卷積神經(jīng)網(wǎng)絡(luò)的一般步驟精選(九篇)

前言：一篇好文章的誕生，需要你不斷地搜集資料、整理思路，本站小編為你收集了豐富的卷積神經(jīng)網(wǎng)絡(luò)的一般步驟主題范文，僅供參考，歡迎閱讀并收藏。

第1篇：卷積神經(jīng)網(wǎng)絡(luò)的一般步驟范文

2. 應(yīng)用領(lǐng)域安防

實(shí)時(shí)從視頻中檢測(cè)出行人和車輛。

自動(dòng)找到視頻中異常的行為（比如，醉酒的行人或者逆行的車輛），并及時(shí)發(fā)出帶有具體地點(diǎn)方位信息的警報(bào)。

自動(dòng)判斷人群的密度和人流的方向，提前發(fā)現(xiàn)過密人群帶來的潛在危險(xiǎn)，幫助工作人員引導(dǎo)和管理人流。

醫(yī)療

對(duì)醫(yī)學(xué)影像進(jìn)行自動(dòng)分析的技術(shù)。這些技術(shù)可以自動(dòng)找到醫(yī)學(xué)影像中的重點(diǎn)部位，并進(jìn)行對(duì)比比分析。

通過多張醫(yī)療影像重建出人體內(nèi)器官的三維模型，幫助醫(yī)生設(shè)計(jì)手術(shù)，確保手術(shù)

為我們每個(gè)人提供康建議和疾病風(fēng)險(xiǎn)預(yù)警，從而讓我們生活得更加健康。

智能客服

智能客服可以像人一樣和客戶交流溝通。它可以聽懂客戶的問題，對(duì)問題的意義進(jìn)行分析（比如客戶是詢問價(jià)格呢還是咨詢產(chǎn)品的功能呢），進(jìn)行準(zhǔn)確得體并且個(gè)性化的回應(yīng)。

自動(dòng)駕駛

現(xiàn)在的自動(dòng)駕駛汽車通過多種傳感器，包括視頻攝像頭、激光雷達(dá)、衛(wèi)星定位系統(tǒng)（北斗衛(wèi)星導(dǎo)航系統(tǒng)BDS、全球定位系統(tǒng)GPS等）等，來對(duì)行駛環(huán)境進(jìn)行實(shí)時(shí)感知。智能駕駛系統(tǒng)可以對(duì)多種感知信號(hào)進(jìn)行綜合分析，通過結(jié)合地圖和指示標(biāo)志（比如交通燈和路牌），實(shí)時(shí)規(guī)劃駕駛路線，并發(fā)出指令，控制車子的運(yùn)行。

工業(yè)制造

幫助工廠自動(dòng)檢測(cè)出形態(tài)各異的缺陷

3. 概念什么是人工智能？

人工智能是通過機(jī)器來模擬人類認(rèn)知能力的技術(shù)。

人工智能的三種訓(xùn)練方式分別是監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。下文會(huì)一一介紹。

二、這是不是鸞尾花（分類器）1. 特征提取人類感官特征

花瓣數(shù)量、顏色

人工設(shè)計(jì)特征

先確定哪些特征，再通過測(cè)量轉(zhuǎn)化為具體數(shù)值

深度學(xué)習(xí)特征

這里先不提及，文章后面會(huì)說

2. 感知器

老師給了一道題：

要區(qū)分兩種鸞尾花，得畫出一條直線區(qū)分兩類花，你可以畫出無數(shù)條直線，但是哪條才是最好的呢？

怎么辦呢？我可是學(xué)渣啊，靠蒙！

隨便找三個(gè)數(shù)a=0.5、b=1.0、c=-2 帶入 y = ax[1] + bx[2] + c，

每朵花的兩個(gè)特征也代入x[1]、x[2]，比如帶入(4， 1) 得出 y[預(yù)測(cè)] = 1，此時(shí) y[實(shí)際] = 1 （樣本設(shè)定變色鸞尾花為 1，山鸞尾為 -1 ），所以y[實(shí)際] – y[預(yù)測(cè)] = 0.

