第３１卷第９期 ２０１０年９月 仪 器 仪 表 学 报 Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｉｎｓｔｒｕｍｅｎｔ Ｖｏｌ＿３ｌ Ｎｏ．９ Ｓｅｐ．２０１０ 基于视觉感知的故障图像检测算法 逯（１ 郑州大学电气工程学院鹏 ，李永强 ，王治忠 ，矫郑州琨 ４５０００１） ４５０００１；２河南长城信息技术有限公司 郑州摘要：针对列车运行故障图像检测问题，提出了一种基于视觉感知机制的图像故障检测方法，实现了列车摇枕裂纹故障的高 效率少样本检测。该方法首先基于ＩＣＡ模型从图像序列中学习初级视皮层中简单细胞感受野；然后，计算正常图像和故障图像 神经元的响应，找出对刺激响应较强烈的神经元，输出其对应的内容，进行故障检测。实验结果表明，该方法具有较高的故障检 测率，同时能够利用少量样本实现对大量图像的故障检测。 关键词：视觉感知；感受野；故障图像；裂纹 中图分类号：ＴＰ２ 文献标识码：Ａ 国家标准学科分类代码：５１０．８０４０ Ｆａｕｌｔ－ｉｍａｇｅ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ Ｌｕ Ｐｅｎｇ ，Ｌｉ Ｙｏｎｇｑｉａｎｇ ，Ｗａｎｇ Ｚｈｉｚｈｏｎｇ ，Ｊｉａｏ Ｋｕｎ。 （Ｊ Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｎｇｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ，Ｚｈｅｎｇｚｈｏｕ ４５０００１，Ｃｈｉｎａ； ２ Ｔｈｅ Ｇｒｅａｔ Ｗａｌｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．Ｌｔｄ ｆＨｅｎａｎ ｏＰｒｏｖｉｎｃｅ，Ｚｈｅｎｇｚｈｏｕ ４５０００１，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ａ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ ｍｅｃｈａｎｉｓｍ ｉｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｓｏｌｖｉｎｇ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｆａｕｌｔ—ｉｍａｇｅ ｄｅｔｅｃ— ｔｉｏｎ ｏｆ ｒｕｎｎｉｎｇ ｔｒａｉｎ．Ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｗｉｎｇ ｂｏｌｓｔｅｒ ｃｒａｃｋｌｅ ｃａｎ ｂｅ ａｃｈｉｅｖｅｄ ｉｎ ｈｉｇｈ ｅｆｉｃｉｆｅｎｃｙ ａｎｄ ｗｉｔｈ ｓｍａｌｌ ｓａｍ— ｐｉｅｓ．Ｆｉｒｓｔｌｙ，ｔｈｅ ｒｅｃｅｐｔｉｖｅ ｆｉｅｌｄ ｏｆ ｓｉｍｐｌｅ ｃｅｌｌｓ ｉｎ ｐｒｉｍａｒｙ ｖｉｓｕａｌ ｃｏｒｔｅｘ ｉｓ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｈｅ ｉｍａｇｅ ｓｅｑｕｅｎｃｅ ｕｓｉｎｇ ＩＣＡ ｍｏｄｅ１．