[發(fā)明專利]基于生物大腦認(rèn)知和抉擇機(jī)理的運(yùn)動(dòng)物體識(shí)別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201810955609.2
• 申請(qǐng)日: 2018-08-21
• 公開（公告）號(hào): CN109190692B
• 公開（公告）日: 2021-11-23
• 發(fā)明（設(shè)計(jì)）人: 弭元元;林小涵;吳思
• 申請(qǐng)（專利權(quán)）人: 北京師范大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/02
• 代理公司: 北京汲智翼成知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11381
• 代理人: 陳曦;陳麗

本發(fā)明公開了一種基于生物大腦認(rèn)知和抉擇機(jī)理的運(yùn)動(dòng)物體識(shí)別方法及其系統(tǒng)。其中，該方法包括如下步驟：S11，通過對(duì)各類運(yùn)動(dòng)物體進(jìn)行分析，得到庫網(wǎng)絡(luò)模塊到抉擇模塊的連接權(quán)重；S12，將運(yùn)動(dòng)物體的視頻按單幀輸入到庫網(wǎng)絡(luò)模塊中，將低維的輸入信號(hào)投影至高維的庫網(wǎng)絡(luò)活動(dòng)空間，獲得任意時(shí)刻庫網(wǎng)絡(luò)活動(dòng)的向量；S13，計(jì)算運(yùn)動(dòng)物體所屬各個(gè)類別的證據(jù)強(qiáng)度；S14，將證據(jù)強(qiáng)度輸入抉擇模塊，抉擇模塊的各個(gè)抉擇神經(jīng)元根據(jù)輸入的各個(gè)類別的證據(jù)強(qiáng)度進(jìn)行積累，重復(fù)S12～S13，視頻輸入完成后，選擇累積的證據(jù)強(qiáng)度超過抉擇閾值的抉擇神經(jīng)元，得到運(yùn)動(dòng)物體所屬的類別。該方法引入網(wǎng)絡(luò)動(dòng)力學(xué)使得抉擇模塊能夠持續(xù)整合時(shí)間和空間上的信息，提高運(yùn)動(dòng)物體識(shí)別的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種運(yùn)動(dòng)物體識(shí)別方法，尤其涉及一種基于生物大腦認(rèn)知和抉擇機(jī)理的運(yùn)動(dòng)物體識(shí)別方法，同時(shí)涉及相應(yīng)的運(yùn)動(dòng)物體識(shí)別系統(tǒng)，屬于運(yùn)動(dòng)物體識(shí)別技術(shù)領(lǐng)域。

背景技術(shù)

物體識(shí)別一直是人工智能的研究熱點(diǎn)，是眾多人工智能應(yīng)用的理論基礎(chǔ)，其成果在社會(huì)的諸多領(lǐng)域，如圖像分析、智能監(jiān)控、無人駕駛等，都具有重要的應(yīng)用價(jià)值。近年來，簡(jiǎn)單模仿視覺通路等級(jí)結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)算法-“深度學(xué)習(xí)”，已經(jīng)在靜止、規(guī)范化的圖像識(shí)別上取得了巨大成功，甚至在超大數(shù)據(jù)集上的準(zhǔn)確率達(dá)到或者超過人類。

