基于卷積神經網絡的邊緣特征提取

摘要：針對傳統的特征提取會出現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網絡的邊緣特征提取方法，能有效的提取目標的邊緣特征。經過試驗驗證，對比基于卷積神經網絡的邊緣特征提取方法、傳統方法和BP神經網絡特征提取方式，最終得到本文特征提取效果明顯優于其他兩種特征提取效果。

關鍵詞：特征提取；卷積神經網絡；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，然而針對復雜多變的目標特征提取時仍有一定的難度。

由于深度學習方法的普遍發展，卷積神經網絡（Convolution neural network，CNN）作為深度學習方法中的重要分支，在目標特征提取中應用也越來越廣泛[1]。Ma等提出利用CNN提取深度特征實現目標的有效跟蹤[2]。Lijun Wang等提出對CNN不同層特征進行分析，構建特征篩選網絡和預測網絡，增強了目標跟蹤的魯棒性[3]。可見，基于卷積神經網絡的特征提取方式已經被廣泛的應用到各個領域，而且取得了較大的成就。

本文提出了一種基于卷積神經網絡的邊緣特征提取方式，能有效的提取目標的邊緣特征，同時將本文的邊緣特征提取方式與傳統方法、BP（Back Propagation）神經網絡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于這兩種特征提取效果。

1 卷積神經網絡的基本結構

典型的卷積神經網絡結構主要包括四種基本結構層：輸入層、卷積層（C層）、采樣層（S層）、輸出層，如圖1所示。卷積神經網絡是一種多層感知器，使計算機能自動學習輸入圖像中目標的特征，對目標識別具有良好的效果。

2 基于卷積神經網絡的特征提取過程

常見的卷積神經網絡提取目標深度特征主要經過：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域加權平均求和，可加偏置后，通過激活函數，得到輸出的特征映射圖。假設輸入樣本集為〖JB（{〗xi〖JB）}〗Ni=1，具體的計算如公式（1）所示。通常激活函數選用sigmod函數或雙曲正切函數（tanh），RELU函數是線性修正函數，且能產生稀疏性，因此可被用作激活函數，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，經過池化層后輸入的特征圖個數不變，大小變為1/n。若計算該局部區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個像素取最大值變為1個像素，計算方程如公式（4）。

經過多次的卷積、下采樣處理，再經全連接層，可以提取到整個網絡的深度特征。

3 實驗結果與驗證

本文為有效的驗證基于卷積神經網絡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果如圖2所示，其中（a）所示為原始圖片，（b）為傳統的Sobel算子特征提取結果，由圖看出結果出現明顯的邊緣斷裂。（c）為BP算法特征提取效果圖，較Sobel算子結果相對清晰，但是仍存在部分邊緣不連續的問題。而（d）表示的基于CNN的特征提取結果更加清晰，細節特征提取效果也非常明顯。綜上經過實驗驗證，最終得到基于CNN的邊緣特征提取效果明顯優于傳統方法和BP算法特征提取效果。

4 小結

本文首先介紹了卷積神經網絡的結構，其次介紹了基于卷積神經網絡的特征提取的過程，最后將基于CNN的邊緣特征提取方式與傳統方式、BP神經網絡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于這兩種特征提取效果。因此基于卷積神經網絡的特征提取方式可被廣泛的應用實現目標和背景的有效區分，實現目標跟蹤和識別等。

參考文獻：

[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。