[发明专利]一种基于连续吸引子神经网络的在线目标跟踪方法

权利要求书

1.一种基于连续吸引子神经网络的在线目标跟踪方法，其特征在于包括如下步骤：

S1，根据连续吸引子神经网络模型建立网络，根据网络状态调节神经元状态关键参数，使所述神经元状态关键参数在供实际跟踪使用的参数域内；

S2，接收监控图像，对当前帧做差分操作得到差分图，根据指导位置和差分图得到输入矩阵；

S3，将输入矩阵作为网络的输入，输入到建立的网络中；

S4，使网络演化时间阈值长度，得到目标的预测位置；

S5，使用目标的预测位置更新指导位置的数据，重复步骤S2～S4，在后续帧中整合目标的预测位置，对目标位置继续跟踪。

2.如权利要求1所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于在步骤S1中，根据连续吸引子神经网络模型建立网络，包括如下步骤：

S101，根据图片的像素尺寸确定网络的形态，将所述吸引子神经网络模型中的所有神经元节点均匀分布在二维矩形网格的节点处；

S102，生成神经元的描述量，包括：膜电位、发放率，并引入负反馈调节机制；

S103，按照规则生成网络联接矩阵，根据连接权重公式，初始化每一个神经元节点到网络其余节点的连接权重，建立网络。

3.如权利要求2所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于在步骤S102中，引入负反馈调节机制包括如下步骤：

在每一个神经元节点上采用微分方程得到负反馈大小V(x,t)；

其中，V(x,t)为每个神经元对自身施加的负反馈大小，U(x,t)为神经元膜电位的当前值；

将求得的负反馈大小作用在神经元膜电位的当前值上，随着时间的变化，实时调节神经元膜电位的当前值。

4.如权利要求2所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于：

在步骤S103中，所述连接权重公式为在网络中，神经元节点x连接到x′的权重满足的函数，即：

其中，J(x，x′)为在网络中位置为x的神经元节点与位置为x′的神经元节点的连接权重；a为高斯分布的方差；J₀为高斯分布的尺度因子。

5.如权利要求1所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于在步骤S1中，根据网络状态调节神经元状态关键参数，使所述节神经元状态关键参数在供实际跟踪使用的参数域内；具体包括如下步骤：

S111，为网络中的神经元状态关键参数设置初始值；

S112，确定一个神经元状态关键参数作为变化量，其他神经元状态关键参数为常量，调节网络的全局抑制因子，使得连续吸引子出现；

S113，调节负反馈调节因子，检验连续吸引子网络的移动性，改变作为变化量的神经元状态关键参数的值，确定网络为可供实际跟踪使用时，作为变化量的神经元状态关键参数的参数域；

S114，改变确定为变化量的神经元状态关键参数，重复步骤S112～S113，确定神经元状态关键参数的参数域，并将神经元状态关键参数设置在参数域内。

6.如权利要求1所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于在步骤S2中，接收监控图像，对当前帧做差分操作得到差分图，根据指导位置和差分图得到输入矩阵，包括如下步骤：

S21，读取一帧图像，转化成灰度图；

S22，若当前帧为第一帧，则保存当前帧为参考帧，返回步骤S21；否则，设当前帧为待处理帧；

S23，将待处理帧减去参考帧，得到差分图像；

S24，用矩形滤波器对差分图像进行空域均值滤波，得到滤波图像；

S25，对滤波图像进行二值化处理，得到二值图像；

S26，对二值图像进行以指导位置为中心的高斯过滤，得到输入矩阵。

7.如权利要求6所述的基于连续吸引子神经网络的在线目标跟踪方法，其特征在于：

第一次对获取的二值图像进行高斯过滤时，所述指导位置为需要跟踪的原始目标位置，随着目标移动，所述指导位置为后续用网络迭代输出的目标的预测位置。