像中目标更多的细节1 。目标跟踪与识别通常分不开，识别是 跟踪的前提，跟踪往往是识别的目的。 运动目标的识别与跟踪在工业过程控制、医学研究、交通监视、自动导航、天文观 测等领域具有重要的实用价值。尤其在军事上，己被成功地用于武器制导、军事侦察和 监视方面。运动目标识别与跟踪的目的就是通过对传感器拍摄到的图像序列进行分析， 计算出目标在每帧图像上的位置，给出目标速度的估计。可靠性和精度是跟踪过程的两 个重要指标。己有的跟踪算法各有千秋，不同的跟踪算法适用于目标不同的运动状态。 在距离较远，目标面积较小，机动性不强时，通常采用滤波跟踪算法以提高目标跟踪精 度。在近距离，当目标具有一定面积且帧间抖动较大时，一般采用窗口质心跟踪或匹配 跟踪方法以保持跟踪的稳定性和精度。 下面给出实现运动目标识别与跟踪的一般流程如图3 1 所示： 序列 骤篙_ 匝堕口匝回 处理! l 一l 一 蚓像粟筑k 一数掂通信 同枥、球殇； 数始逝f 二 图3 1 运动目标跟踪流程图 现阶段正在研制的智能跟踪系统硬件采用大规模集成电路，以微机为基础进行软件 编程，这样基本能够满足设备小、性能高、运算速度快、功