[发明专利]一种基于脉冲神经网络的类脑目标跟踪方法

说明书

本发明提出了一种基于脉冲神经网络的类脑目标跟踪方法。本发明构建的目标检测模型由基础网络和不同的叠加卷积层组成：基础网络即脉冲神经网络，对输入图像进行特征提取；之后叠加的不同卷积层可获得多尺度的检测特征图，大尺度特征图用于对小物体的检测，小尺度特征图对大物体进行检测。基于该目标检测模型最终输出为目标坐标位置和置信概率，并采用PID控制实现移动端对目标实现跟踪。本发明的有益效果是：与传统的目标检测模型相比，采用基于LIF神经元的脉冲神经网络作为基础网络，使得目标检测模型具有更好的生物合理性。

技术领域

本发明涉及目标跟踪领域，特别涉及一种基于脉冲神经网络的类脑目标跟踪方法。

背景技术

近年来，随着人工智能技术的不断发展，目标跟踪技术因此取得了进一步的进展，在工业、医疗、家居、交通等方面广泛应用。有效的目标检测模型对于目标跟踪技术至关重要，目标检测模型主要通过对输入图像进行目标检测并输出检测目标的位置坐标等信息，其次通过运动控制算法实现移动端对目标的跟踪。

当下，深度学习在目标跟踪领域应用广泛，其中Faster R-CNN、SSD和YOLO等传统的目标检测模型较为常见。虽然这些目标检测模型利用深度神经网络能够实现对输入图像的目标检测，但是该深度神经网络不具备较好的生物合理性，进而存在计算量大、功耗较高和过度依赖GPU等硬件加速平台等限制条件，进而导致目标检测速度较慢、准确率不够高。

目前，脉冲神经网络因其更加符合生物脑的结构特征，具有较好的生物合理性等优势受到研究者们的广泛关注，因此将脉冲神经网路与传统的目标检测模型结合形成更加具有生物可释性的类脑目标检测模型具有更加广阔的研究前景。

发明内容

本发明的目的在于克服传统的目标检测算法具有较低的生物可释性等缺陷，与脉冲神经网络结合，提出一种基于LIF脉冲神经元的类脑目标跟踪方法。该方法使得目标检测模型具有更好的生物合理性，使得目标跟踪方法更加有效。

该目标检测算法实质上是用一个矩形框来定位，并判断分类矩形框中的物体。定位为用一个矩形框框定物体，并标示出矩形框左上角和右下角顶点，进而识别矩形框中的最大物体。该算法使用宽高比例不同、大小不同的默认识别框来切割并覆盖整个图像，并对不同矩形框中的图像内容进行单目标检测，最后汇总对整个图像的物体识别情况。并对图像中检测到的每个物体标示其置信度和识别框左上角及右下角顶点坐标。在该目标检测模型中，基础网络为脉冲神经络，主要用于对输入图像进行特征提取，在基础网络之后设置了不同的卷积层，这是为了获得多尺度的检测特征图(feature map)，因此可预测不同尺度和高宽比的默认识别框及其相关类别概率，最终通过非最大抑制步骤来产生最终结果。最后基于目标的坐标信息进行PID控制，来实现移动端的目标跟踪。

为了解决上述技术问题，本发明采用的技术方案是：一种基于脉冲神经网络的类脑目标跟踪方法，包括步骤：

S1、输入图像：由摄像头组件输入待跟踪目标图像；

S2、目标检测模型对输入图像进行目标检测：

首先利用基础网络脉冲神经网络对输入图像进行特征提取，形成检测特征图之后添加不同尺度卷积层进行多尺度检测；

S3、输出坐标位置信息：由S2步骤产生的不同尺度的检测特征图进行多尺度的默认识别框预测，利用softmax对预测的默认识别框类别进行分类，边界回归获得真实目标的位置信息并输出待跟踪目标识别框的左上角和右下角顶点坐标和置信度；

S4、目标跟踪：根据S3步骤得到的目标位置信息，基于PID控制改变移动端的运动状态，进而实现目标跟踪。

步骤S1所述脉冲神经网络的基本单元采用LIF神经元，LIF神经元动态模型为具有更好的生物合理性，使得对输入图像进行有效提取。