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技术方案

本发明专利技术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。

Motion Object Recognition Method and System Based on Biological Brain Cognition and Decision Mechanism

The invention discloses a moving object recognition method and system based on the cognitive and decision mechanism of biological brain. Among them, the method includes the following steps: S11, through the analysis of various moving objects, get the connection weight of the library network module to the decision module; S12, input the video of moving objects into the library network module according to a single frame, project the low-dimensional input signal to the high-dimensional library network activity space, obtain the library network activity vector at any time, calculate the moving object location; In S14, the evidence intensity is input into the decision module, and each decision neuron of the decision module accumulates according to the evidence intensity of each input category. Repeat S12-S13. After the video input is completed, select the decision neuron whose cumulative evidence intensity exceeds the decision threshold to get the category of the moving object. By introducing network dynamics, the decision module can continuously integrate temporal and spatial information and improve the accuracy of moving object recognition.

【技术实现步骤摘要】
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
本专利技术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

技术介绍
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(recurrentneuralnetwork，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，虽然本文档来自技高网...

【技术保护点】
1.一种基于生物大脑认知和抉择机理的运动物体识别方法，其特征在于包括如下步骤：S 11，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；S 12，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；S 13，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；S 14，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S 12～S 1...

【技术特征摘要】
1.一种基于生物大脑认知和抉择机理的运动物体识别方法，其特征在于包括如下步骤：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。2.如权利要求1所述的基于生物大脑认知和抉择机理的运动物体识别方法，其特征在于：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。3.如权利要求2所述的基于生物大脑认知和抉择机理的运动物体识别方法，其特征在于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，包括如下步骤：S111，获取库网络模块当前输入对应的对外输出的目标函数；S112，对于第i个抉择神经元，获得任一时刻库网络模块对外输出的实际函数；所述输出的实际函数用库网络模块的状态及其到抉择模块的连接权重表示；S113，以第i个抉择神经元的输出的实际函数和第i个抉择神经元的目标函数的差值最小为目标，通过递归最小二乘法得到当前时刻库网络模块到第i个抉择模块的连接权重，i＝1,2,……N；S114，采用不同类别的运动物体作为输入，重复步骤S112～S114，直至得到库网络模块到抉择模块的每个抉择神经元的连接权重，即得到库网络模块到抉择模块的连接权重。4.如权利要求1所述的基于生物大脑认知和抉择机理的运动物体识别方法，其特征在于步骤S12包括如下步骤：获取运动物体的视频，以帧为单位逐一输入到库网络模块中；将单帧输入信号投影至高维的库网络活动空间，获得输入信号对应的任意时刻库网络活动的向量。5.如权利要求4所述的基于生物大脑认知和抉择机理的运动物体识别方法，其特征在于：获得输入信号对应的任意时刻库网络活动的向量xt，采用如下公式：其中，是表示前馈输入和互馈输入WrXt-1的相互关系函数；为t时刻的输入；Win为输入的权重矩阵；Wr为库网络模块中神经元的连接权重。6.如权利要求1所述的基于生物大脑认知和抉择机理的运动物体识别方法，其特征在于：库网络...

【专利技术属性】
技术研发人员：弭元元，林小涵，吴思，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：北京,11