專利名稱：對提取圖像隱式語義特征進行修正的方法
技術領域：
本發 明涉及圖像處理的領域，尤其是對提取圖像隱式語義特征進行修正的方法。
背景技術：
目前，我國60歲以上人口達1.8億人，約占總人口 13.8%，按國際標準衡量，我國已進入了老年型社會，隨著國家大力加快建立和完善覆蓋城鄉居民的社會保障體系，如社會養老保險金的發放、企業年金、醫療保險等，老齡用戶將成為未來社會公共服務的主要群體，社會養老保險金、企業年金等發放過程中存在欺騙、冒領現象成為現今社會普遍關注的問題，信息化、數字化、網絡技術為解決老齡用戶身份認證困局提供了幫助。目前，生物特征識別技術、遠程視頻認證已經被成功應用到核實社會養老金冒領現象中老齡用戶的身份。目前，使用的隱式語義特征的提取方法中，不存在進行修正的功能，如果需要進行修改，則需要手動進行修改，操作起來很麻煩。
發明內容
本發明要解決的技術問題是為了克服上述中存在的問題，提供一種能夠自動調整從而實現圖像隱式語義特征的修正的對提取圖像隱式語義特征進行修正的方法。本發明解決其技術問題所采用的技術方案是一種對提取圖像隱式語義特征進行修正的方法，其具體步驟是a.引入自適應動態反饋結構在基于模糊神經網絡的智能黑箱模型中，利用帶GA 優化算法的自適應反饋結構來提取辨識的語義特征和狀態參數；b.圖像隱式語義特征歸一化通過辨識出智能黑箱模型的狀態參數和與通過樣本學習得到的所定基準狀態進行比較，得出差值作為模型的輸入，從而得因環境差異而導致的圖像隱式語義特征偏差。本發明的對提取圖像隱式語義特征進行修正的方法的有益效果是通過引入帶遺傳算法(GA)的自適應反饋結構，對系統自動調整，實現圖像隱式語義特征的修正，此方法采集質量好和可靠性強，能夠滿足不同場合的實際要求。
下面結合附圖和實施例對本發明進一步說明。圖1是本發明的結構框圖。
具體實施例方式現在結合附圖對本發明作進一步詳細的說明。這些附圖均為簡化的示意圖，僅以示意方式說明本發明的基本結構，因此其僅顯示與本發明有關的構成。如圖1所示的一種對提取圖像隱式語義特征進行修正的方法，其具體步驟是a.引入自適應動態反饋結構在基于FNN的“智能黑箱模型”中，在樣本學習階段，利用帶GA優化算法的自適應反饋結構來提取辨識的語義特征和狀態參數。其技術方案主要有兩種方式①FNN優化GA的方式。在前期研究基礎上，利用FNN中的FL動態地調整GA 的交叉概率Pc與變異概率Pm參數以及控制進化過程，避免早熟的情況 ’②GA優化FNN的方式，借鑒Papadakis和賀素良等的思路，利用GA對FNN的中的FL和NN的主要參數分別進行調整，其中，調整FL的參數主要包括模糊規則的隸屬函數和模糊學習規則，和調整NN 的主要參數包括學習步長、網絡權值、隱含層節點數值等。這樣不斷通過反饋學習，在穩定性條件滿足之后，將得到辨識的圖像隱式語義特征，并記下此時的估計的狀態參數；b.圖像隱式語義特征歸一化為消除外界環境因素的影響，得到穩定的圖像隱式語義特征，本研究進一步對圖像隱式語義特征進行修正和歸一化處理即根據所辨識出的 “智能黑箱模型”的狀態參數與通過樣本學習得到的所定基準狀態比較，其差值作為模型的輸入，求得因環境差異而導致的圖像隱式語義特征偏差，從而得到歸一化的圖像隱式語義特征。以上述依據本發明的理想實施例為啟示，通過上述的說明內容，相關工作人員完全可以在不偏離本項發明技術思想的范圍內，進行多樣的變更以及修改。本項發明的技術性范圍并不局限于說明書上的內容，必須要根據權利要求范圍來確定其技術性范圍
權利要求
1. 一種對提取圖像隱式語義特征進行修正的方法，其特征是其具體步驟是a.引入自適應動態反饋結構在基于模糊神經網絡的智能黑箱模型中，利用帶GA優化算法的自適應反饋結構來提取辨識的語義特征和狀態參數；b.圖像隱式語義特征歸一化通過辨識出智能黑箱模型的狀態參數和與通過樣本學習得到的所定基準狀態進行比較，得出差值作為模型的輸入，從而得因環境差異而導致的圖像隱式語義特征偏差。
全文摘要
本發明涉及圖像處理的領域，尤其是對提取圖像隱式語義特征進行修正的方法，其具體步驟是a.引入自適應動態反饋結構；b.圖像隱式語義特征歸一化。本發明的對提取圖像隱式語義特征進行修正的方法，通過引入帶遺傳算法(GA)的自適應反饋結構，對系統自動調整，實現圖像隱式語義特征的修正，此方法采集質量好和可靠性強，能夠滿足不同場合的實際要求。
文檔編號G06K9/46GK102436585SQ201110264749
公開日2012年5月2日 申請日期2011年9月7日 優先權日2011年9月7日
發明者余人強, 劉華平, 吳軍, 吳智君 申請人:常州藍城信息科技有限公司