Ｓｅｃｏｎｄｌｙ，ｔｈｅ ｎｅｕｒｏｎ ｒｅｓｐｏｎｓｅ ｏｆ ｎｏｒｍａｌ ａｎｄ ｆａｕｌｔ ｉｍａｇｅｓ ａｒｅ ｃａｌｃｕｌａｔｅｄ，ｔｈｅｎ ｔｈｅ ｎｅｕｒｏｎ ｔｈａｔ ｒｅｓｐｏｎｄｓ ｓｔｒｏｎｇｅｒ ｔｏ ｔｈｅ ｓｔｉｍｕｌｕｓ ｃａｎ ｂｅ ｆｏｕｎｄ ｏｕｔ，ａｎｄ ｉｔｓ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｃｏｎｔｅｎｔ ｆｏｒ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ｃａｎ ｂｅ ｏｕｔｐｕｔｔｅｄ ａｓ ｗｅｌ１． Ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｍｅｔｈｏｄ ｈａｓ ａ ｈｉｇｈ ｆａｕｌｔ．－ｄｅｔｅｃｔｉｏｎ ｒａｔｅ ａｎｄ ｃａｎ ａｃｈｉｅｖｅ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ｏｆ ｌａｒｇｅ Ｂｕｍ・－ ｂｅｒ ｏｆ ｉｍａｇｅｓ ｕｓｉｎｇ ｓｍａｌｌ ｓａｍｐｌｅｓ． Ｋｅｙ ｗｏｒｄｓ：ｖｉｓｕａｌ ｐｅｒｃｅｐｔｉｏｎ；ｒｅｃｅｐｔｉｖｅ ｆｉｅｌｄ；ｆａｕｌｔ ｉｍａｇｅ；ｃｒａｃｋｌｅ 基于独立分量分析（ＩＣＡ）模型从列车图像序列中学 １ 引 言 习初级视皮层中简单细胞感受野，计算正常图像和故障 图像神经元的响应，找出对刺激响应较强烈的神经元，输 高速列车的列检方式主要是由高速摄像机将列车关 键部位的动态图像，通过光纤网络传输到控制室，然后进 行人工识别。特点是劳动强度大且易造成识别错误。目 出其对应的内容，进行故障检测。实验结果表明，该方法 能够利用少样本实现图像故障区域坐标定位，实现了对 大量图像的高故障检测率。 前基于图像的故障检测方法主要包括：基于图像灰度、形 态和纹理特征的方法 、图像分割 、小波变换和神经 ２视觉感知机制及其信息处理模型 ２．１视觉感知机制 网络 。这些方法计算复杂，耗时长，很难满足实时作 业要求。动物视觉具有最优秀的图像信息处理机制，充 分模拟视觉感知机制对于完成裂纹、瑕疵、缺损等一系列 基于图像的故障检测任务具有重要的意义。 收稿Ｅｌ期：２０１０－０１ Ｒｅｃｅｉｖｅｄ Ｄａｔｅ：２０１０－０１ 视觉信息是按照视网膜、视神经交叉、视束、侧膝体、 基金项目：国家自然科学基金（Ｎｏ．６０８４１００４，６０９７１１１０）资助项目 １９９８ 仪器仪表学报 第３ １卷 大脑视觉皮层的传输路径逐级进行传递的 。几乎所有 式中： （ ）＝一ｇ （ ）／ｇ （ ），叼（ｔ）是学习率，随时 间或迭代次数而变化。 来自视网膜的视觉信号都要在初级视皮层（Ｖ１区）处理 后再向更高级的视皮层传递。Ｖ１主要负责提取图像的 形状、方向和色彩等信息，具有空间域的局部性、时间和 频域的方向性和选择性，以及稀疏响应特性 。Ｖ１区在 由于参数空间由所有的非奇异矩阵 组成，Ａｍａｒｉ 等¨ 引人了一个自然黎曼测度到空间 ，并证明了参数 ｗ的黎曼空间的真实最速下降方向是： △ ＝一７１（ｔ） ｗ （５） 视觉信息处理过程中起着重要的作用 。