基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法，克服了現(xiàn)有技術(shù)中，機(jī)器視覺(jué)與人類(lèi)視覺(jué)結(jié)合起來(lái)，在腦電圖像檢索方法是有待改進(jìn)的問(wèn)題。該發(fā)明含有以下步驟：步驟（1）、給被試呈現(xiàn)RSVP圖像序列，并利用腦電采集設(shè)備采集被試腦電信號(hào)，使用現(xiàn)代數(shù)據(jù)分析技術(shù)對(duì)腦電信號(hào)進(jìn)行分析，實(shí)現(xiàn)腦電目標(biāo)圖像識(shí)別；步驟（2）、依據(jù)腦電識(shí)別模塊的結(jié)果，找出目標(biāo)圖像在機(jī)器視覺(jué)模塊中屬于的目標(biāo)類(lèi)；步驟（3）、從機(jī)器視覺(jué)模塊計(jì)算每張圖像為目標(biāo)類(lèi)圖像的概率；步驟（4）、對(duì)每張圖像建立后驗(yàn)概率模型，計(jì)算圖像為目標(biāo)圖像的概率的新估計(jì)值，從而給出該圖像最終的識(shí)別結(jié)果。本方法能在保持低虛警率的同時(shí)達(dá)到相當(dāng)高的準(zhǔn)確率。
【專(zhuān)利說(shuō)明】
基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法
技術(shù)領(lǐng)域
[0001] 該發(fā)明涉及一種結(jié)合機(jī)器視覺(jué)的腦電信號(hào)圖像檢索方法，特別是涉及一種基于后 驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法。
【背景技術(shù)】
[0002] 自然狀態(tài)下的腦電信號(hào)，包括α節(jié)律、β節(jié)律、準(zhǔn)備電位、皮層慢電位等，主要反映人 體必要的生理活動(dòng)，穩(wěn)定性強(qiáng)、特征明顯，稱(chēng)為自發(fā)腦電（Spontaneous EEG)。與自發(fā)腦電的 無(wú)意識(shí)不同，誘發(fā)腦電(Evoked Potential，EP)表現(xiàn)為目的性和警覺(jué)性，是一種主動(dòng)的腦電 信號(hào)。誘發(fā)電位容易產(chǎn)生突變，不同條件下信號(hào)波形在時(shí)域、頻域、相位上變化明顯，與刺激 有較強(qiáng)的聯(lián)系。
[0003] 美國(guó)生理學(xué)家道森首次針對(duì)誘發(fā)腦電提出誘發(fā)電位平均技術(shù)，用于分析誘發(fā)腦電 產(chǎn)生原理，故EP也稱(chēng)事件相關(guān)電位(event related potentials，ERP)。事件相關(guān)電位(ERP) 通常被認(rèn)為是一種和思想或感知直接相關(guān)的腦電信號(hào)，對(duì)ERP的研究是開(kāi)發(fā)利用腦電信號(hào) 的主要方向之一。P300是經(jīng)常使用的一種ERP成分，是一個(gè)在特定刺激呈現(xiàn)后約300ms出現(xiàn) 的正峰。odd-ball實(shí)驗(yàn)是產(chǎn)生P300的經(jīng)典實(shí)驗(yàn)范式。P300信號(hào)的產(chǎn)生主要依賴于人腦對(duì)某 種刺激的反應(yīng)而不依賴身體狀況，通常由包含靶刺激的小概率事件和非靶刺激的大概率事 件的刺激序列，誘發(fā)根據(jù)目標(biāo)刺激和非目標(biāo)刺激引發(fā)P300的差異，可以實(shí)現(xiàn)特定的實(shí)驗(yàn)?zāi)?的。
