[发明专利]一种连续图像序列中隐含信息深度学习方法

说明书

本发明涉及一种连续图像序列中隐含信息深度学习方法，包括以下步骤：⑴对杂乱无章的连续图像进行归集，将所需图像归集为待处理的图像集合；⑵通过引入层次认知模型及预设算法对图像集合进行筛选；⑶利用范畴理论的建立“模型+分析”的深度学习理论框架；⑷输出连续图像的序列分析结论。本发明围绕图像序列中隐含信息深度的表示、不变性、拓扑结构、高维特征等核心科学问题，提出“模型+分析”的深度学习理论新框架。

技术领域

本发明涉及一种连续图像序列中隐含信息深度学习方法，属于图像处理技术领域。

背景技术

从人类视觉系统而言，固定在某一时间或某一空间的静止图像被视为静态图像。然而，外部世界是不断发展和动态变化的，若将同一空间（或时间）内、不同时间（或空间）的在内容和顺序上紧密关联的图像收集在一起，则构成了一个图像序列 (Image Sequence)。连贯的视频就是一个典型的图像序列例子，因为视频中的连续帧对应的图像构成了典型的图像序列，例如人体运动轨迹、图像内容的连续变化（如某一事件的发展过程）等。此外，一个人从婴儿时期到儿童时期，再到青少年时期，最后到中老年时期的各个成长阶段的照片也构成了一个典型的图像序列，其中蕴含了一个人的许多显性与隐性信息，例如年龄增长造成的外表变化、思维方式变化或性格特征等。由于图像序列中包含的信息繁多且过于复杂，特别是隐藏的深度信息或知识，使得对图像序列中的深度信息进行有效和高效的理解与认知是一个有价值的同时也是非常困难的研究课题。从人脑认知目标或对象的角度来说，人脑具有一个复杂的深度结构，认知对象的过程是逐层进行的、逐步抽象化的，即首先学习简单的概念，然后用他们去表示更抽象的概念。为了模仿人脑的层次思维方式来有效解释或理解目标对象，例如视频中的图像序列，声音序列或文本序列等，深度学习 (DeepLearning) 的概念于 2006 年由 Hinton 等研究学者提出。深度学习是传统机器学习研究中的一个新的分支，其主要目标或动机在于探索“外部世界-感知系统-认知系统-输出表示”的学习新模式，充分建立、模拟人脑进行深层次知识学习和分析的多层神经网络模型，通过组合低层特征形成更加抽象的高层表示属性类别或特征，进而发现数据的分布式特征表示，用于后续的图像处理过程。

图像序列是人类认知外部世界的基本对象，如何像人脑一样对图像序列中隐含信息进行快而准的表示、理解、学习、分析和挖掘是人们长期追求的目标。深度学习是一种新的学习范式，利用该方法解决图像序列隐含信息的深度问题将成为一种趋势。

发明内容

本发明所要解决的技术问题是，克服现有技术的缺点，提供一种连续图像序列中隐含信息深度学习方法，针对图像序列中隐含信息深度的有效表示、优化、理解、学习、分析、挖掘等核心科学问题，结合人脑的层次认知机理，提出“模型+分析”的深度学习方法。

为了解决以上技术问题，本发明提供一种连续图像序列中隐含信息深度学习方法，包括以下步骤：

(1)对杂乱无章的连续图像进行归集，将所需图像归集为待处理的图像集合；

(2)通过引入层次认知模型及预设算法对图像集合进行筛选；

(3)利用范畴理论的建立“模型+分析”的深度学习理论框架；

(4)输出连续图像的序列分析结论。

本发明进一步限定的技术方案是：前述的连续图像序列中隐含信息深度学习方法，所述范畴理论包括图像序列特征的范畴、图像序列隐含信息深度特征不变性的李群子范畴、图像序列隐含信息深度特征拓扑结构的张量子范畴以及图像序列隐含信息深度特征维数的纤维丛子范畴。

前述的连续图像序列中隐含信息深度学习方法，所述建立“模型+分析”的深度学习理论框架是将每一个学习问题用n个表达式来表示，其中n=1，2，…，而每个表达式又是一种数据结构，这些数据结构的集合构成一个子范畴，进而对学习问题形成一个抽象的结构，进一步充分利用范畴理论知识建立“模型+分析”的深度学习理论框架。