研究和模拟其 信息处理机制对于更高效的基于图像的故障检测技术具 有突破性的意义和作用。 ２．２ ＶＩ区视觉信息处理模型 Ｏｌｓｈａｕｓｅｎ和Ｆｉｅｌｄ提出了稀疏编码模型，有效模拟 了Ｖ１区的稀疏响应特性 …。Ｂｅｌｌ、Ｖａｎ Ｈａｔｅｒｅｎ、Ｌｅｗｉｃｋｉ 和Ｈｙｖａｒｉｎｅｎ等采用ＩＣＡ方法提取的基函数与Ｖ１区简单 细胞感受野的三个响应特性非常相近 。这些模型解 释了动物视觉的信息处理机制，但并没有解决实际的故 障图像检测问题。因此，在有效编码模型的基础上，模拟 Ｖ１区简单细胞感受野处理图像信息的机制，采用ＩＣＡ方 法从实际列车摇枕图像中学习基函数，实现基于视觉感 知的故障图像检测。 有效编码模型可以简单描述为： ＝ＡＳ （１） 即对图像 进行变换，找到隐藏“因子”Ｓ，并使得ｓ 满足有效编码准则，例如统计独立性。从神经生物学角 度，有效编码模型对应视皮层神经细胞的响应过程， 对 应初级神经细胞对外界刺激的响应值，Ａ为响应矩阵。 ３基于视觉感知的故障检测算法 首先给出基函数学习规则和实现算法，然后给出故 障感知算法。 ３．１基函数学习规则及算法 基于稀疏编码理论，采用独立ＩＣＡ方法从自然图像 中学习基函数。 对于基本的ＩＣＡ模型Ｕ＝Ｗｘ，根据文献［１５］基本 学习算法的推导，从Ｋｕｌｌｂａｃｋ—Ｌｅｉｂｌｅｒ发散度导出代价函 数： Ｊ（ｘ， ）＝一ｌｏｇｌ ｄｅｔ（ ）ｌ＿∑Ｅｌｏｇｑ （ ） （２） 式中：ｑ （ ）可取Ｌａｐｌａｃｅ概率密度函数。 采用随机梯度下降学习算法使Ｊ（ｘ，Ｗ）极小化： ｉｘ ｒｅ（ｔ）＝ｗ（ｔ＋１）一ｉｖ（ｔ）＝一７７（ ） （３） 式中：７１（ｔ）是学习率，随时间或迭代次数而变化，梯度矩 阵可用分量方向的微分计算，即： ａｗ（ ）＝一７１（ ） ０Ｊ＝ （ｔ）［Ｗ一 ’一（ ［Ｘ（ ］ （ ））］ （４） 因此，基于自然梯度下降算法来更新矩阵ｗ，可得到 基函数自适应学习规则： △ｗ＝一 （￡） ’ｙＴｗ＝ （ｔ）［，一（ ［Ｘ（ｋ）］Ⅱ （ ） ）］Ｗ＝ 叼（ｔ）［，一（ ［Ｘ（ ）］ 。‘（ ））］ｗ （６） 式中：（・）为批处理中的均值。 算法１基函数学习算法 输人：样本图像 输出：响应矩阵ｗ及相应的基函数Ａ 步骤： １）对图像进行随机采样，得到训练样本数据； ２）对样本数据用主成分分析（ＰＣＡ）法进行白化，白 化后的数据作为算法输入数据； ３）根据式 ＝Ｗｘ计算 ； ４）根据式（６）对ｗ进行更新，每个基归一化为单位 向量； ５）如果ｎｏｒｍ（ＡＷ）≤ｓ（误差阈值），则停止迭代； 否则，回到２）； ６）停止学习，输出结果 及相应的原图像空间基 函数Ａ。 ３．２故障检测算法 在基函数学习基础上进行故障感知。取一幅正常图 像和与其相应的故障图像作为测试图像，进行故障检测。 当神经元接收到测试图像的刺激时，会有一些神经元产 生较强烈的响应，将响应较大的神经元作为输出，这些神 经元的感受野就是感知到的刺激图像内容。 为得到响应较强烈的神经元，首先根据故障特征设 定阈值： ０＝加…一Ａ（Ｗ…一叫 …）／１６０ （７） 式中： …为最大响应系数，伽…为最小响应系数，Ａ为 常数。 