[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

一種反饋式ICM神經網絡和FPF相結合的剪影識別系統，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。本發明系統對于圖中同類別的圖像能夠較好地識別，對具有一定旋轉以及尺度變化的圖像也具有較好的穩定性。與其他剪影識別算法相比計算量有所減小，工作量相應的降低，速度得到了增加。

技術領域

本發明一種反饋式ICM神經網絡和FPF相結合的剪影識別系統，涉及圖像識別技術領域。

背景技術

剪影識別是一種基于目標輪廓的圖像識別技術，被廣泛應用于機器人抓取，醫學圖像處理和基于內容的圖像檢索等領域。多年以來，出現了很多剪影識別算法，經典的有如下幾種算法：1)基于統計學習的方法，基于統計學習的方法一般分成學習階段(用于訓練分類器)和分類階段。學習階段是在不同類別模式下的特征域內，評估每類目標邊緣的分布；分類階段是利用評估階段得到的目標邊緣分布對剪影圖像進行分類。該類方法依賴于大量的統計特征，且容易出現過學習或過訓練的現象。2)神經網絡的方法，基于傳統神經網絡的方法，在學習階段從不同類別的目標圖像中提取一系列的特征參數，在分類階段把提取的特征反饋給神經網絡對圖像進行分類，該方法需要對大量的測試圖像進行學習才能進行相關的圖像處理步驟。3)基于動態規劃的方法，動態規劃法是把未知目標邊緣的圖像和原目標圖像作為一系列變量，然后計算兩個變量之間的最短距離。該類方法若不事先采用窮舉法計算出連接權值，就無法使用動態規劃中常用的從后向前逐步遞推的方法，因此計算量很大。

發明內容

針對以上幾種經典剪影識別算法的不足，本發明提出了一種反饋式ICM神經網絡和FPF相結合的剪影識別系統，該系統對于圖中同類別的圖像能夠較好地識別，對具有一定旋轉以及尺度變化的圖像也具有較好的穩定性。與其他剪影識別算法相比計算量有所減小，工作量相應的降低，速度得到了增加。

本發明采取的技術方案為：

一種反饋式ICM神經網絡和FPF相結合的剪影識別系統，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。

一種反饋式ICM神經網絡和FPF相結合的剪影識別系統，

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θ，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；