·312· 智能系统学报 第12卷 位置被标记为1，否则为0。这样可产生8位二进制 特征值向量的一个不完整且容易出错的复制。本文 数，即得到该窗口中心像素点的初始LBP值。 试图借鉴REM模型对单词的存储学习过程来模拟人 2)不断旋转圆形邻域得到一系列初始定义的 脑对图像的学习过程，有概率地对图像的特征向量进 LBP值，取最小值作为该像素点的LBP值。 行复制，同时在复制过程中允许出现错误值。 3)统计LBP值对应的二进制数从0~1或1~0 从图像库中选取图像，提取图像LBP与HOG特 跳变的次数，根据跳变次数确定其属于哪一种LBP 征，将其分别写成行向量形式并连接起来生成图像特 模式，共有P+1=9种模式，得到的模式数值即为像素 征向量。HOG特征是由小数组成的，并不是非负整 点的LBP值。 数，为方便REM模型的计算，在实验中简单地对该特 4)图像中所有像素点的LBP值组合起来形成一 征扩大10倍并四舍五入。每学习一次图像特征向 个LBP特征矩阵，即为该图像的LBP特征。 量，对于那些还没有存储任何信息的位置，存储新信 2REM模型在视觉图像的表达、 息的概率为u·。注意到，一旦某个值被存储，之后该 值不会改变。如果对某个特征有存储，其特征值从已 存储与提取中的应用 学向量中正确复制的概率是c,以1-c的概率根据P 认知记忆的快速提取模型一REM模型是 [V=j]=(1-g)g,j=1,2,…,∞随机取值，并允许偶 Shiffrin等[1997年提出的一个用于识别单词的记 然选取正确值的可能性。 忆模型，该模型采用Bayesian理论计算线索与记忆影 用V={V,=12N标记所有已学习图像的特征 像的似然度，用于匹配搜索。该模型能够解释许多情 集，其中V,表示已学习图像集合中第j副图像L的特 景记忆研究中的一些科学现象，如列表强度效应、列 征向量，N为已学习图像集合中的图像个数。 表长度效应、词汇频率效应、镜面效应与正态ROC斜 2.2提取 率效应；其与SAM、MINERVA2模型的主要区别之一 给定要检测的图像It,将其特征向量Va与V= 在于，其实现了似然率的贝叶斯计算，是国际上公认 {V1.2…进行匹配，匹配结果为D={D,=12…, 的最好的记忆模型之一。 其中D,为被检测图像特征与第j个视觉图像特征的 REM记忆模型被提出之后，研究人员陆续对 匹配结果。用s图像表示与被检测图像相同的存储 REM模型进行研究。Stams等18]通过对编码与提取 图像，d图像表示除被检测图像之外的其他视觉图像 过程中的项目强度的控制，对比研究了REM模型与 的存储图像。 BCDMEM模型对提取过程中项目强度对误报率降低 被检测图像I与第j幅已存储图像I,的匹配过 的解释说明。Cox等I]在REM与RCA-REM模型基 程的关键步骤是，计算似然率入，即在观测结果D,基 础上提出一个新认知记忆模型，证实了即使在任务、 础上第j幅图像为s图像与d图像的概率比值： 学习因素、刺激及其他因子变化情况下，所提方法都 P(D S) 有可能获得合理的认知决策。