基于式Ｕ＝ ，利用算法１得到的神经元响应 计 算响应矩阵 ，之后对响应系数Ｗ 进行筛选，取大于设 定阂值的响应系数，并输出其对应的神经元。这些神经 元所表示的内容即为感知到的刺激图像内容。 算法２故障检测算法 输入：一幅正常图像和一幅故障图像 输出：响应较强烈的神经元所表示的内容 第９期 逯鹏等：基于视觉感知的故障图像检测算法 １９９９ 步骤： １）对图像进行顺序采样； ２）将采样到的图像块用主成分分析（ＰＣＡ）法进行 白化； ３）根据公式ｕ＝Ｗｘ计算ｗ； ４）若Ｗｉ＞０，则输出其对应的神经元 ； ５）输出该神经元所表示的内容。 ６）对正常图像和故障图像神经元所表示的内容进行 对比，定位故障坐标。 算法２流程图如图１所示。 Ｉ Ｌ一 图１故障检测算法流程 Ｆｉｇ．１ Ｔｈｅ ｆｌｏｗｃｈａａ ｏｆ ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ ４ 实验 ４．１数据采样及预处理 数据采样分为基函数学习时的随机采样和故障感知 时的顺序采样。 １）随机采样。选择１０幅５１２×５１２像素的货车摇枕 图像作为样本图像进行训练，图２给出了其中２幅图像。 为避免影响像素之间的统计特性，采用Ｍ×Ｍ的滑动空 间子窗口对每幅图像进行随机采样，子图像块可重叠以 弥补边缘像素问的统计特性。每幅图像随机采样５ ０００ 个３２×３２像素的图像块，得到１ ０２４×５０ ０００的输人数 据集合 ；然后将样本用ＰＣＡ法进行白化并降维到１６０ 维，得到１６０×５０ ０００样本矩阵作为基函数学习算法的 输入样本。 图３顺序采样 Ｆｉｇ．３ Ｓｅｑｕｅｎｔｉａｌ ｓａｍｐｌｉｎｇ ４．２基函数 首先用ＩＣＡ对上述基函数学习样本数据进行分解并输 出结果。由于输入样本是采集图像块经白化和降维得到的， 所以此时ＩＣＡ的输出结果还处于白化空间，需要将该结果映 射到原图像空间，可得到基函数（神经元的感受野）。 经学习得到的基函数如图４所示。由图中可以看出 所得基函数具有空间域的局部性、时间和频域的方向性 和选择性，这些特性与神经生理学实验中发现的Ｖ１区简 单细胞感受野的特征相吻合 。 图４ １０幅摇枕图像学习得到的基函数 Ｆｉｇ．４ Ｔｈｅ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ ｏｂｔａｉｎｅｄ ｆｒｏｍ ｔｅｎ ｓｗｉｎｇ ｂｏｌｓｔｅｒ ｉｍａｇｅｓ 仪器仪表学报 第３ １卷 ４．３故障检测 像和故障图像内容感知结果后，进行故障检测。首先找 出故障区域神经元所表示的内容，然后根据图像的坐标 表示方法定位故障区域，并在实际列车故障图像中定位 故障区域，如图６所示。 取正常图像和对应的故障图像作为测试图像，进行 故障感知。当接收到测试图像刺激，会有神经元产生较 强烈的响应，将这些神经元作为输出，其感受野就是感知 到的刺激图像内容，感知结果如图５所示。得到正常图 （ａ）正常图像 （ａ）Ｎｏｒｍａｌ ｉｍａｇｅ （ｂ）正常图像内容感知结果 （ｂ）Ｎｏｒｍａｌ ｉｍａｇｅ ｃｏｎｔｅｎｔ ｐｅｒｃｅｐｔｉｏｎ ｒｅｓｕｌｔ （ｃ）故障图像 （Ｃ）Ｆａｕｌｔ ｉｍａｇｅ （ｄ）故障图像内容感知结果 （ｄ）Ｆａｕｌｔ ｉｍａｇｅ ｃｏｎｔｅｎｔ ｐｅｒｃｅｐｔｉｏｎ ｒｅｓｕｌｔ 图５内容感知结果 Ｆｉｇ．