[0004]在傳統(tǒng)人工進(jìn)行的圖像檢索的上，用戶所搜尋的目標(biāo)圖像的數(shù)量往往遠(yuǎn)低于需要 檢索圖像總數(shù)量。即可以認(rèn)為在人工進(jìn)行圖像檢索時(shí)，發(fā)現(xiàn)目標(biāo)圖像是一個(gè)小概率事件。在 人腦中，符合P300信號(hào)產(chǎn)生的條件，即當(dāng)人觀看一系列圖像時(shí)，突然發(fā)現(xiàn)目標(biāo)圖像，即可以 激發(fā)P300信號(hào)。因此通過(guò)檢測(cè)P300信號(hào)的產(chǎn)生與否可以，判斷用戶所觀看的圖像是否為所 搜尋的目標(biāo)圖像。
[0005] 當(dāng)前基于EEG的圖像檢索方法，主要依靠人觀看快速呈現(xiàn)的圖像序列(RSVP)，當(dāng)看 到感興趣的目標(biāo)圖像時(shí)人腦會(huì)自然激發(fā)的P300成分，來(lái)標(biāo)記所對(duì)應(yīng)的圖像是否為感興趣目 標(biāo)圖像。相較于傳統(tǒng)的人工手動(dòng)進(jìn)行圖像檢索，利用腦信號(hào)可以省略肢體動(dòng)作的時(shí)間，充分 解放大腦對(duì)圖像的快速理解能力，可以使人觀看圖像的速度達(dá)到每秒5~12張圖像。但與目 前計(jì)算機(jī)讀圖速度相比，依舊有較大差距。而且在實(shí)時(shí)條件下對(duì)P300成分的檢測(cè)依然不能 達(dá)到較高的精度。因此在考慮綜合利用人腦的高效理解能力與計(jì)算機(jī)的處理速度，提出一 個(gè)融合腦電圖像檢索方法與機(jī)器視覺(jué)方法。
【發(fā)明內(nèi)容】
[0006] 本發(fā)明克服了現(xiàn)有技術(shù)中，機(jī)器視覺(jué)與人類(lèi)視覺(jué)結(jié)合起來(lái)，在腦電圖像檢索方法 是有待改進(jìn)的問(wèn)題，提供一種準(zhǔn)確率高、虛警率低的基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué) 目標(biāo)圖像檢索方法。
[0007] 本發(fā)明的技術(shù)解決方案是，提供一種具有以下步驟的基于后驗(yàn)概率模型的腦電與 機(jī)器視覺(jué)目標(biāo)圖像檢索方法:含有以下步驟:步驟(1)、給被試呈現(xiàn)RSVP圖像序列，并利用腦 電采集設(shè)備采集被試腦電信號(hào)，使用現(xiàn)代數(shù)據(jù)分析技術(shù)對(duì)腦電信號(hào)進(jìn)行分析，實(shí)現(xiàn)腦電目 標(biāo)圖像識(shí)別；步驟(2)、依據(jù)腦電識(shí)別模塊的結(jié)果，找出目標(biāo)圖像在機(jī)器視覺(jué)模塊中屬于的 目標(biāo)類(lèi);步驟(3)、從機(jī)器視覺(jué)模塊計(jì)算每張圖像為目標(biāo)類(lèi)圖像的概率;步驟(4)、對(duì)每張圖 像建立后驗(yàn)概率模型，計(jì)算圖像為目標(biāo)圖像的概率的新估計(jì)值，從而給出該圖像最終的識(shí) 別結(jié)果。
[0008] 所述步驟（1)中腦電目標(biāo)圖像識(shí)別的步驟為，步驟1.1、在被試觀看RSVP圖像序列 的同時(shí)，通過(guò)腦電信號(hào)采集設(shè)備收集被試的腦電信號(hào)；步驟1.2、對(duì)模擬信號(hào)形式的腦電信 號(hào)進(jìn)行抽樣和特征提取;步驟1.3、通過(guò)分類(lèi)算法，對(duì)經(jīng)過(guò)處理的腦電數(shù)據(jù)進(jìn)行目標(biāo)圖像和 非目標(biāo)圖像的識(shí)別。
[0009] 所述腦電目標(biāo)圖像識(shí)別中確定的分類(lèi)算法選取指標(biāo)為：
[0010] 指標(biāo)(1)、真檢比：定義模型篩選指標(biāo)，真檢比
