基于卷积神经网络的边缘特征提取
摘要：针对传统的特征提取会出现边缘特征提取不完整的问题，本文提出了一种基于卷积神经网络的边缘特征提取方法，能有效的提取目标的边缘特征。经过试验验证，对比基于卷积神经网络的边缘特征提取方法、传统方法和BP神经网络特征提取方式，最终得到本文特征提取效果明显优于其他两种特征提取效果。
关键词：特征提取；卷积神经网络；BP算法；边缘特征
特征提取是模式识别的一个重要的研究方向，目前已经取得一定的研究成果，其中常见的特征提取方式有Sobel算法、Canny算法等，然而针对复杂多变的目标特征提取時仍有一定的难度。
由于深度学习方法的普遍发展，卷积神经网络（Convolution neural network，CNN）作为深度学习方法中的重要分支，在目标特征提取中应用也越来越广泛[1]。Ma等提出利用CNN提取深度特征实现目标的有效跟踪[2]。Lijun Wang等提出对CNN不同层特征进行分析，构建特征筛选网络和预测网络，增强了目标跟踪的鲁棒性[3]。可见，基于卷积神经网络的特征提取方式已经被广泛的应用到各个领域，而且取得了较大的成就。
本文提出了一种基于卷积神经网络的边缘特征提取方式，能有效的提取目标的边缘特征，同时将本文的边缘特征提取方式与传统方法、BP（Back Propagation）神经网络特征提取方式对比验证，最终得到本文特征提取效果明显优于这两种特征提取效果。
1 卷积神经网络的基本结构
典型的卷积神经网络结构主要包括四种基本结构层：输入层、卷积层（C层）、采样层（S层）、输出层，如图1所示。卷积神经网络是一种多层感知器，使计算机能自动学习输入图像中目标的特征，对目标识别具有良好的效果。
2 基于卷积神经网络的特征提取过程
常见的卷积神经网络提取目标深度特征主要经过：卷积层（C层）、下采样层（S层），具体的步骤如下：
2.1 卷积层
在卷积层，上一层输出与该层的卷积核进行卷积计算得到特征映射图，然后对每个特征映射图的局部区域加权平均求和，可加偏置后，通过激活函数，得到输出的特征映射图。假设输入样本集为〖JB（{〗xi〖JB）}〗Ni=1，具体的计算如公式（1）所示。通常激活函数选用sigmod函数或双曲正切函数（tanh），RELU函数是线性修正函数，且能产生稀疏性，因此可被用作激活函数，其计算式如公式（2）所示。
2.2 下采样层
下采样层又叫池化层，计算式如（3）所示，经过池化层后输入的特征图个数不变，大小变为1/n。若计算该局部区域中某个卷积特征的最大值，则称为最大池化，具体操作为将图像中每个邻域4个像素取最大值变为1个像素，计算方程如公式（4）。
经过多次的卷积、下采样处理，再经全连接层，可以提取到整个网络的深度特征。
3 实验结果与验证
本文为有效的验证基于卷积神经网络边缘特征提取的效果，选择常见的Sobel算法、BP算法和CNN算法进行边缘特征提取实验验证，实验平台matlab2013a。
三种方法边缘特征提取结果如图2所示，其中（a）所示为原始图片，（b）为传统的Sobel算子特征提取结果，由图看出结果出现明显的边缘断裂。（c）为BP算法特征提取效果图，较Sobel算子结果相对清晰，但是仍存在部分边缘不连续的问题。而（d）表示的基于CNN的特征提取结果更加清晰，细节特征提取效果也非常明显。综上经过实验验证，最终得到基于CNN的边缘特征提取效果明显优于传统方法和BP算法特征提取效果。
4 小结
本文首先介绍了卷积神经网络的结构，其次介绍了基于卷积神经网络的特征提取的过程，最后将基于CNN的边缘特征提取方式与传统方式、BP神经网络特征提取方式对比验证，得到本文的边缘特征提取效果明显优于这两种特征提取效果。因此基于卷积神经网络的特征提取方式可被广泛的应用实现目标和背景的有效区分，实现目标跟踪和识别等。
参考文献：
[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.
作者简介：肖林霞（1988），女，汉族，山东青岛人，硕士，研究方向：图像处理与分析。
