全文总字数：1729字

1. 研究目的与意义及国内外研究现状

图像识别是随计算机的发展而兴起的一门学科，随着科技进步，现已渗透各个领域。人们对于生活的便捷和智能化提出了越来越高的要求，将机器视觉与人工智能结合的技术成为了发展的主流。具体应用中，对图像分类识别的常用方法是先提取图像特征，再进行特征值的归类。图像特征包括几何特征、形状特征、颜色特征、纹理特征等等。但是，由于系统对实时性要求很高，同时图像特征提取是一个多维度，数据量和计算量巨大的任务，传统的基于顺序执行计算机，将很难完成。于是本文提出利用基本图像特征算法（basic image features,bifs）针对图像的纹理特征进行提取、分析。利用深度学习的极高的并行处理能力，实时地完成多个二维卷积操作，从而达到系统的要求，实现具有显著纹理特性的图像的分类识别。

国内外研究现状

图像的特征提取算法有很多种，国内外在此领域有相当多的研究。具体到实现上，常采用传统cpu运算或者gpu加速等方法，但将特征提取算法与深度学习领域结合的则很少涉及。griffin等人提出的一种基本图像特征（bifs）多尺度纹理分析方法。该方法将图像的纹理基元划分为7种不同类型。根据高斯衍生滤波器的响应来划分7种不同纹理基元，能很好的反应出不同几何结构的纹理区域。用于深度学习的学习方法主要集中在学习数据的有用表示，在神经网络较高层中使学习到的特征不随变化的因素而变化，对实际数据中的突变变化具有更强的鲁棒性。鉴于深度学习的理论意义和实际应用价值，国内对深度学习结构尚处于起步阶段，这方面已经发表的文献多是侧重应用领域。

2. 研究的基本内容

本文采用基本图像特征（Basic Image Features）算法，根据高斯衍生滤波器（2nd second order filter bank of Gaussian derivatives）的响应来划分7种不同纹理基元。高斯衍生滤波器组对图像的局限特性十分敏感，能很好的反应出不同几何结构的纹理区域。通过这一算法，提取出灰度图像中，包括平坦、坡型、暗点、明点、暗线、明线、鞍型七种纹理特征。每一个特征可以根据给定的参数，生成7个卷积核，并利用二维卷积完成提取。CNN结构中，用图像的一小部分（局部感受区域）作为层级结构的最低层的输入，信息再依次传输到不同的层，每层通过一个数字滤波器去获得观测数据的最显著的特征，因图像的空间联系是局部的，每个神经元只感受局部的图像区域，在更高层，将这些感受不同局部的神经元综合起来就可以得到全局的信息了。利用卷积神经网络（CNN）这种层间联系和空域信息的紧密关系，减少连接的数目，减少神经网络需要训练的权值参数的个数。加快图像分类速度，在自动提取图像的显著特征方面表现出了比较优的性能。

3. 实施方案、进度安排及预期效果

2015．12月 – 1月对深度学习模式设计和基本图像特征（bifs）算法进行学习，完成仿真。

2016.1月 – 2月 完成卷积模块的系统设计与rtl仿真。

2016.2月 – 3月 完成控制器的设计与仿真。

4. 参考文献

[4]Geoffrey E.Hinton、Simon Osindero等. 《A Fast Learning Algorithm for Deep BelifeNets》.