摘要：針對傳統(tǒng)的特征提取會出現(xiàn)邊緣特征提取不完整的問題，本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的邊緣特征提取方法，能有效的提取目標(biāo)的邊緣特征。經(jīng)過試驗驗證，對比基于卷積神經(jīng)網(wǎng)絡(luò)的邊緣特征提取方法、傳統(tǒng)方法和BP神經(jīng)網(wǎng)絡(luò)特征提取方式，最終得到本文特征提取效果明顯優(yōu)于其他兩種特征提取效果。

關(guān)鍵詞：特征提??；卷積神經(jīng)網(wǎng)絡(luò)；BP算法；邊緣特征

特征提取是模式識別的一個重要的研究方向，目前已經(jīng)取得一定的研究成果，其中常見的特征提取方式有Sobel算法、Canny算法等，然而針對復(fù)雜多變的目標(biāo)特征提取時仍有一定的難度。

由于深度學(xué)習(xí)方法的普遍發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolution neural network，CNN）作為深度學(xué)習(xí)方法中的重要分支，在目標(biāo)特征提取中應(yīng)用也越來越廣泛[1]。Ma等提出利用CNN提取深度特征實現(xiàn)目標(biāo)的有效跟蹤[2]。Lijun Wang等提出對CNN不同層特征進(jìn)行分析，構(gòu)建特征篩選網(wǎng)絡(luò)和預(yù)測網(wǎng)絡(luò)，增強(qiáng)了目標(biāo)跟蹤的魯棒性[3]?？梢?，基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取方式已經(jīng)被廣泛的應(yīng)用到各個領(lǐng)域，而且取得了較大的成就。

本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的邊緣特征提取方式，能有效的提取目標(biāo)的邊緣特征，同時將本文的邊緣特征提取方式與傳統(tǒng)方法、BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)特征提取方式對比驗證，最終得到本文特征提取效果明顯優(yōu)于這兩種特征提取效果。

1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要包括四種基本結(jié)構(gòu)層：輸入層、卷積層（C層）、采樣層（S層）、輸出層，如圖1所示。卷積神經(jīng)網(wǎng)絡(luò)是一種多層感知器，使計算機(jī)能自動學(xué)習(xí)輸入圖像中目標(biāo)的特征，對目標(biāo)識別具有良好的效果。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取過程

常見的卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)深度特征主要經(jīng)過：卷積層（C層）、下采樣層（S層），具體的步驟如下：

2.1 卷積層

在卷積層，上一層輸出與該層的卷積核進(jìn)行卷積計算得到特征映射圖，然后對每個特征映射圖的局部區(qū)域加權(quán)平均求和，可加偏置后，通過激活函數(shù)，得到輸出的特征映射圖。假設(shè)輸入樣本集為〖JB（{〗xi〖JB）}〗Ni=1，具體的計算如公式（1）所示。通常激活函數(shù)選用sigmod函數(shù)或雙曲正切函數(shù)（tanh），RELU函數(shù)是線性修正函數(shù)，且能產(chǎn)生稀疏性，因此可被用作激活函數(shù)，其計算式如公式（2）所示。

2.2 下采樣層

下采樣層又叫池化層，計算式如（3）所示，經(jīng)過池化層后輸入的特征圖個數(shù)不變，大小變?yōu)?/n。若計算該局部區(qū)域中某個卷積特征的最大值，則稱為最大池化，具體操作為將圖像中每個鄰域4個像素取最大值變?yōu)?個像素，計算方程如公式（4）。

經(jīng)過多次的卷積、下采樣處理，再經(jīng)全連接層，可以提取到整個網(wǎng)絡(luò)的深度特征。

3 實驗結(jié)果與驗證

本文為有效的驗證基于卷積神經(jīng)網(wǎng)絡(luò)邊緣特征提取的效果，選擇常見的Sobel算法、BP算法和CNN算法進(jìn)行邊緣特征提取實驗驗證，實驗平臺matlab2013a。

三種方法邊緣特征提取結(jié)果如圖2所示，其中（a）所示為原始圖片，（b）為傳統(tǒng)的Sobel算子特征提取結(jié)果，由圖看出結(jié)果出現(xiàn)明顯的邊緣斷裂。（c）為BP算法特征提取效果圖，較Sobel算子結(jié)果相對清晰，但是仍存在部分邊緣不連續(xù)的問題。而（d）表示的基于CNN的特征提取結(jié)果更加清晰，細(xì)節(jié)特征提取效果也非常明顯。綜上經(jīng)過實驗驗證，最終得到基于CNN的邊緣特征提取效果明顯優(yōu)于傳統(tǒng)方法和BP算法特征提取效果。

4 小結(jié)

本文首先介紹了卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，其次介紹了基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取的過程，最后將基于CNN的邊緣特征提取方式與傳統(tǒng)方式、BP神經(jīng)網(wǎng)絡(luò)特征提取方式對比驗證，得到本文的邊緣特征提取效果明顯優(yōu)于這兩種特征提取效果。因此基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取方式可被廣泛的應(yīng)用實現(xiàn)目標(biāo)和背景的有效區(qū)分，實現(xiàn)目標(biāo)跟蹤和識別等。

參考文獻(xiàn)：

[1]Y. LeCun， C.Han，C. et.al. The Application Of A Convolutional Neural Network On Face And License Plate Detection. 18th International Conference on Pattern Recognition [J].2006，vol.3：552555.

[2]Chao Ma，JiaBin Huang， Xiaokang Yang，and MingHsuan Yang.Hierarchical Convolutional Features for Visual Tracking.ICCV，2015：30743082.

[3]Lijun Wang，Wanli Ouyang，Xiaogang Wang，Huchuan Lu.Visual Tracking with Fully Convolutional Networks，ICCV，2015：31193127.

作者簡介：肖林霞（1988），女，漢族，山東青島人，碩士，研究方向：圖像處理與分析。