Criss等[0]对比了 入= P(D:N) REM模型与SLiM(the subjective likelihood model)模 型，发现REM模型预测的误报率较高；M.Montenegro (1-c)%Πe+(1-c)g(1-g)- (1) keM g(1-g)'g 等2研究了REM模型的解析表达式，文中引入 式中：S,为第j副图像为s图像的事件；V为第j副图 Fourier变换，给出REM模型的FT积分方程，导出在 像为d图像的事件：M为非零特征值与被检测向量特 给定参数值下模型预测的命中率与误报率的双积分 征值匹配的目录；V为第j副图像中第k个特征值； 形式的解析表达式，同时发现其具有与BCDMEM模 nn为V与V不匹配的非零特征值个数；g为几何分 型相同的一些性质：模型是不确定的，除非其中的一 布参数。 个参数固定为一个预设值，向量长度参数是不可忽略 2.3 Bayesian决策 的参数。 给定探测图像I,将其与所有已学习图像I= 2.1特征表达与存储 {L=1.2.…进行匹配与不匹配比较，计算对应的似然 REM模型指出人脑记忆由图像构成，每幅图像 值入={入1，入2，…，入x},进而得到被检测图像为旧的 是由一个特征值向量表示的，并且最终存储结果是对 而非新的概率为位置被标记为 １，否则为 ０。 这样可产生 ８ 位二进制 数，即得到该窗口中心像素点的初始 ＬＢＰ 值。 ２）不断旋转圆形邻域得到一系列初始定义的 ＬＢＰ 值，取最小值作为该像素点的 ＬＢＰ 值。 ３）统计 ＬＢＰ 值对应的二进制数从 ０ ～ １ 或 １ ～ ０ 跳变的次数，根据跳变次数确定其属于哪一种 ＬＢＰ 模式，共有 Ｐ＋１＝ ９ 种模式，得到的模式数值即为像素 点的 ＬＢＰ 值。 ４）图像中所有像素点的 ＬＢＰ 值组合起来形成一 个 ＬＢＰ 特征矩阵，即为该图像的 ＬＢＰ 特征。 ２ ＲＥＭ 模型在视觉图像的表达、 存储与提取中的应用 认知记忆的快速提取模型———ＲＥＭ 模型是 Ｓｈｉｆｆｒｉｎ 等［１７］ １９９７ 年提出的一个用于识别单词的记 忆模型，该模型采用 Ｂａｙｅｓｉａｎ 理论计算线索与记忆影 像的似然度，用于匹配搜索。 该模型能够解释许多情 景记忆研究中的一些科学现象，如列表强度效应、列 表长度效应、词汇频率效应、镜面效应与正态 ＲＯＣ 斜 率效应；其与 ＳＡＭ、ＭＩＮＥＲＶＡ２ 模型的主要区别之一 在于，其实现了似然率的贝叶斯计算，是国际上公认 的最好的记忆模型之一。 ＲＥＭ 记忆模型被提出之后，研究人员陆续对 ＲＥＭ 模型进行研究。 Ｓｔａｍｓ 等［１８］ 通过对编码与提取 过程中的项目强度的控制，对比研究了 ＲＥＭ 模型与 ＢＣＤＭＥＭ 模型对提取过程中项目强度对误报率降低 的解释说明。 Ｃｏｘ 等［１９］在 ＲＥＭ 与 ＲＣＡ⁃ＲＥＭ 模型基 础上提出一个新认知记忆模型，证实了即使在任务、 学习因素、刺激及其他因子变化情况下，所提方法都 有可能获得合理的认知决策。 Ｃｒｉｓｓ 等［２０］ 对比了 ＲＥＭ 模型与 ＳＬｉＭ（ｔｈｅ ｓｕｂｊｅｃｔｉｖｅ ｌｉｋｅｌｉｈｏｏｄ ｍｏｄｅｌ）模 型，发现 ＲＥＭ 模型预测的误报率较高；Ｍ．