[发明专利]一种面向视频分析的多层神经网络模型

说明书

本发明公开了一种面向视频分析的多层神经网络模型，涉及视频分析领域，多层神经网络模型由多个神经元连接在一起构成多层网络，包括采集输入层、提取层、筛选处理层和全连接层；通过多个提取层提取视频数据中的特征向量，多个筛选处理层分别对提取的多个特征向量进行进一步地筛选处理，最后通过全连接层进行最后的分类，通过激活函数用于建立各层之间的连接关系并通过训练算法不断改进网络参数，提高视频数据中目标的识别率，为网络模型的设计、训练算法的选择提供新思路，可广泛用于视频分析领域。

技术领域

本发明涉及视频分析领域，尤其涉及一种面向视频分析的多层神经网络模型。

背景技术

神经网络在系统辨识、模式识别、智能控制等领域有着广泛而吸引人的前景，特别在智能控制中，人们对神经网络的自学习功能尤其感兴趣，并且把神经网络这一重要特点看作是解决自动控制中控制器适应能力这个难题的关键钥匙之一，模拟人类实际神经网络的数学方法问世以来，人们已慢慢习惯了把这种人工神经网络直接称为神经网络，但由于该技术目前还处于起步阶段，许多模型还处于丰富和完善中，目前能够投入实际应用的模型还不够多，但是市场上还没有性能稳定的面向视频分析的多层神经网络模型。

发明内容

本发明的目的就在于为了解决上述问题设计了一种面向视频分析的多层神经网络模型。

本发明通过以下技术方案来实现上述目的：

一种面向视频分析的多层神经网络模型，由多个神经元连接在一起构成多层网络，多层神经网络模型包括：

多个用于采集输入视频数据的采集输入层；

多个提取层，多个提取层与多个采集输入层一一对应连接，提取层用于提取视频数据中的特征向量；

多个筛选处理层，多个筛选处理层与多个提取层一一对应连接，每个筛选处理层对特征向量进行采集样本筛选处理，得到样本特征向量；

用于对多个样本特征向量进行最后分类的全连接层，提取层、筛选处理层和全连接层之间通过激活函数连接在一起。

进一步地，其中神经元的模型表达式为：Y_i＝f(U_i)、其中Y_i为x神经元的输出，f(U_i)为激活函数，w表示第i个输入的权重，θ表示x神经元的阈值。

进一步地，激活函数使用ReLU函数作为激活函数。

进一步地，采集输入层为网络摄像机，网络摄像机的信号端与提取层的信号端连接。

本发明的有益效果在于：通过多个提取层提取特征向量，多个筛选处理层分别对提取的多个特征向量进行进一步地筛选处理，最后通过全连接层进行最后的分类，通过激活函数用于建立各层之间的连接关系并通过训练算法不断改进网络参数，提高视频数据中目标的识别率，为网络模型的设计、训练算法的选择提供新思路，可广泛用于视频分析领域。

附图说明

图1是本发明一种面向视频分析的多层神经网络模型的流程图；

图2是本发明一种面向视频分析的多层神经网络模型中神经元的结构模型图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。