图像特征的CNN提取方法及其应用.pdf

!#$%# 计算机工程与应用 % 引言 细胞神经网络（ ’’ ）(%)是一种基于神经元局域连接的神经 网络并行处理器。与全互联 *+,-./01 神经网络所不同的是：它 的每个神经元仅与邻近神经元相连，且所有神经元的相邻连接 结构和连接权重都相同，因此，硬件上可以采用相同的电路元 件阵列来设计 ’’ 并行处理器，这种阵列同构的电路设计有 利于 2345 实现。其中，单片的 ’’ 处理器(!)早在十年前就已经 开发成功了，目前采用 $67!8 的 9:4 工艺已开发出了 %!; %!; 阵列的 ’’ 并行处理器 (6)，该处理器的阵列单元数已经接 近描述低分辩图像的像素单元数；它可以对二值图像进行实时 并行处理，实现对图像特征的实时提取功能 (#=)，因此，它已成为 机器人视觉或实时图像识别的关键处理器，受到了世界范围的 研究人员特别是武器开发人员的高度重视。该文将首先介绍 ’’ 并行处理器的基本结构与工作原理，说明要实现对视觉 图 像 的 不 同 处 理 操 作 关 键 在 于 ’’ 神 经 元 连 接 系 数 即 ’’ 模板的不同配置；然后，罗列出一些可以实现视觉图像处理简 单操作的 ’’ 模板，并根据这些模板提出一种可以实现图像 特征提取的 ’’ 并行处理器通用逻辑编程方法；最后，以图像 的纹理分割处理为例，具体说明该通用逻辑编程方法对 ’’ 在图像实时识别应用中的实用效果。 ! ’’ 并行处理器的结构与原理 目 前 已 经 面 世 的 ’’ 并 行 处 理 器 的 器 件 结 构 如 图 % 所 示，它主要是由输入 ? 输出（ 5 ? : ）、 ’’ 单元神经元阵列和全局 模拟编程单元（ @ABC ）等模块组成(;)。所要处理的图像是由外部 的图像传感器获取并通过 5 ? : 模块输入的，经 ’’ 单元阵列 处理后再输出的。其中，图像数据的输入输出过程和 ’’ 单元 阵列并行处理流程均是由 @ABC 单元控制的神经元。而 ’’ 单元阵列的结构如图 ! 所示，每个 ’’ 单元是由 3C （局部 通信控制单元）、 3A9 （局部模拟存储器）、 339 （局部逻 辑 存 储 器）、 3A:C （局部模拟输出单元）、 33C （局部逻辑单元）和 ’’ 神经元核（ DEF0/EG ）组成。 @ABC 单元则是由 ABH （模拟可编程 寄存器）、 3BH （逻辑可编程寄存器）、 4H （转换配置寄存器）、 @AC （全局模拟控制单元）共四个部分组成，如图 6 所示。 ’’ 并行处理器的实际 工 作 流 程 是 ： 当 瞬 态 开 始 时 ，由 @AC 控制 4H ， 4H 保存着瞬态开始和神经元输入、初始态 等设置的指令码； 4H 发出开始的指令，同时设置神经元的输 入、初始状态。接着 @AC 把从 ABH （或 3BH ）中取出的神经元 联结权值（或逻辑算子）通过 3C 送往各个神经元。运算结 束，由 @AC 控制 4H 调出保存输出值的指令把运算过程中 的神经元值保存在 3A9 （或 339 ）中。若 3A9 （或 339 ）中的中 间过程值需要进行模拟（逻辑）等运算，则由 @AC 从 4H 取 出相应运算的指令码激活 3A:C （或 33C ），在 3A:C 当中进行 相应的运算；当运算结束， @AC 再从 4H 取出保存输出值的 指令把结果保存回 3A9 （或 339 ）中。如果要执行新的模拟（逻 辑）运算，可以重新设置神经元间的联结权值，以及输入、初始 图像特征的 ! 提取方法及其应用 雷国伟 吕迎阳 纪安妮 吴孙桃 郭东辉 （厦门大学物理与机电学院，厦门 6I%7 ） JK8L.0 ： 1MNE+OP.DNQ.LD$Q8E$/1E$FD 摘 要 图像特征的提取是视觉图像识别的重要方法之一，采用细胞神经网络（ ’’ ）并行处理器进行图像特征的提取 具有实时快速的优点。该文将介绍 ’’ 并行处理器的基本工作原理及其实现图像特征处理的逻辑组合通用方法，并以 图像的纹理分割与识别为例来说明 ’’ 并行处理器应用于视觉图像识别的通用编程方法。 关键词 ’’ 并行处理器 图像识别 文章编号 %!K;66%K （ !# ） %#K!#K6 文献标识码 A 中图分类号 RB6S% !#$%$’(%)*)+, -./’%$’)0+ .1 ! 20% 3)/4$5 6$’’(%+ $+7 )’/ -885)$’)0+ 9() :40;() 9 =)+,1$+, ) -++) ?4 @4+’$0 :40 A0+,#4) （ T.L8/D CD.U/VG.WX ， T.L8/D 6I%7 ） -./’%$’ ： MLVLFW/V.Y.DN LZGWVLFW.+D .G +D/ +- WM/ 8+GW .8,+VWLDW ,V+F/GG/G -+