[0012] 其中代表模型在訓(xùn)練集上的識(shí)別效果，其中為將目標(biāo)圖 像識(shí)別為目標(biāo)的概率，為將目標(biāo)圖像識(shí)別為非目標(biāo)的漏檢率;為將非目標(biāo)圖像識(shí) 別為非目標(biāo)的概率，為將非目標(biāo)圖像識(shí)別為目標(biāo)的虛警率，計(jì)算指標(biāo)時(shí)，用10折交叉驗(yàn) 證結(jié)果的平均頻率替代概率；
[0013] 指標(biāo)(2)、真?zhèn)尾?定義模型篩選指標(biāo)，真?zhèn)尾顬?br>[0014] Dt-f = Nt_Nf
[0015] 其中Ντ代表識(shí)別出的目標(biāo)圖像中真目標(biāo)數(shù)目，Nf代表識(shí)別出的目標(biāo)圖像中虛警目 標(biāo)數(shù)目；
[0016] 基于所提出的量化指標(biāo)對(duì)于模型的評(píng)價(jià)，本方法選取費(fèi)歇爾判別分析作為腦電數(shù) 據(jù)處理中的特征提取方法、選取隨機(jī)森林模型作為腦電目標(biāo)圖像識(shí)別中使用的分類(lèi)算法。
[0017] 所述步驟(2)中確定目標(biāo)類(lèi)的步驟為，當(dāng)RSVP序列的N張圖像經(jīng)過(guò)機(jī)器視覺(jué)模塊， 給出的概率估計(jì)可表示為以下的矩陣PCC，其行代表RSVP圖像序列中一張圖像屬于每一類(lèi)的 離散概率分布，列代表所有圖像屬于一類(lèi)的概率，C n為圖像類(lèi)數(shù)，
[0019]因一個(gè)RSVP圖像序列含N張圖像，將腦電識(shí)別模塊估計(jì)的概率值記為？1,*，...， PN,tar，根據(jù)這些概率，按如下步驟從矩陣Pcc中選出目標(biāo)類(lèi):步驟2.1、在pi,tar，. . .，PN,ta沖取 出概率大于0.5的圖像序號(hào)，抽取矩陣PCC的這些行;步驟2.2、在這些行，對(duì)每一列的概率值 求和;步驟2.3、求和值最大的列對(duì)應(yīng)的類(lèi)即為目標(biāo)類(lèi)。
[0020]所述步驟(3)中計(jì)算圖像屬于目標(biāo)圖像類(lèi)的概率的步驟為，設(shè)第i張圖像屬于目標(biāo) 類(lèi)概率為?.,以機(jī)器視覺(jué)模塊在測(cè)試集上表現(xiàn)的正確率Rright = 〇. 78和錯(cuò)誤率1-Rright為權(quán) 值，分情況進(jìn)行計(jì)算：
[0021] 情形1.當(dāng)分類(lèi)器將圖像識(shí)別為目標(biāo)類(lèi)，計(jì)算加權(quán)后第i張圖像屬于目標(biāo)類(lèi)的概率
，不屬于目標(biāo)類(lèi)的概率為
[0022] 情形2.當(dāng)分類(lèi)器將圖像識(shí)別為非目標(biāo)類(lèi)，計(jì)算加權(quán)后第i張圖像屬于目標(biāo)類(lèi)的概
，不屬于目標(biāo)類(lèi)的概率
[0023]所述步驟(4)中的后驗(yàn)概率模型為，對(duì)于RSVP圖像序列中第i張圖像，問(wèn)題是對(duì)"該 圖像為目標(biāo)圖像的概率9廣的兩點(diǎn)分布參數(shù)估計(jì)，用Bayes思想計(jì)算如下：
[0024]步驟4.1、將腦電識(shí)別模塊給出的概率估計(jì)視為先驗(yàn)信息，建立先驗(yàn)分布的公式：
[0026] 步驟4.2、將概率列作為生成樣本的依據(jù)，獲得樣本信息，即做η次隨機(jī) 試驗(yàn)，觀察其中圖像屬于目標(biāo)圖像的次數(shù)X，取η = 100進(jìn)行了模型的實(shí)驗(yàn)；
[0027] 步驟4.3、由先驗(yàn)分布和樣本信息計(jì)算后驗(yàn)分布
[0028] π(θ? | χ) 〇〇h(x, θι) =ρ(χ | θ?) · π(θ?)
