(浙江交通職業(yè)技術(shù)學(xué)院機(jī)電與航空學(xué)院，浙江 杭州311112)

0 引 言

機(jī)器視覺技術(shù)具有快速、精確、直觀、穩(wěn)定等諸多優(yōu)點(diǎn)，在工業(yè)、農(nóng)業(yè)、交通、醫(yī)學(xué)等各種重要領(lǐng)域有著非常廣泛的應(yīng)用。目前對(duì)機(jī)器視覺應(yīng)用的需求越來越多，針對(duì)物體識(shí)別的機(jī)器視覺應(yīng)用已經(jīng)成為熱門。目前普遍采用的傳統(tǒng)物體識(shí)別框架為先訓(xùn)練，后識(shí)別，訓(xùn)練和識(shí)別過程分開進(jìn)行[1-3]，訓(xùn)練和識(shí)別分離的框架有一定的局限性，針對(duì)新物體和變化的環(huán)境，需重新訓(xùn)練，適應(yīng)性差，實(shí)時(shí)性低，自主學(xué)習(xí)能力弱，這些問題限制了識(shí)別系統(tǒng)智能的進(jìn)一步提高。針對(duì)這些問題，研究人員提出的在線識(shí)別框架在一定程度上解決了以上問題，但仍然有不少困難。文獻(xiàn)[4]將增量學(xué)習(xí)向量量化算法和在線向量量化算法結(jié)合，提出一種針對(duì)在線物體識(shí)別的算法，在3 h 內(nèi)針對(duì)50個(gè)物體的分層特征進(jìn)行了在線學(xué)習(xí)識(shí)別。但該方法存在特征提取維度高，計(jì)算量大的缺點(diǎn)。文獻(xiàn)[5-7]在特征提取上采用主成分分析方法，較好壓縮數(shù)據(jù)量，計(jì)算開銷降低，但容易丟失部分重要信息，因此，提出一種既能保證識(shí)別精確性又能保證計(jì)算實(shí)時(shí)性的在線識(shí)別算法能很大程度改進(jìn)上述問題。本文提出一種基于自適應(yīng)仿生網(wǎng)絡(luò)的識(shí)別算法，算法通過多層神經(jīng)網(wǎng)絡(luò)模擬人類記憶結(jié)構(gòu)，將學(xué)習(xí)到的物體知識(shí)存儲(chǔ)之網(wǎng)絡(luò)節(jié)點(diǎn)，使得系統(tǒng)可在線學(xué)習(xí)新的陌生物體。

1 自適應(yīng)仿生神經(jīng)網(wǎng)絡(luò)

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

目前大多數(shù)分類器或者學(xué)習(xí)算法以離線學(xué)習(xí)為主，而非在線形式。針對(duì)非特定物體的在線識(shí)別，需要根據(jù)不同類別的樣本進(jìn)行自主調(diào)整、增加樣本知識(shí)。文獻(xiàn)[8]提出一種可變結(jié)構(gòu)的自組織網(wǎng)絡(luò)，該網(wǎng)絡(luò)可針對(duì)一般分布的數(shù)據(jù)進(jìn)行無監(jiān)督的在線和增量式的學(xué)習(xí)，調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)和權(quán)值，具有較好的抗噪能力。該網(wǎng)絡(luò)符合在線識(shí)別中可自適應(yīng)調(diào)整學(xué)習(xí)類別的要求，且在結(jié)構(gòu)上模擬了人類記憶結(jié)構(gòu)，因此適用于非特定物體在線識(shí)別。

自適應(yīng)仿生神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與學(xué)習(xí)過程如圖1所示，需要識(shí)別的樣本物體圖片作為網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)分3層，第一層輸入層后，經(jīng)過兩個(gè)競爭層，在第二競爭層中生成聚類，以節(jié)點(diǎn)形式存儲(chǔ)和分類物體類別，即知識(shí)，并且該網(wǎng)絡(luò)節(jié)點(diǎn)結(jié)構(gòu)可隨著增量的外部識(shí)別類別而增加調(diào)整，實(shí)現(xiàn)自適應(yīng)的在線識(shí)別物體的目的。其中網(wǎng)絡(luò)核心競爭原理的數(shù)學(xué)描述為其中，x為輸入模式，wj為神經(jīng)元j的權(quán)值向量，?定義了神經(jīng)網(wǎng)絡(luò)，滿足該條件的神經(jīng)元i為競爭獲勝神經(jīng)元。

圖1 自適應(yīng)仿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

1.2 學(xué)習(xí)與識(shí)別流程

根據(jù)網(wǎng)絡(luò)學(xué)習(xí)原理，自適應(yīng)仿生網(wǎng)絡(luò)的學(xué)習(xí)與識(shí)別算法流程如下。

符號(hào)定義:ξ為新樣本，l為網(wǎng)絡(luò)節(jié)點(diǎn)，Wc為節(jié)點(diǎn)權(quán)值向量，ε1(t)是勝者節(jié)點(diǎn)權(quán)值學(xué)習(xí)率，ε2(t)是勝者近鄰節(jié)點(diǎn)權(quán)值學(xué)習(xí)率，ΔW為權(quán)值更新量，E為節(jié)點(diǎn)積累誤差，A為網(wǎng)絡(luò)節(jié)點(diǎn)集合。

1)自適應(yīng)仿生網(wǎng)絡(luò)輸入新物體圖片樣本ξ;

4)計(jì)算輸入信號(hào)與勝者節(jié)點(diǎn)的歐氏距離，并進(jìn)一步計(jì)算積累誤差

5)獲得當(dāng)前物體樣本的類別判斷，如果是新類，那么在網(wǎng)絡(luò)中新增類別向量，作為新學(xué)習(xí)知識(shí);如果是已學(xué)習(xí)類別，那么作出識(shí)別判斷;

