[发明专利]基于生物大脑认知和抉择机理的运动物体识别方法及系统

说明书

本发明公开了一种基于生物大脑认知和抉择机理的运动物体识别方法及其系统。其中，该方法包括如下步骤：S11，通过对各类运动物体进行分析，得到库网络模块到抉择模块的连接权重；S12，将运动物体的视频按单帧输入到库网络模块中，将低维的输入信号投影至高维的库网络活动空间，获得任意时刻库网络活动的向量；S13，计算运动物体所属各个类别的证据强度；S14，将证据强度输入抉择模块，抉择模块的各个抉择神经元根据输入的各个类别的证据强度进行积累，重复S12～S13，视频输入完成后，选择累积的证据强度超过抉择阈值的抉择神经元，得到运动物体所属的类别。该方法引入网络动力学使得抉择模块能够持续整合时间和空间上的信息，提高运动物体识别的准确性。

技术领域

本发明涉及一种运动物体识别方法，尤其涉及一种基于生物大脑认知和抉择机理的运动物体识别方法，同时涉及相应的运动物体识别系统，属于运动物体识别技术领域。

背景技术

物体识别一直是人工智能的研究热点，是众多人工智能应用的理论基础，其成果在社会的诸多领域，如图像分析、智能监控、无人驾驶等，都具有重要的应用价值。近年来，简单模仿视觉通路等级结构的人工神经网络算法-“深度学习”，已经在静止、规范化的图像识别上取得了巨大成功，甚至在超大数据集上的准确率达到或者超过人类。

但到目前为止，人工智能最优算法在运动物体识别方面的表现还差强人意，远远落后于人类。究其原因，这是因为当前的深度神经网络缺乏对时间域信息进行有效处理的机制。虽然目前存在RNN(recurrent neural network，即互馈神经网络)以及各种拓展的模型，但是这些模型仍有诸多局限性，训练时也有各种各样问题。比如最原始的互馈神经网络因为训练时的梯度消失或者梯度爆炸的问题很难直接应用。从互馈神经网络拓展出的一些模型，比如现在处理时序相关信息常用的LSTM(长短期记忆网络)模型，虽然LSTM模型在一些场景上取得了较好的应用，但是存在着算法复杂，并且整合时间域上的信息长度有限的问题。现有的深度学习模型在处理时序相关的任务时表现明显不如处理静态输入时有效。

而在一些当前人工智能领域具有代表性的运动物体识别或者动作识别数据集上，表现较好的模型基本都尝试通过卷积神经网络提取视频每帧静态图片的特征信息，加上LSTM模型或者融合视频的光流信息,以期能得到较好的时空信息的整合。但是这些模型都缺少对于时间域上的信息进行显式的整合的过程。

发明内容

针对现有技术的不足，本发明所要解决的首要技术问题在于提供一种基于生物大脑认知和抉择机理的运动物体识别方法。

本发明所要解决的另一技术问题在于提供一种基于生物大脑认知和抉择机理的运动物体识别系统。

为实现上述发明目的，本发明采用下述的技术方案：

根据本发明实施例的第一方面，提供一种基于生物大脑认知和抉择机理的运动物体识别方法，包括如下步骤：

S11，通过对各类运动物体进行分析，得到库网络模块到抉择模块的连接权重；所述抉择模块根据连接权重对输入信号进行证据强度的累积，并作出类别判断；

S12，将运动物体的视频按单帧输入到库网络模块中，将低维的输入信号投影至高维的库网络活动空间，获得任意时刻库网络活动的向量；

S13，通过任意时刻库网络活动的向量以及库网络活动到抉择模块的连接权重，得到运动物体所属各个类别的证据强度；

S14，将运动物体所属各个类别的证据强度输入抉择模块，抉择模块的各个抉择神经元根据输入的各个类别的证据强度进行积累，重复步骤S12～S13，当视频输入完成后，选择累积的证据强度超过抉择阈值的抉择神经元，得到运动物体所属的类别。

其中较优地，在步骤S11中，采用递归最小二乘法对各类运动物体进行分析，得到库网络模块到抉择模块的连接权重。