重復(fù)以上兩步，得出所有的『實(shí)際值和預(yù)測(cè)值的差距的綜合，記為 Loss1

可怎么知道是不是最優(yōu)的直線呢？繼續(xù)猜啊！繼續(xù)懵！像猜世界杯一樣猜就好了。

通過沿 y = ax[1] + bx[2] + c 梯度（梯度就是求導(dǎo)數(shù)，高中有學(xué)的！）下降的方向繼續(xù)猜數(shù)字，具體過程大概是這樣子的：

上述所屬的實(shí)際值和預(yù)測(cè)值的差距 實(shí)際上是一種損失函數(shù)，還有其他的損失函數(shù)，比如兩點(diǎn)間直線距離公式，余弦相似度公式等等可以計(jì)算預(yù)測(cè)結(jié)果和實(shí)際結(jié)果之間的差距。

劃重點(diǎn)：損失函數(shù)就是現(xiàn)實(shí)和理想的差距（很殘酷）

3. 支持向量機(jī)

*判斷依據(jù)的區(qū)別也導(dǎo)致了損失函數(shù)的不同（但依舊是猜）

直觀的說，縫隙（上圖的分類間隔）越大越好

4. 多分類

如果有多種花怎么辦？

一趟植物課上，老師請(qǐng)來了牡丹鑒別專家、荷花鑒別專家、梅花鑒別專家。老師拿出了一盤花給各個(gè)專家鑒定，牡丹角色這是牡丹的概率是0.013、荷花專家角色這是荷花的概率是0.265、梅花專家角色這是梅花的概率是0.722。

老師綜合了各位專家的意見后，告訴同學(xué)們，這是一盤梅花。

小明：這老師是不是傻，一朵花是啥都不知道，還要請(qǐng)三個(gè)專家

老師：你給我滾出去

實(shí)際計(jì)算過程就是通過用 2.2 和 2.3 等方法訓(xùn)練的二分類器，分別輸出對(duì)應(yīng)的分類值（比如三種花的分類器分別輸出-1，2，3），那怎么把這些分類值轉(zhuǎn)化成概率呢？這就要用到歸一化指數(shù)化函數(shù) Softmax（如果是二分類就用 Sigmoid函數(shù)），這里就不拿公式來說，可以直觀的看看書中這個(gè)表格就懂了：

5. 非監(jiān)督學(xué)習(xí)第 2.2 能從預(yù)測(cè)值和實(shí)際值的差別判斷”是否猜對(duì)了”，是因?yàn)樯锢蠋煾嬖V了學(xué)渣，哪些樣本是山鸞尾花，哪些變色鸞尾花。但如果老師連樣本實(shí)際的類別也不告訴學(xué)渣（非監(jiān)督式學(xué)習(xí)），學(xué)渣不知道樣本分別是什么花。

那該怎么辦呢？

機(jī)器學(xué)習(xí)的入門課程總是在講鸞尾花，也是夠煩的。

這里我們換個(gè)場(chǎng)景：

假如你是某直播老板，要找一堆小主播，這時(shí)候你有一堆應(yīng)聘者，然而你只有她們的胸圍和臀圍數(shù)據(jù)。一堆8份簡(jiǎn)歷擺在你面前，你是不知道哪些更加能干( capable啊 ! ) 的，更能吸引粉絲。你也沒空全部面試，那應(yīng)該怎么挑選呢？