５ Ｃｏｎｔｅｎｔ ｐｅｒｃｅｐｔｉｏｎ ｒｅｓｕｌｔｓ （ａ）故障感知结果 （ａ）Ｆａｕｌｔ ｐｅｒｃｅｐｔｉｏｎ ｒｅｓｕｌｔ （ｂ）故障区域定位 （ｂ）Ｆａｕｌｔ ａｒｅａ ｌｏｃａｔｉｏｎ （Ｃ）图像故障区域检测结果 （ｅ）Ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔ ｏｆ ｉｍａｇｅ ｆａｕｌｔ ａｒｅａ 图６故障检测 Ｆｉｇ．６ Ｆａｕｌｔ ｄｅｔｅｃｔｉｏｎ 分别采用基于视觉感知的方法、模板匹配方法和Ｈｏｕｇｈ变换方法进行故障检测，检测结果对比如图７所示。 （ａ）基于视觉感知的方法检测结果 （ａ）Ｖｉｓｕａｌ ｐｅｍｅｐｔｉｏｎ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔ （ｂ）模板匹配方法检测结果 （ｂ）Ｔｅｍｐｌａｔｅ ｍａｔｃｈｉｎｇ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔ （Ｃ）Ｈｏｕｇｈ变换方法检测结果 （Ｃ）Ｈｏｕｇｈ ｔｒａｎｓｆｏｒｍ ｄｅｔｅｃｔｉｏｎ ｒｅｓｕｌｔ 图７实验结果对比 Ｆｉｇ．７ Ｅｘｐｅｒｉｍｅｎｔ ｒｅｓｕｌｔ ｃｏｍｐａｒｉｓｏｎ 第９期 逯鹏等：基于视觉感知的故障图像检测算法 ２００１ 由图７可知，基于视觉感知的方法能准确地检测出 列车摇枕裂纹故障；模板匹配方法不能完全检测出裂纹 故障；Ｈｏｕｇｈ变换方法很难找出裂纹的具体位置。 对１２６幅列车摇枕裂纹故障图像检测的结果如表１ 所示。 表１对１２６幅故障图像检测后的统计结果 Ｔａｂｌｅ １ Ｔｈｅ ｓｔａｔｉｓｔｉｃａｌ ｒｅｓｕｌｔｓ ａｆｔｅｒ ｄｅｔｅｃｔｉｎｇ １２６ ｆａｕｌｔ ｉｍａｇｅｓ ４．４结果分析 由表１可知，基于视觉感知方法的故障检测率高于 模板匹配方法和Ｈｏｕｇｈ变换方法。由于利用了视觉信息 处理特有的特征选择与特征提取机制，视觉感知方法能 更有效的进行故障图像检测，并且可以利用少样本训练 的基函数对样本外的大量图像进行故障检测。模板匹配 法简单方便，但表明所有物体各种方向及尺寸需要较大 数量的模板，造成匹配过程的大存储量和计算量，识别率 依赖已知物体的模板，若模板变形，会导致错误识别。 Ｈｏｕｇｈ变换方法能检测出直线裂纹，但很难找出非直线 裂纹位置且计算复杂度较高。 ５结 论 通过模拟动物视觉系统处理图像信息的机制，提出 了基于视觉感知的故障图像检测方法。该方法能够利用 少量样本实现对大量图像的故障检测，实现了图像故障 区域坐标定位。后续工作是对有局部遮挡的图像的故障 检测方法进行研究。 参考文献 ［１］ ＴＯＭＣＺＡＫ Ｌ．Ｉｍａｇｅ ｄｅｆｅｅｔ ｄｅｔｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ ｖｉｓｕａｌ ｉｎｓｐｅｃｔｉｏｎ ｓｙｓｔｅｍｓ『Ｊ １．ＣＡＤ Ｓｙｓｔｅｍｓ ｉｎ Ｍｉｃｒｏｅｌｅｃｔｒｏｎ－ ｉｃｓ，２００７，２４（２０）：４５４－４５６． ［２］ ＵＮ Ｊ．