Ｍｏｎｔｅｎｅｇｒｏ 等［２１］研究了 ＲＥＭ 模型的解析表达式，文中引入 Ｆｏｕｒｉｅｒ 变换，给出 ＲＥＭ 模型的 ＦＴ 积分方程，导出在 给定参数值下模型预测的命中率与误报率的双积分 形式的解析表达式，同时发现其具有与 ＢＣＤＭＥＭ 模 型相同的一些性质：模型是不确定的，除非其中的一 个参数固定为一个预设值，向量长度参数是不可忽略 的参数。 ２．１ 特征表达与存储 ＲＥＭ 模型指出人脑记忆由图像构成，每幅图像 是由一个特征值向量表示的，并且最终存储结果是对 特征值向量的一个不完整且容易出错的复制。 本文 试图借鉴 ＲＥＭ 模型对单词的存储学习过程来模拟人 脑对图像的学习过程，有概率地对图像的特征向量进 行复制，同时在复制过程中允许出现错误值。 从图像库中选取图像，提取图像 ＬＢＰ 与 ＨＯＧ 特 征，将其分别写成行向量形式并连接起来生成图像特 征向量。 ＨＯＧ 特征是由小数组成的，并不是非负整 数，为方便 ＲＥＭ 模型的计算，在实验中简单地对该特 征扩大 １０ 倍并四舍五入。 每学习一次图像特征向 量，对于那些还没有存储任何信息的位置，存储新信 息的概率为 ｕ ∗ 。 注意到，一旦某个值被存储，之后该 值不会改变。 如果对某个特征有存储，其特征值从已 学向量中正确复制的概率是 ｃ，以 １－ｃ 的概率根据 Ｐ ［Ｖ＝ｊ］ ＝ （１－ｇ） ｊ－１ ｇ，ｊ ＝ １，２，…，¥随机取值，并允许偶 然选取正确值的可能性。 用 Ｖ＝｛Ｖｊ｝ｊ ＝ １，２，…，Ｎ标记所有已学习图像的特征 集，其中 Ｖｊ表示已学习图像集合中第 ｊ 副图像 Ｉｊ 的特 征向量，Ｎ 为已学习图像集合中的图像个数。 ２．２ 提取 给定要检测的图像 Ｉｔｅｓｔ，将其特征向量 Ｖｔｅｓｔ与Ｖ＝ ｛Ｖｊ｝ｊ ＝ １，２，…，Ｎ进行匹配，匹配结果为 Ｄ ＝ ｛Ｄｊ ｝ｊ ＝ １，２，…，Ｎ， 其中 Ｄｊ 为被检测图像特征与第 ｊ 个视觉图像特征的 匹配结果。 用 ｓ 图像表示与被检测图像相同的存储 图像，ｄ 图像表示除被检测图像之外的其他视觉图像 的存储图像。 被检测图像 Ｉｔｅｓｔ与第 ｊ 幅已存储图像 Ｉｊ 的匹配过 程的关键步骤是，计算似然率 λｊ，即在观测结果 Ｄｊ 基 础上第 ｊ 幅图像为 ｓ 图像与 ｄ 图像的概率比值： λｊ ＝ Ｐ（Ｄｊ Ｓｊ） Ｐ（Ｄｊ Ｎｊ） ＝ （１ － ｃ） ｎｊｑ ∏ｋ∈Ｍ ｃ ＋ （１ － ｃ）ｇ （１ － ｇ） Ｖｋｊ －１ ｇ （１ － ｇ） Ｖｋｊ －１ （１） 式中：Ｓｊ 为第 ｊ 副图像为 ｓ 图像的事件；Ｎｊ为第 ｊ 副图 像为 ｄ 图像的事件；Ｍ 为非零特征值与被检测向量特 征值匹配的目录；Ｖｋｊ为第 ｊ 副图像中第 ｋ 个特征值； ｎｊｑ为 Ｖｊ与 Ｖｔｅｓｔ不匹配的非零特征值个数；ｇ 为几何分 布参数。 ２．３ Ｂａｙｅｓｉａｎ 决策 给定探测图像 Ｉｔｅｓｔ，将其与所有已学习图像 Ｉ ＝ ｛Ｉｊ｝ｊ ＝ １，２，…，Ｎ进行匹配与不匹配比较，计算对应的似然 值 λ＝｛λ１ ，λ２ ，…，λＮ ｝，进而得到被检测图像为旧的 而非新的概率为 ·３１２· 智 能 系 统 学 报 第 １２ 卷