6)若達(dá)到學(xué)習(xí)次數(shù)的閾值LT，則輸出類別數(shù)和類別;

7)返回步驟1，新樣本繼續(xù)輸入，進(jìn)行下一步的學(xué)習(xí)與識(shí)別。

2 實(shí)驗(yàn)與討論

實(shí)驗(yàn)使用150個(gè)物體樣本進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)比較本文方法與傳統(tǒng)框架的PCA 方法進(jìn)行物體識(shí)別的效果，主要比較識(shí)別率和識(shí)別時(shí)間，以及對(duì)新物體進(jìn)行學(xué)習(xí)的系統(tǒng)擴(kuò)展能力。

實(shí)驗(yàn)結(jié)果識(shí)別率比較如圖2所示。對(duì)本文算法和傳統(tǒng)PCA 方法采用不同的學(xué)習(xí)方式，本文算法由于有在線學(xué)習(xí)能力，采用在線遞增新樣本方式，傳統(tǒng)PCA 方法每次學(xué)習(xí)固定的樣本數(shù)，每次增添新樣本，則重新批量學(xué)習(xí)。隨著學(xué)習(xí)次數(shù)的增加，每次學(xué)習(xí)為在線學(xué)習(xí)新物體，本文方法識(shí)別率能隨著學(xué)習(xí)過程不斷提高，而傳統(tǒng)PCA 每次批量學(xué)習(xí)后的識(shí)別率固定不變，可見本文方法具有對(duì)新物體的自適應(yīng)能力，在前100個(gè)樣本的學(xué)習(xí)過程中，但隨著樣本的增多，識(shí)別率得到逐步改善，但識(shí)別率比傳統(tǒng)方法略低，在樣本數(shù)從100 增加到150的學(xué)習(xí)過程中，本文方法的識(shí)別率開始好于傳統(tǒng)PCA 方法，可見，本文方法在對(duì)新樣本的適應(yīng)性和識(shí)別率方面，經(jīng)過不斷學(xué)習(xí)，都好于傳統(tǒng)PCA 方法。

圖2 實(shí)驗(yàn)結(jié)果識(shí)別率比較

同時(shí)，在識(shí)別時(shí)間上的比較如圖3所示?？梢?，本文算法能維持在一定的時(shí)間上，不會(huì)因?yàn)闃颖镜脑黾佣黾?，?shí)現(xiàn)較好的實(shí)時(shí)性。因此，采用本文提出的基于自適應(yīng)仿生網(wǎng)絡(luò)在線識(shí)別算法進(jìn)行物體的在線識(shí)別，可以使得識(shí)別在線進(jìn)行，知識(shí)得到不斷更新，遇到新情況不需要重新學(xué)習(xí)。隨著知識(shí)在線積累，識(shí)別系統(tǒng)有更好的可擴(kuò)展性、適應(yīng)性和魯棒性。

圖3 實(shí)驗(yàn)識(shí)別時(shí)間比較

3 結(jié)束語

本文針對(duì)傳統(tǒng)識(shí)別框架不能適應(yīng)新物體，造成可擴(kuò)展性、實(shí)時(shí)性、適應(yīng)性差的問題，提出一種基于自適應(yīng)仿生網(wǎng)絡(luò)的識(shí)別算法，以多層神經(jīng)網(wǎng)絡(luò)模擬人類記憶結(jié)構(gòu)，使得系統(tǒng)可在線學(xué)習(xí)新的陌生物體。本文的研究能有效改變傳統(tǒng)識(shí)別框架帶來的局限，能夠在線識(shí)別非特定的多種物體。通過算法建立一種在線的非特定物體識(shí)別框架，在一定程度上拓展了圖像識(shí)別算法的傳統(tǒng)框架，為進(jìn)一步提高系統(tǒng)智能提供了一種思路。當(dāng)然本文算法也存在一定的問題，如相比傳統(tǒng)訓(xùn)練再分類方法，該方法在線存儲(chǔ)節(jié)點(diǎn)方式，需要耗費(fèi)內(nèi)存，需要在今后的研究中提出新的解決思路，降低內(nèi)存消耗。

[1]Je H，Kim J，Kim D.Hand gesture recognition to understand musical conducting action[C]//Robot and Human interactive Communication，2007.RO-MAN 2007.The 16th IEEE International Symposium on.IEEE，2007:163-168.

[2]Fang Y，Wang K，Cheng J，et al.A real-time hand gesture recognition method[C]//Multimedia and Expo，2007 IEEE International Conference on.IEEE，2007:995-998.

[3]Bosch A，Zisserman A，Muoz X.Scene classification using a hybrid generative/discriminative approach[J].Pattern Analysis and Machine Intelligence，IEEE Transactions on，2008，30(4):712-727.

[4]Kirstein S，Wersing H，K?rner E.A biologically motivated visual memory architecture for online learning of objects[J].Neural Networks，2008，21(1):65-77.

[5]Ozawa S，Pang S，Kasabov N..A Modified Incremental Principal Component Analysis for On-line Learning of Feature Space and Classifier[J].Trends in Artificial Intelligence，2004:231-240.

[6]Jiang X，Motai Y.Learning by observation of robotic tasks using on-line pca-based eigen behavior[C]//Computational Intelligence in Robotics and Automation，2005.CIRA 2005.Proceedings.2005 IEEE International Symposium on.IEEE，2005:391-396.

[7]Artac M，Jogan M，Leonardis A.Incremental PCA for on-line visual learning and recognition[C]//Pattern Recognition，2002.Proceedings.16th International Conference on.IEEE，2002，3:781-784.

[8]Furao S，Hasegawa O.An incremental network for on-line unsupervised classification and topology learning[J].Neural Networks，2006，19(1):90-106.