這時(shí)候你把她們的胸圍和臀圍都標(biāo)準(zhǔn)在一張二維坐標(biāo)圖上：

這是你隨手一劃，把她們分成兩組，可以說“聚成兩類了”。

用某種計(jì)算方式（比如平均值）找到這個(gè)聚類的中心。點(diǎn)離聚類中心越近，代表越相似。

求出每個(gè)聚類中的點(diǎn)到藍(lán)色聚類中心點(diǎn)和黃色聚類中心的距離

如果一個(gè)點(diǎn)離黃色聚類中心更近卻被你隨手劃到了藍(lán)色分組（上圖用紅色邊框標(biāo)出的小方塊），那么就把它劃入黃色分組。

這時(shí)因?yàn)榉纸M范圍和分組內(nèi)包含哪些小姐姐都發(fā)生了變化。這時(shí)候你需要以 步驟3 的方法重新計(jì)算聚類的中心

重復(fù)步驟 4 （算點(diǎn)中心距離）-> 重復(fù)步驟 5 （調(diào)整黃色小姐姐們和藍(lán)色小姐姐們）-> 重復(fù)步驟 3 （算中心），一直循環(huán)這個(gè)過程直到藍(lán)色和黃色聚類下所包含的小姐姐不再發(fā)生變化。那么就停止這一循環(huán)。

至此，小姐姐們已經(jīng)被分為兩大類。你可以得出兩類小姐姐：

計(jì)算機(jī)在沒有監(jiān)督的情況下，成功把小姐姐們分成兩類，接下來就可以在把兩種主播各投放2個(gè)到平臺(tái)看看誰更能干。效果更好的，以后就以那個(gè)聚類的樣本特征擴(kuò)充更多能干的主播。

小明：有什么了不起的，我一眼就能看出黃色小姐姐更能干

老師：你給我滾出去

上面聚類小姐姐的算法就叫做 K 鄰近算法，K 為要聚類的數(shù)量（這需要人工指定），上述例子 K=2.那么如果分成三類就是 K=3，訓(xùn)練過程可以看下圖，有個(gè)直觀的了解：

三、這是什么物品（圖像識(shí)別）1. 特征提取人類感官特征

花瓣顏色、花瓣長(zhǎng)度、有沒有翅膀（區(qū)分貓和小鳥）、有沒有嘴巴和眼睛（飛機(jī)和小鳥）

感官的特征通過量化得到顏色（RGB值）、邊緣（圓角、直角、三角）、紋理（波浪、直線、網(wǎng)格）數(shù)值特征

人工設(shè)計(jì)特征

深度學(xué)習(xí)特征

通過卷積提取圖像特征

劃重點(diǎn)：卷積的作用就是提取圖像有用信息，好比微信把你發(fā)出的圖片壓縮了，大小變小了，但是你依舊能分辨出圖像的主要內(nèi)容。

1維卷積 1*5+2*4+3*3=22、1*4+2*3+3*2=16、1*3+2*2+3*1=10

2維卷積 1*2+3*0+2*4+4*2=28…

通過卷積就可以得到圖像的特征信息，比如邊緣

垂直邊緣檢測(cè)

水平邊緣檢測(cè)

方向梯度直方圖

2. 深度學(xué)習(xí)和傳統(tǒng)模式分類的區(qū)別既然有傳統(tǒng)模式分類，為什么還要神經(jīng)網(wǎng)絡(luò)呢？

區(qū)別就在于傳統(tǒng)的模式分類需要人為設(shè)置特征，比如花瓣長(zhǎng)度、顏色等等。而深度學(xué)習(xí)省略掉人工設(shè)計(jì)特征的步驟，交由卷積操作去自動(dòng)提取，分類器的訓(xùn)練也同時(shí)融入到神經(jīng)網(wǎng)絡(luò)當(dāng)中，實(shí)現(xiàn)了端對(duì)端的學(xué)習(xí)

劃重點(diǎn)：端對(duì)端學(xué)習(xí)（End to End）就是從輸入直接得出輸出，沒有中間商，自己賺差價(jià)。

3. 深(多)層神經(jīng)網(wǎng)絡(luò)存在的問題一般來說，神經(jīng)網(wǎng)絡(luò)層數(shù)增多，會(huì)提高準(zhǔn)確率。但是，網(wǎng)絡(luò)層數(shù)加深導(dǎo)致：