ＷＥＩ Ｓ Ｌ．Ｒｅａ１．ｔｉｍｅ ｒａｉｌ ｈｅａｄ ｓｕｒｆａｃｅ ｄｅｆｅｃｔ ｄｅ— ｔｅｃｔｉｏｎ：ａ ｇｅｏｍｅｔｉｒｃａｌ ａｐｐｒｏａｃｈ［Ｊ］．ＩＥＥＥ Ｉｎｔｅｎｒａｔｉｏｎａｌ Ｓｙｍｐｏｓｉｕｍ ｏｎ Ｉｎｄｕｓｔｉｒａｌ Ｅｌｅｃｔｒｏｎｉｃｓ，２００９，８（５）： ７６９－７７４． ［３］ ＲＩＢＥＩＲＯ Ｍ Ｘ．Ａｎ ａｓｓｏｃｉａｔｉｏｎ ｒｕｌｅ—ｂａｓｅｄ ｍｅｔｈｏｄ ｔｏ ｓｕｐ— ｐｏｒｔ ｍｅｄｉｃａｌ ｉｍａｇｅ ｄｉａｇｎｏｓｉｓ ｗｉｔｈ ｅｆｉｆｃｉｅｎｃｙ［Ｊ］．ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｕｌｔｉｍｅｄｉａ，２００８，１０（２）：２７７—２８５． ［４］ 顾广华，崔冬．白细胞图像的自动分割算法［Ｊ］．仪器 仪表学报，２００９，３０（９）：１８７４—１８７９． ＧＵ Ｇ Ｈ，ＣＵＩ Ｄ．Ａｕｔｏｍａｔｉｃ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｌｅｕｋｏｃｙｔｅ ｉｍａｇｅｓ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉｅｎｔｉｉｆｃ Ｉｎ— ｓｔｕｒｍｅｎｔ，２００９，３０（９）：１８７４—１８７９． ［５］ 曾理，安贝贝，马睿．脊波在工业ＣＴ图像裂纹边缘检 测中的应用［Ｊ］．仪器仪表学报，２００７，２８（６）： ９８１．９８６． ＺＥＮＧ Ｌ，ＡＮ Ｂ Ｂ，ＭＡ Ｒ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｒｉｄｇｅｌｅｔ ｉｎ ｃｒａｃｋ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ＩＣＴ ｉｍａｇｅ［Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉｅｎｔｉｉｆｃ Ｉｎｓｔｒｕｍｅｎｔ，２００７，２８（６）：９８１－９８６． ［６］ 孙炜，王耀南，徐航．基于自组织小波神经网络的磁共 振图像分割方法［Ｊ］．电子测量与仪器学报，２００８，２２ （４）：２６—２９． ＳＵＮ Ｗ．ＷＡＮＧ Ｙ Ｎ．ＸＵ Ｈ．Ｓｅｇｍ—ｅｎｔａｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ｓｅｌｆ－ｏｒｇａｎｉｚａｔｉｏｎ ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ＩＪ １．Ｊｏｕｒｎａｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ Ｍｅａｓ— ｕｒｅｍｅｎｔ ａｎｄ Ｉｎｓｔｕｒｍｅｎｔ，２００８，２２（４）：２６－２９． ［７］ 寿天德．视觉信息处理的脑机制［Ｍ］．上海：上海科技 教育出版社，１９９７． ＳＨ０Ｕ Ｔ Ｄ．Ｔｈｅ ｂｒａｉｎ ｍｅｃｈａｎｉｓｍ ｏｆ ｖｉｓｕａｌ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｃｅｓｓｉｎｇ［Ｍ］．