用简化脉冲耦合神经网络实现交通标志图像的类Euclidean距离变换类内特征提取

摘要：

脉冲耦合神经网络(PCNN)提取的特征序列的旋转不变性降低了道路交通标志类内匹配识别的准确性,为了提取更有利于形状分类的特征向量,本文利用PCNN的自动波扩散特性,简化了PCNN模型.采用简化PCNN模型产生的类Euclidean距离图像作为分类特征,利用最小方差值进行匹配分析,并通过实验选取了最佳PCNN参数.针对道路交通标志图像库GB5768-1999的实验结果表明,采用获得的类Euclidean距离图像作为特征向量进行分类匹配,在选定边缘图像的迭代次数N为16,反馈输入固有电势VF为0.65,动态门限固有电势Vr为100,卷积核矩阵为5×5时,最小方差值均出现在对应的标准图像位置.结果表明,简化PCNN的类Euclidean距离变换能够有效提取二值边缘图像的形状信息.该方法优于传统PCNN熵序列的特征向量方法,类内区分效果更加明显.

关键词：交通标志、脉冲耦合神经网络、自动波扩散、类Euclidean距离、特征提取

所属期刊栏目：20

分类号：TP391.41(计算技术、计算机技术)

资助基金：河北省高等学校科学技术研究青年基金资助项目2010121

在线出版日期：2013-01-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2751-2758