過擬合學(xué)渣把高考預(yù)測(cè)試題的答案都背一遍而不理解，考試的時(shí)候，如果試題是考生背過的，那么考生就能答對(duì)；如果沒背過那么考生就不會(huì)回答了。我們就可以說，學(xué)渣『過擬合了預(yù)測(cè)試題。

與之對(duì)應(yīng)的是：欠擬合渣得不能再渣的人，連預(yù)測(cè)試題都背不下來，即使考試試題和預(yù)測(cè)試題一模一樣，他也只能答對(duì)30%。那么就可以說這種人~~欠揍~~欠擬合。

有興趣的還可以了解一下梯度彌散和梯度爆炸下面是網(wǎng)上很火很勵(lì)志的一個(gè)公式，權(quán)重在多層網(wǎng)絡(luò)中相乘，比如每一層的權(quán)重都是0.01，傳遞100層 就是 0.01 的100 次方，變得非常小，在梯度下降 Gradient Descent 的學(xué)習(xí)過程中，學(xué)習(xí)將變得非常慢。（好比從一個(gè)碗頂部放下一個(gè)小球，在底部徘徊的速度會(huì)越來越慢）

非凸優(yōu)化學(xué)習(xí)過程可能在局部最小值（極小值）就停止了，因?yàn)樘荻龋ㄐ甭剩榱恪Ｔ诰植孔畹屯Ｖ苟皇侨肿畹屯Ｖ梗瑢W(xué)習(xí)到的模型就不夠準(zhǔn)確了。

看圖感受一下

你說的底不是底，你說的頂是什么頂

解決的辦法

均勻初始化權(quán)重值（Uniform Initialization）、批歸一化（Batch Normalization）、跳遠(yuǎn)鏈接（Shortcut）涉及到比較多數(shù)學(xué)邏輯，這里就不展開說明了。

4. 應(yīng)用人臉識(shí)別

自動(dòng)駕駛把汽車頂部拍攝到的圖片切分層一個(gè)個(gè)小方塊，每個(gè)小方塊檢測(cè)物體是車還是行人還是狗，是紅燈還是綠燈，識(shí)別各種交通標(biāo)識(shí)等等。再配合雷達(dá)等判斷物體距離。

四、這是什么歌（語音識(shí)別）1. 特征提取人類感官特征音量、音調(diào)、音色

通過采樣、量化、編碼。實(shí)現(xiàn)聲波數(shù)字化（聲波轉(zhuǎn)電信號(hào)）

人工設(shè)計(jì)特征梅爾頻率在低頻部分分辨率高，高頻部分分辨率低（這與人耳的聽覺感受是相似的，即在一定頻率范圍內(nèi)人對(duì)低頻聲音比較敏感而對(duì)高頻聲音不敏感）。

關(guān)系為：

在每一個(gè)頻率區(qū)間對(duì)頻譜求均值，它代表了每個(gè)頻率范圍內(nèi)聲音能量的大小。一共有26個(gè)頻率范圍，從而得到26維的特征。倒譜操作后，得到 13 維的梅爾頻率倒譜系數(shù)(Mel-FrequencyCepstralCoefficients，MFCCs)

深度學(xué)習(xí)特征通過 3.1 所介紹的 1維卷積進(jìn)行特征提取

2. 應(yīng)用音樂風(fēng)格分類

輸入：音頻文件特征：聲音特征輸出：音樂種類

語音轉(zhuǎn)文字

輸入：音頻文件特征：聲音特征輸出：聲學(xué)模型（比如26個(gè)英文字母）

再把聲學(xué)模型送入另外的學(xué)習(xí)器

輸入：聲學(xué)模型特征：語義和詞匯輸出：通順的語句（可以查看第6點(diǎn)，如何讓計(jì)算機(jī)輸出通順的語句）

聽歌識(shí)曲通過窗口掃描（把音樂分割成一小段一小段的），然后通過4.1說的方法提取這一段的特征，就得到一個(gè)特征向量。對(duì)數(shù)據(jù)庫的歌和用戶錄音的歌做同樣的操作得到特征向量，然后兩兩之間計(jì)算相似度（兩個(gè)向量的距離可以用余弦公式算夾角大小或者兩點(diǎn)間距離公式來算）