但到目前為止，人工智能最優(yōu)算法在運(yùn)動(dòng)物體識(shí)別方面的表現(xiàn)還差強(qiáng)人意，遠(yuǎn)遠(yuǎn)落后于人類。究其原因，這是因?yàn)楫?dāng)前的深度神經(jīng)網(wǎng)絡(luò)缺乏對(duì)時(shí)間域信息進(jìn)行有效處理的機(jī)制。雖然目前存在RNN(recurrent neural network，即互饋神經(jīng)網(wǎng)絡(luò))以及各種拓展的模型，但是這些模型仍有諸多局限性，訓(xùn)練時(shí)也有各種各樣問題。比如最原始的互饋神經(jīng)網(wǎng)絡(luò)因?yàn)橛?xùn)練時(shí)的梯度消失或者梯度爆炸的問題很難直接應(yīng)用。從互饋神經(jīng)網(wǎng)絡(luò)拓展出的一些模型，比如現(xiàn)在處理時(shí)序相關(guān)信息常用的LSTM(長(zhǎng)短期記憶網(wǎng)絡(luò))模型，雖然LSTM模型在一些場(chǎng)景上取得了較好的應(yīng)用，但是存在著算法復(fù)雜，并且整合時(shí)間域上的信息長(zhǎng)度有限的問題。現(xiàn)有的深度學(xué)習(xí)模型在處理時(shí)序相關(guān)的任務(wù)時(shí)表現(xiàn)明顯不如處理靜態(tài)輸入時(shí)有效。

而在一些當(dāng)前人工智能領(lǐng)域具有代表性的運(yùn)動(dòng)物體識(shí)別或者動(dòng)作識(shí)別數(shù)據(jù)集上，表現(xiàn)較好的模型基本都嘗試通過卷積神經(jīng)網(wǎng)絡(luò)提取視頻每幀靜態(tài)圖片的特征信息，加上LSTM模型或者融合視頻的光流信息,以期能得到較好的時(shí)空信息的整合。但是這些模型都缺少對(duì)于時(shí)間域上的信息進(jìn)行顯式的整合的過程。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明所要解決的首要技術(shù)問題在于提供一種基于生物大腦認(rèn)知和抉擇機(jī)理的運(yùn)動(dòng)物體識(shí)別方法。

本發(fā)明所要解決的另一技術(shù)問題在于提供一種基于生物大腦認(rèn)知和抉擇機(jī)理的運(yùn)動(dòng)物體識(shí)別系統(tǒng)。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用下述的技術(shù)方案：

根據(jù)本發(fā)明實(shí)施例的第一方面，提供一種基于生物大腦認(rèn)知和抉擇機(jī)理的運(yùn)動(dòng)物體識(shí)別方法，包括如下步驟：

S11，通過對(duì)各類運(yùn)動(dòng)物體進(jìn)行分析，得到庫網(wǎng)絡(luò)模塊到抉擇模塊的連接權(quán)重；所述抉擇模塊根據(jù)連接權(quán)重對(duì)輸入信號(hào)進(jìn)行證據(jù)強(qiáng)度的累積，并作出類別判斷；

S12，將運(yùn)動(dòng)物體的視頻按單幀輸入到庫網(wǎng)絡(luò)模塊中，將低維的輸入信號(hào)投影至高維的庫網(wǎng)絡(luò)活動(dòng)空間，獲得任意時(shí)刻庫網(wǎng)絡(luò)活動(dòng)的向量；

S13，通過任意時(shí)刻庫網(wǎng)絡(luò)活動(dòng)的向量以及庫網(wǎng)絡(luò)活動(dòng)到抉擇模塊的連接權(quán)重，得到運(yùn)動(dòng)物體所屬各個(gè)類別的證據(jù)強(qiáng)度；

S14，將運(yùn)動(dòng)物體所屬各個(gè)類別的證據(jù)強(qiáng)度輸入抉擇模塊，抉擇模塊的各個(gè)抉擇神經(jīng)元根據(jù)輸入的各個(gè)類別的證據(jù)強(qiáng)度進(jìn)行積累，重復(fù)步驟S12～S13，當(dāng)視頻輸入完成后，選擇累積的證據(jù)強(qiáng)度超過抉擇閾值的抉擇神經(jīng)元，得到運(yùn)動(dòng)物體所屬的類別。

其中較優(yōu)地，在步驟S11中，采用遞歸最小二乘法對(duì)各類運(yùn)動(dòng)物體進(jìn)行分析，得到庫網(wǎng)絡(luò)模塊到抉擇模塊的連接權(quán)重。