[0029] 步驟4.4、對(duì)31(0」χ)在區(qū)間（〇.5，1]求積分，作為修正后該圖像為目標(biāo)圖像的概率 的估計(jì)值；
[0030] 步驟4.5、根據(jù)修正后的概率估計(jì)結(jié)果，仍由隨機(jī)森林分類(lèi)準(zhǔn)則，給出修正后的識(shí) 別結(jié)果。
[0031] 與現(xiàn)有技術(shù)相比，本發(fā)明基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法 具有以下優(yōu)點(diǎn)：使用本方法對(duì)RSVP圖像序列進(jìn)行目標(biāo)圖像檢索，能夠在保持低虛警率的同 時(shí)達(dá)到相當(dāng)高的準(zhǔn)確率，在識(shí)別出幾乎所有的真實(shí)目標(biāo)圖像的同時(shí)避免將非目標(biāo)圖像識(shí)別 為目標(biāo)圖像，在效果上比以往方法有較大的改進(jìn)。
【附圖說(shuō)明】
[0032] 圖1是本發(fā)明基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法原理圖；
[0033] 圖2是本發(fā)明基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法的完整流程 示意圖；
[0034] 圖3是本發(fā)明基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法與單純腦電 目標(biāo)圖像檢索方法的效果對(duì)比圖。
【具體實(shí)施方式】
[0035] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目 標(biāo)圖像檢索方法作進(jìn)一步說(shuō)明：本發(fā)明的技術(shù)方案:首先，利用人類(lèi)視覺(jué)擅于捕獲敏感目標(biāo) 的特點(diǎn)，給被試呈現(xiàn)RSVP圖像序列，并利用腦電采集設(shè)備采集被試腦電信號(hào)，在腦電目標(biāo)圖 像識(shí)別任務(wù)中，依靠采集的被試腦電數(shù)據(jù)、使用現(xiàn)代數(shù)據(jù)分析技術(shù)來(lái)對(duì)RSVP圖像序列中的 目標(biāo)圖像進(jìn)行識(shí)別。
[0036] 腦電目標(biāo)圖像識(shí)別的主要流程為：
[0037] (1)在被試觀看RSVP圖像序列的同時(shí)，通過(guò)腦電信號(hào)采集設(shè)備收集被試的腦電信 號(hào)；
[0038] (2)對(duì)模擬信號(hào)形式的腦電信號(hào)進(jìn)行抽樣和特征提??；
[0039] (3)通過(guò)分類(lèi)算法，對(duì)經(jīng)過(guò)處理的腦電數(shù)據(jù)進(jìn)行目標(biāo)圖像和非目標(biāo)圖像的識(shí)別。