Ｓｈａｎｇｈａｉ：Ｓｈａｎｇｈａｉ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈ— ｎｏｌｏｇｙ Ｅｄｕｃａｔｉｏｎ Ｐｒｅｓｓ，１９９７． ［８］ 赵松年，姚力，金真．视像整体特征在人类初级视皮层 上的稀疏表象：脑功能成像的证据［Ｊ］．科学通报， ２００８，５３（１１）：１２９６—１３０４． ＺＨＡＯ Ｓ Ｎ，ＹＡＯ Ｌ，ＪＩＮ ＺＨ．Ｔｈｅ ｓｐａｒｓｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｉｎ ｈｕｍａｎ ｐｒｉｍａｒｙ ｖｉｓｕａｌ ｃｏｄｅｘ ｏｆ ｔｈｅ ｏｖｅｒａｌｌ ｖｉｓｕａｌ ｃｈａｒ— ａｃｔｅｒｉｓｔｉｃｓ：ｔｈｅ ｅｖｉｄｅｎｃｅ ｏｆｒ ｂｒａｉｎ ｆｕｎｃｔｉｏｎａｌ ｉｍａｇｉｎｇ［Ｊ］． Ｃｈｉｎｅｓｅ Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ，２００８，５３（１ １）：１２９６—１３０４． ［９］ ＰＥＲＲＩＮＥＴ Ｌ Ｕ．Ｏｎ ｅｆｉｆｃｉｅｎｔ ｓｐａｒｓｅ ｓｐｉｋｅ ｃｏｄｉｎｇ ｓｃｈｅｍｅｓ ｆｏｒ ｌｅａｒｎｉｎｇ ｎａｔｕｒａｌ ｓｃｅｎｅｓ ｉｎ ｔｈｅ ｐｒｉｍａｒｙ ｖｉｓｕ— ａｌ ｃｏｄｅｘ［Ｊ］．ＢＭＣ Ｎｅｕｒｏｓｃｉ，２００７，８（Ｓｕｐｐｌ ２）：２０６． ［１０］ ＯＬＳＨＡＵＳＥＮ Ｂ Ａ．ＦＩＥＬＤ Ｄ Ｊ．Ｓｐａｒｓｅ ｃｏｄｉｎｇ ｗｉｔｈ ａｎ ｏｖｅｒｃｏｍｐｌｅｔｅ ｂａｓｉｓ ｓｅｔ：ａ ｓｔｒａｔｅｇｙ ｅｍｐｌｏｙｅｄ ｂｙ Ｖ１［Ｊ］． Ｖｉｓｕａｌ Ｒｅｓｅａｒｃｈ，１９９７，３７（３３）：１１—２５． ［１１］ ＢＥＬＬ Ａ Ｊ．ＳＥＪＮＯＷＳＫＩ Ｔ Ｊ．Ｔｈｅ“ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏ— ｎｅｎｔｓ”ｏｆ ｎａｔｕｒｌａ ｓｃｅｎｅｓ ａｒｅ ｅｄｇｅ ｆｉｌｔｅｒｓ［Ｊ］．Ｖｉｓｕａｌ Ｒｅ— ｓｅａｒｃｈ，１９９７，３７（２３）：３３２７—３３３８． ［１２］ ＶＡＮ ＨＡＴＥＲＥＮ Ｊ Ｈ．ＶＡＮＤＥＲ Ｓｃｈａａｆ Ａ．Ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅｎｔ ｆｉｌｔｅｒｓ ｏｆ ｎａｔｕｒａｌ ｉｍａｇｅｓ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｓｉｍｐｌｅ ｃｅｌｌｓ ｉｎ ｐｒｉｍａｒｙ ｖｉｓｕａｌ ｃｏｄｅｘ［Ｊ］．Ｐｒｏｃ ｏｆ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ Ｌｏｎｄｏｎ，ＳｅｒｉｅｓＢ，１９９８，２６５：３５９—３６６． ［１３］ ＬＥＷＩＣＫＩ Ｍ Ｓ，ＳＥＪＮＯＷＳＫＩ Ｔ Ｊ．