[發明專利]一種反饋式ICM神經網絡和FPF相結合的剪影識別系統

有效

• 申請號: 201710414874.5
• 申請日: 2017-06-05
• 公開（公告）號: CN107330447B
• 公開（公告）日: 2020-04-24
• 發明（設計）人: 徐光柱;李迪;雷幫軍;夏平;付云俠;石勇濤;鄒耀斌
• 申請（專利權）人: 三峽大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 吳思高

1.一種反饋式ICM神經網絡和FPF相結合的剪影識別系統，其特征在于：利用ICMNN具有的脈沖耦合特性，提取目標圖像的完整輪廓；而所采用的反饋機制則對原始圖像不斷進行增強，從而達到抑制非同類目標同時增強同類目標的目的；隨著不斷迭代，FPF在經ICM處理過的圖像中，不斷搜索和目標邊緣相似的候選目標，當找到可靠的同類目標時就會在相應位置產生較大的相關峰，而由于反饋機制的加入有效抑制其他非目標區域，從而使得其他區域的相關值降低，從而實現目標的可靠識別；

該剪影識別系統的建立包括以下步驟：

步驟一：建立交叉視覺皮質模型ICM：

交叉視覺皮質模型ICM所構成的最小系統用以下三個式子來描述：

F_ij[n+1]＝fF_ij[n]+S_ij+W{Y[n]}_ij (1)

θ_ij[n+1]＝gθ_ij[n]+hY_ij[n+1] (3)

其中，輸入矩陣為S，神經元的狀態矩陣為F，輸出矩陣為Y，動態閾值矩陣為，標量f和g小于1.0，令gf，可確保閾值最終低于神經元的狀態值，促使神經元激發，標量h是一個很大的值，當神經元激發時，使得閾值急劇增加，從而抑制神經元的脈沖發放，使其進入不應期，即在一定時期內不再發放脈沖；

步驟二：用交叉視覺皮質模型ICM對剪影圖像處理，可產生一個包含目標輪廓的脈沖圖像，FPF的作用是在該脈沖圖像區域進行搜索，如果有與目標邊緣相似的候選目標，則會在其相關面內產生相關峰值，FPF是等相關峰綜合鑒別函數濾波器SDF和最小平均相關能量濾波器MACE的擴展；

SDF的基本思想是：將某類圖像及其畸變圖像組成一個訓練集，找出綜合鑒別函數，綜合鑒別函數的目的是尋求這樣一個濾波函數：當正確目標輸入時，相關面內有一相關峰值；選出一組訓練圖像，令濾波器為h，SDF是輸入加權線性組合，式(6)中矩陣V是通過輸入向量的傅立葉變換的組合來創建的，

是V的傅立葉變換,每一個向量都和限制值相關聯，因此SDF濾波器h是通過下式來約束的:

如式(8)用的逆矩陣去找到h，

平均最小相關能量濾波器MACE是在綜合鑒別函數的基礎上發展而來的，利用MACE能夠使訓練圖像相關運算后的平均相關能量最小化；

MACE濾波器是通過下式計算得到：

其中：

是第K個訓練圖像的第i個元素，二維分數冪指數濾波器可按如下公式描述：

其中:

X由訓練圖像創建,與公式(6)相似，的元素由圖像內部產生,是Y⁺_k的共軛，

在公式(14)中，若冪項P＝2則稱之為最小平均相關能量濾波器，P＝0式稱之為鑒別函數濾波器，P處于0-2之間時稱為分數冪指數濾波器FPF；

步驟三：利用反饋式ICM對結果圖像再進行處理，最后得到只有目標圖像存在的圖像；基于此，利用反饋式ICM結合FPF形成一個閉環系統實現剪影識別；

所述步驟三包括以下步驟：

步驟3.1：對輸入的剪影圖像進行ICM迭代產生邊緣激發的圖像，再對該圖像進行邊緣增強；

步驟3.2：輸入訓練圖像到FPF中，得到邊緣增強的圖像；

步驟3.3：將原始圖像邊緣增強后的結果與FPF進行相關運算，得到相關峰值；

步驟3.4：對相關峰值最大點的區域進行修改；

步驟3.5：把修改后的圖像作為原始圖像輸入系統，最后得到目標圖像上的增強；

系統的反饋輸入A按照公式(4)中的時間加權平均方式計算，這與ICM的動態閾值計算相似，差別在于常數V的取值不同；

其中,V_A比動態閾值中用到的V要小很多，在這里令V_A＝1，經過抑制性反饋計算后的輸入為：

反饋式交叉皮層視覺模型在計算完每次迭代后進行公式(4)和(5)的運算。