[0040] 對(duì)于不同的腦電采集設(shè)備型號(hào)和導(dǎo)聯(lián)設(shè)置，（1)中采集得到的數(shù)據(jù)維數(shù)和形式會(huì) 略有不同，但對(duì)于腦電數(shù)據(jù)的分析，都能通過(guò)(1)(2)(3)的完整流程進(jìn)行;對(duì)于(2)中的特征 提取方法，在腦電目標(biāo)圖像識(shí)別領(lǐng)域常用的有費(fèi)歇爾判別分析、獨(dú)立成分分析、主成分分析 等，但對(duì)于特定應(yīng)用情景，缺乏對(duì)于可用方法的比較和選擇;對(duì)于(3)中的分類(lèi)算法，現(xiàn)有研 究中多使用經(jīng)典的統(tǒng)計(jì)模型（如Logistic回歸)和簡(jiǎn)單的算法模型（如線性核支持向量機(jī)） 等，對(duì)于在一般應(yīng)用中具有較強(qiáng)性能的新興機(jī)器學(xué)習(xí)算法模型的考慮較少，模型的選擇權(quán) 衡難以進(jìn)行;此外，由于腦電信號(hào)中含有許多冗余信息，單純依靠腦電數(shù)據(jù)進(jìn)行RSVP圖像序 列中的目標(biāo)圖像識(shí)別常常難以在保持較低虛警率的同時(shí)，達(dá)到較高的準(zhǔn)確率。
[0041] 基于上述考慮，本方法設(shè)計(jì)了比較實(shí)驗(yàn)和量化指標(biāo)以完成對(duì)于特征提取技術(shù)及分 類(lèi)模型選擇。
[0042] 本方法在腦電目標(biāo)圖像識(shí)別中確定的模型選取指標(biāo)為：
[0043] (1)真檢比定義模型篩選指標(biāo)，真檢比
[0045] 其中代表模型在訓(xùn)練集上的識(shí)別效果，其中為將目標(biāo)圖 像識(shí)別為目標(biāo)的概率，i?i；T為將目標(biāo)圖像識(shí)別為非目標(biāo)的概率(漏檢率為將非目標(biāo) 圖像識(shí)別為非目標(biāo)的概率，為將非目標(biāo)圖像識(shí)別為目標(biāo)的概率(虛警率）（計(jì)算指標(biāo)時(shí)， 用10折交叉驗(yàn)證結(jié)果的平均頻率替代概率）。
[0046] (2)真?zhèn)尾疃x模型篩選指標(biāo)，真?zhèn)尾顬?[0047 ] Dt-f = Nt_Nf
[0048] 其中Ντ代表識(shí)別出的目標(biāo)圖像中真目標(biāo)數(shù)目，Nf代表識(shí)別出的目標(biāo)圖像中虛警目 標(biāo)數(shù)目。
[0049] 基于所提出的量化指標(biāo)對(duì)于模型的評(píng)價(jià)，本方法選取費(fèi)歇爾判別分析作為腦電數(shù) 據(jù)處理中的特征提取方法、選取隨機(jī)森林模型作為腦電目標(biāo)圖像識(shí)別中使用的分類(lèi)算法。
[0050] 其次，在完成腦電目標(biāo)圖像識(shí)別后，引入機(jī)器視覺(jué)模塊，并基于貝葉斯統(tǒng)計(jì)思想， 提出一種后驗(yàn)概率模型，將腦電目標(biāo)圖像識(shí)別模塊與機(jī)器視覺(jué)模塊結(jié)合起來(lái)，對(duì)腦電目標(biāo) 圖像識(shí)別的結(jié)果進(jìn)行了改進(jìn)，使得對(duì)于RSVP圖像序列的目標(biāo)圖像檢索，能夠在保持較低虛 警率的同時(shí)，達(dá)到較高的準(zhǔn)確率。
[0051] 本方法確定的后驗(yàn)概率模型如下：
[0052] (1)依據(jù)腦電識(shí)別模塊的結(jié)果，找出目標(biāo)圖像在機(jī)器視覺(jué)模塊中屬于的類(lèi)（目標(biāo) 類(lèi))；