Ｃｏｄｉｎｇ ｔｉｍｅ—ｖａｒｙｉｎｇ ｓｉｎｇａｌｓ ｕｓｉｎｇ ｓｐａｒｓｅ ｓｈｉｆｔ—ｉｎｖａｒｉａｎｔ ｒｅｐｒｅｓｅｎｔａｔｉｏｎｓ［Ｍ］． Ａｄｖａｎｃｅｓ ｉｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓ． Ｃａｍｂｒｉｄｇｅ，ＭＡ：ＭＩＴ Ｐｒｅｓｓ，１９９９． ［１４］ ＨＹＶＡＲＩＮＥＮ Ａ．ＨＯＹＥＲ Ｐ Ｏ．Ｉｎｄｅｐｅｎｄｅｎｔ ｃｏｍｐｏｎｅ— ｎｔ ａｎａｌｙｓｉｓ ａｐｐｌｉｅｄ ｔｏ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｆｒｏｍ ｃｏｌｏｕｒ ａｎｄ ｓｔｅｒｅｏ ｉｍａｇｅｓ［Ｊ］．Ｎｅｔｗｏｒｋ：Ｃｏｍｐｕｔ—ａｔｉｏｎ ｉｎ Ｎｅｕｒｌａ ２００２ Ｓｙｓｔｅｒｍｓ，２０００，１１（３）：１９１－２１０． 仪器仪表学报 第３ １卷 李永强，２００８年于郑州轻工业学院获 ［１５］ＡＭＡＲＩ Ｓ，ＣＩＣＨＯＣＫＩ Ａ，ＹＡＮＧ Ｈ Ｈ．Ａ ｎｅｗ ｌｅａｒｎｉｎｇ 得学士学位，现为郑州大学电气工程学院硕 士研究生，主要研究方向为模式识别与智能 系统。 Ｅ—ｍａｉｌ：ｔｉｙｏｎｇｑｉａｎｇ７２０＠１６３．ｃｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｂｌｉｎｄ ｓｉｇｎａｌ ｓｅｐａｒａｔｉｏｎ［Ｊ］．Ａｄｖ Ｎｅｕｒｌａ Ｉｎｆ Ｐｒｏｃｅｓｓ Ｓｙｓｔ，１９９６，８：７５７￣６３ 作者简介 Ｌｉ Ｙｏｎｇｑｉａｎｇ ｒｅｃｅｉｖｅｄ ｂａｃｈｅｌｏｒ ｄｅｇｒｅｅ 目 ＥＵ得究—ｎｍ博方ｉＬｖａｕｅ逯士向ｉｒｌ ｓ：Ｐｉ学为鹏ｔｌｙｅｕ 智ｎ位ｐ，ｏｇｅ２ｆ 能０，ｎｒＡ现ｇｅ系＠８ｃ为ｒ￣统ｏ年Ｚｎｖ郑Ｕａｅ于、．ｄｕ模州 ｔｉ北ｄｃ式ｕ大ｓｏ 京．ｃ识ａｔ学ｏｎ航别ｒ ｄａ副ｔ空技ｅＡ教 ｓ航术ｆｔｒ授ｏ天。ｍｎ ａ，ｕ大主Ｂｔｉｅｃ学要ｓｊ ｉ获研ｎｇ ｇｅｎｔ ｓｙｓｔｅｍ． ｆｒｏｍ Ｚｈｅｎｇｚｈｏｕ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｌｉｇｈｔ Ｉｎｄｕｓｔｒｙ ｉｎ ２００８．Ｈｅ ｉｓ ＢＯＷ ａ ｍａｓｔｅｒ ｓｔｕｄｅｎｔ ｉｎ Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｚｈｅｎｇｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ．Ｈｉｓ ｒｅｓｅａｒｃｈ ｉｎｔｅｒｅｓｔ ｉｓ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｎｄ ｉｎｔｅｌｌｉ— ２００８．Ｈｅ ｉｓ ｎＯＷ ａｎ ａｓｓｏｃｉａｔｅ ｐｒｏｆｅｓｓｏｒ ｉｎ Ｚｈｅｎｇｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ． Ｈｉｓ ｒｅｓｅａｒｃｈ ｉｎｔｅｒｅｓｔｓ ｉｎｃｌｕｄｅ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍ ａｎｄ ｐａｔｔｅｒｎ ｒｅｅ— ｏｇｎｉｔｉｏｎ ｔｅｃｈｎｉｑｕｅ．
