[发明专利]一种反馈式ICM神经网络和FPF相结合的剪影识别系统

权利要求书

1.一种反馈式ICM神经网络和FPF相结合的剪影识别系统，其特征在于：利用ICMNN具有的脉冲耦合特性，提取目标图像的完整轮廓；而所采用的反馈机制则对原始图像不断进行增强，从而达到抑制非同类目标同时增强同类目标的目的；随着不断迭代，FPF在经ICM处理过的图像中，不断搜索和目标边缘相似的候选目标，当找到可靠的同类目标时就会在相应位置产生较大的相关峰，而由于反馈机制的加入有效抑制其他非目标区域，从而使得其他区域的相关值降低，从而实现目标的可靠识别；

该剪影识别系统的建立包括以下步骤：

步骤一：建立交叉视觉皮质模型ICM：

交叉视觉皮质模型ICM所构成的最小系统用以下三个式子来描述：

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，输入矩阵为S，神经元的状态矩阵为F，输出矩阵为Y，动态阈值矩阵为，标量f和g小于1.0，令gf，可确保阈值最终低于神经元的状态值，促使神经元激发，标量h是一个很大的值，当神经元激发时，使得阈值急剧增加，从而抑制神经元的脉冲发放，使其进入不应期，即在一定时期内不再发放脉冲；

步骤二：用交叉视觉皮质模型ICM对剪影图像处理，可产生一个包含目标轮廓的脉冲图像，FPF的作用是在该脉冲图像区域进行搜索，如果有与目标边缘相似的候选目标，则会在其相关面内产生相关峰值，FPF是等相关峰综合鉴别函数滤波器SDF和最小平均相关能量滤波器MACE的扩展；

SDF的基本思想是：将某类图像及其畸变图像组成一个训练集，找出综合鉴别函数，综合鉴别函数的目的是寻求这样一个滤波函数：当正确目标输入时，相关面内有一相关峰值；选出一组训练图像，令滤波器为h，SDF是输入加权线性组合，式(6)中矩阵V是通过输入向量的傅立叶变换的组合来创建的，

是V的傅立叶变换,每一个向量都和限制值相关联，因此SDF滤波器h是通过下式来约束的:

如式(8)用的逆矩阵去找到h，

平均最小相关能量滤波器MACE是在综合鉴别函数的基础上发展而来的，利用MACE能够使训练图像相关运算后的平均相关能量最小化；

MACE滤波器是通过下式计算得到：

其中：

是第K个训练图像的第i个元素，二维分数幂指数滤波器可按如下公式描述：

其中:

X由训练图像创建,与公式(6)相似，的元素由图像内部产生,是Y⁺_k的共轭，

在公式(14)中，若幂项P＝2则称之为最小平均相关能量滤波器，P＝0式称之为鉴别函数滤波器，P处于0-2之间时称为分数幂指数滤波器FPF；

步骤三：利用反馈式ICM对结果图像再进行处理，最后得到只有目标图像存在的图像；基于此，利用反馈式ICM结合FPF形成一个闭环系统实现剪影识别；

所述步骤三包括以下步骤：

步骤3.1：对输入的剪影图像进行ICM迭代产生边缘激发的图像，再对该图像进行边缘增强；

步骤3.2：输入训练图像到FPF中，得到边缘增强的图像；

步骤3.3：将原始图像边缘增强后的结果与FPF进行相关运算，得到相关峰值；

步骤3.4：对相关峰值最大点的区域进行修改；

步骤3.5：把修改后的图像作为原始图像输入系统，最后得到目标图像上的增强；

系统的反馈输入A按照公式(4)中的时间加权平均方式计算，这与ICM的动态阈值计算相似，差别在于常数V的取值不同；

其中,V_A比动态阈值中用到的V要小很多，在这里令V_A＝1，经过抑制性反馈计算后的输入为：

反馈式交叉皮层视觉模型在计算完每次迭代后进行公式(4)和(5)的运算。