[0053] (2)計(jì)算每張圖像屬于目標(biāo)類(lèi)的概率。因目標(biāo)類(lèi)與實(shí)驗(yàn)中讓被試關(guān)注的類(lèi)是一致 的，故這一步相當(dāng)于從機(jī)器視覺(jué)模塊，給出了圖像為目標(biāo)圖像的概率；
[0054] (3)對(duì)每張圖像建立后驗(yàn)概率模型，計(jì)算圖像為目標(biāo)圖像的概率的新估計(jì)值，從而 給出該圖像新的識(shí)別結(jié)果。
[0055] 本方法確定的后驗(yàn)概率模型求解過(guò)程如下：
[0056] (1)目標(biāo)類(lèi)發(fā)現(xiàn)
[0057]當(dāng)RSVP序列的96張圖像經(jīng)過(guò)機(jī)器視覺(jué)模塊，給出的概率估計(jì)可表為公式（1)的矩 陣Pcc，其行代表RSVP圖像序列中一張圖像屬于每一類(lèi)的離散概率分布，列代表所有圖像屬 于一類(lèi)的概率，Cn為圖像類(lèi)數(shù)。
[0059]因一個(gè)RSVP圖像序列含96張圖像，將腦電識(shí)別模塊估計(jì)的概率值記為?1,^，...， P96, tar。根據(jù)這些概率，按如下步驟從矩陣PCC中選出目標(biāo)類(lèi)：
[0060]步驟1.在Pl,tar，· · ·，P96,tar中取出概率大于0.5的圖像序號(hào)，抽取矩陣Pcc的這些 行；
[0061 ] 步驟2.在這些行，對(duì)每一列的概率值求和；
[0062]步驟3.求和值最大的列對(duì)應(yīng)的類(lèi)即為目標(biāo)類(lèi)。
[0063] (2)計(jì)算圖像屬于目標(biāo)圖像類(lèi)的概率
[0064] 設(shè)第i張圖像屬于目標(biāo)類(lèi)概率為以機(jī)器視覺(jué)模塊在測(cè)試集上表現(xiàn)的正確率 Rright (實(shí)驗(yàn)中為0.78)和錯(cuò)誤率1-Rright為權(quán)值，分情況進(jìn)行計(jì)算：
[0065] 情形1.當(dāng)分類(lèi)器將圖像識(shí)別為目標(biāo)類(lèi)，計(jì)算加權(quán)后第i張圖像屬于目標(biāo)類(lèi)的概率
，不屬于目標(biāo)類(lèi)的概率為·
[0066] 情形2.當(dāng)分類(lèi)器將圖像識(shí)別為非目標(biāo)類(lèi)，計(jì)算加權(quán)后第i張圖像屬于目標(biāo)類(lèi)的概
，不屬于目標(biāo)類(lèi)的概率
[0067] (3)后驗(yàn)概率模型
[0068] 對(duì)于RSVP圖像序列中第i張圖像，問(wèn)題是對(duì)"該圖像為目標(biāo)圖像的概率Θ,"的兩點(diǎn) 分布參數(shù)估計(jì)，現(xiàn)在用Bayes思想解決這一問(wèn)題。方法如下：
[0069] 步驟1.將腦電識(shí)別模塊給出的概率估計(jì)視為先驗(yàn)信息，建立公式(2)的先驗(yàn)分布：
[0071] 步驟2.將概率列￡.，..作為生成樣本的依據(jù)，獲得樣本信息（即做η次隨機(jī)試 驗(yàn)，觀察其中圖像屬于目標(biāo)圖像的次數(shù)X，取η = 100進(jìn)行了模型的實(shí)驗(yàn)）。
[0072] 步驟3.由先驗(yàn)分布和樣本信息計(jì)算后驗(yàn)分布
[0073] π(θ? | χ) 〇〇h(x, θι) =ρ(χ | θ?) · π(θ?)
[0074] 步驟4.對(duì)Κθ,Ιχ)在區(qū)間(〇.5，1]求積分，作為修正后該圖像為目標(biāo)圖像的概率的 估計(jì)值。
[0075]步驟5 .根據(jù)修正后的概率估計(jì)結(jié)果，仍由隨機(jī)森林分類(lèi)準(zhǔn)則，給出修正后的識(shí)別 結(jié)果。
[0076]附圖3中R0C曲線的比較反映了本方法的效果。
【主權(quán)項(xiàng)】
1. 一種基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法，其特征在于:含有以 下步驟： 步驟（1)、給被試呈現(xiàn)RSVP圖像序列，并利用腦電采集設(shè)備采集被試腦電信號(hào)，使用現(xiàn) 代數(shù)據(jù)分析技術(shù)對(duì)腦電信號(hào)進(jìn)行分析，實(shí)現(xiàn)腦電目標(biāo)圖像識(shí)別； 步驟(2)、依據(jù)腦電識(shí)別模塊的結(jié)果，找出目標(biāo)圖像在機(jī)器視覺(jué)模塊中屬于的目標(biāo)類(lèi)； 步驟(3)、從機(jī)器視覺(jué)模塊計(jì)算每張圖像為目標(biāo)類(lèi)圖像的概率; 步驟(4)、對(duì)每張圖像建立后驗(yàn)概率模型，計(jì)算圖像為目標(biāo)圖像的概率的新估計(jì)值，從 而給出該圖像最終的識(shí)別結(jié)果。2. 根據(jù)權(quán)利要求1所述的基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法，其 特征在于:所述步驟(1)中腦電目標(biāo)圖像識(shí)別的步驟為， 步驟1.1、在被試觀看RSVP圖像序列的同時(shí)，通過(guò)腦電信號(hào)采集設(shè)備收集被試的腦電信 號(hào)； 步驟1.2、對(duì)模擬信號(hào)形式的腦電信號(hào)進(jìn)行抽樣和特征提?。? 步驟1.3、通過(guò)分類(lèi)算法，對(duì)經(jīng)過(guò)處理的腦電數(shù)據(jù)進(jìn)行目標(biāo)圖像和非目標(biāo)圖像的識(shí)別。3. 根據(jù)權(quán)利要求2所述的基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法，其 特征在于:所述腦電目標(biāo)圖像識(shí)別中確定的分類(lèi)算法選取指標(biāo)為： 指標(biāo)(1 )、真檢比:定義t旲型篩選指標(biāo)，真檢比其中"代表模型在訓(xùn)練集上的識(shí)別效果，其中/^'"為將目標(biāo)圖像識(shí) 別為目標(biāo)的概率，為將目標(biāo)圖像識(shí)別為非目標(biāo)的漏檢率;為將非目標(biāo)圖像識(shí)別為 非目標(biāo)的概率，ρΓ1為將非目標(biāo)圖像識(shí)別為目標(biāo)的虛警率，計(jì)算指標(biāo)時(shí)，用1〇折交叉驗(yàn)證結(jié) 果的平均頻率替代概率； 指標(biāo)(2 )、真?zhèn)尾?定義模型篩選指標(biāo)，真?zhèn)尾顬? Dt-f = Nt~Nf 其中Ντ代表識(shí)別出的目標(biāo)圖像中真目標(biāo)數(shù)目，Nf代表識(shí)別出的目標(biāo)圖像中虛警目標(biāo)數(shù) 目； 基于所提出的量化指標(biāo)對(duì)于模型的評(píng)價(jià)，本方法選取費(fèi)歇爾判別分析作為腦電數(shù)據(jù)處 理中的特征提取方法、選取隨機(jī)森林模型作為腦電目標(biāo)圖像識(shí)別中使用的分類(lèi)算法。4. 根據(jù)權(quán)利要求1所述的基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法，其 特征在于:所述步驟(2)中確定目標(biāo)類(lèi)的步驟為， 當(dāng)RSVP序列的N張圖像經(jīng)過(guò)機(jī)器視覺(jué)模塊，給出的概率估計(jì)可表示為以下的矩陣PCC，其 行代表RSVP圖像序列中一張圖像屬于每一類(lèi)的離散概率分布，列代表所有圖像屬于一類(lèi)的 概率，Cn為圖像類(lèi)數(shù)，因一個(gè)RSVP圖像序列含N張圖像，將腦電識(shí)別模塊估計(jì)的概率值記為?1,恤，...，pN, tar， 根據(jù)這些概率，按如下步驟從矩陣Pcc中選出目標(biāo)類(lèi)： 步驟2.1、在?1>，. . .，pN,ta沖取出概率大于0.5的圖像序號(hào)，抽取矩陣Pcc的這些行； 步驟2.2、在這些行，對(duì)每一列的概率值求和； 步驟2.3、求和值最大的列對(duì)應(yīng)的類(lèi)即為目標(biāo)類(lèi)。5. 根據(jù)權(quán)利要求1所述的基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法，其 特征在于:所述步驟(3)中計(jì)算圖像屬于目標(biāo)圖像類(lèi)的概率的步驟為， 設(shè)第i張圖像屬于目標(biāo)類(lèi)概率為以機(jī)器視覺(jué)模塊在測(cè)試集上表現(xiàn)的正確率Rright = 0.78和錯(cuò)誤率1-Rright為權(quán)值，分情況進(jìn)行計(jì)算： 情形1.當(dāng)分類(lèi)器將圖像識(shí)別為目標(biāo)類(lèi)，計(jì)算加權(quán)后第i張圖像屬于目標(biāo)類(lèi)的概率為F屬于目標(biāo)類(lèi)的概率為情形2.當(dāng)分類(lèi)器將圖像識(shí)別為非目標(biāo)類(lèi)，計(jì)算加權(quán)后第i張圖像屬于目標(biāo)類(lèi)的概率為，不屬于目標(biāo)類(lèi)的概率為6. 根據(jù)權(quán)利要求1所述的基于后驗(yàn)概率模型的腦電與機(jī)器視覺(jué)目標(biāo)圖像檢索方法，其 特征在于:所述步驟(4)中的后驗(yàn)概率模型為，對(duì)于RSVP圖像序列中第i張圖像，問(wèn)題是對(duì) "該圖像為目標(biāo)圖像的概率9廣的兩點(diǎn)分布參數(shù)估計(jì)，用Bayes思想計(jì)算如下： 步驟4.1、將腦電識(shí)別模塊給出的概率估計(jì)視為先驗(yàn)信息，建立先驗(yàn)分布的公式：步驟4.2、將概率列作為生成樣本的依據(jù)，獲得樣本信息，即做η次隨機(jī)試 驗(yàn)，觀察其中圖像屬于目標(biāo)圖像的次數(shù)X，取η = 100進(jìn)行了模型的實(shí)驗(yàn)； 步驟4.3、由先驗(yàn)分布和樣本信息計(jì)算后驗(yàn)分布 π(θ? | x) 〇〇h(x, 0i) =p(x | θ?) · Jl(0i) 步驟4.4、對(duì)31(0」χ)在區(qū)間（0.5,1]求積分，作為修正后該圖像為目標(biāo)圖像的概率的估 計(jì)值； 步驟4.5、根據(jù)修正后的概率估計(jì)結(jié)果，仍由隨機(jī)森林分類(lèi)準(zhǔn)則，給出修正后的識(shí)別結(jié) 果。
【文檔編號(hào)】G06F17/30GK105868712SQ201610184386
【公開(kāi)日】2016年8月17日
【申請(qǐng)日】2016年3月28日
【發(fā)明人】趙亞群, 黃良韜, 曾穎, 王林元, 林志敏, 劉慶聰
【申請(qǐng)人】中國(guó)人民解放軍信息工程大學(xué)