五、視頻里的人在做什么（視頻理解，動(dòng)作識(shí)別）1. 介紹視頻，本質(zhì)是由一幀幀圖片連續(xù)組成的，因?yàn)槿艘曈X的暫留效應(yīng)（Persistence of vision，人眼在觀察景物時(shí)，光信號(hào)傳入大腦神經(jīng)，并不立即消失，讓人產(chǎn)生畫面連續(xù)的印象），看上去是連續(xù)的，也就是視頻。識(shí)別視頻里面有什么物體，可以用上文說過的圖像識(shí)別和分類方法去實(shí)時(shí)分析單幀圖像，比如：

但是視頻相對(duì)于圖像有一個(gè)更重要的屬性：動(dòng)作（行為）。

怎么從一個(gè)連續(xù)的視頻分析動(dòng)作呢？

舉個(gè)例子，像上圖那只二哈，腿部的像素點(diǎn)相對(duì)于黃色的方框（框和狗相對(duì)靜止）在左右”移動(dòng)”，這里的”移動(dòng)”我們引入一個(gè)概念——光流（一個(gè)像素點(diǎn)從一個(gè)位置移動(dòng)到另一個(gè)位置），通過像素點(diǎn)移動(dòng)形成的光流作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練特征（X），『奔跑作為訓(xùn)練目標(biāo)值（Y），經(jīng)過多次的迭代訓(xùn)練，機(jī)器就可以擬合得出一個(gè) Y = f(X) 用于判斷視頻中的物體（Object）是否在奔跑。

2. 光流假設(shè)，1）相鄰兩幀中物體運(yùn)動(dòng)很小2）相鄰兩幀中物體顏色基本不變

至于神經(jīng)網(wǎng)絡(luò)是怎么跟蹤某個(gè)像素點(diǎn)的，這里不展開說明。

第 t 時(shí)刻的點(diǎn)指向第 t+1 時(shí)刻該點(diǎn)的位置，就是該點(diǎn)的光流，是一個(gè)二維的向量。

整個(gè)畫面的光流就是這樣：

整個(gè)視頻的光流（軌跡）是這樣的

不同的虛線代表圖像上某個(gè)點(diǎn)移動(dòng)的軌跡

假設(shè)視頻寬width、高 height、一共有 m 幀，那么該視頻可以用 width * height * m * 2 的張量（就是立體的矩陣）來表示，把向量喂到神經(jīng)網(wǎng)絡(luò)即可進(jìn)行分類訓(xùn)練。

進(jìn)一步優(yōu)化，可以把光流簡(jiǎn)化為8個(gè)方向上的，把視頻某一幀的所有光流累加到這八個(gè)方向上得出某一幀的光流直方圖，進(jìn)一步得出 8 維的特征向量。

六、一段文字在表達(dá)什么（自然語言處理）1. 特征提取

這里有4個(gè)句子，首先進(jìn)行分詞：

去掉停用詞（副詞、介詞、標(biāo)點(diǎn)符合等等，一般在文本處理上都有一個(gè)停用詞表）

編碼詞表

句子向量化

這樣就得到一個(gè)句子19 維 的 特征向量，再把這19維的特征向量用普通卷積網(wǎng)絡(luò)或者 LSTM 循環(huán)神經(jīng)網(wǎng)絡(luò)作為 X 讀入（喂它吃東西），文本的分類（比如積極、消極）作為訓(xùn)練標(biāo)簽值 Y，迭代訓(xùn)練得到的模型可以用于情感分析或文本分類等任務(wù)。

2. 進(jìn)階詞向量化厲害-牛逼、計(jì)算機(jī)-電腦是同義詞。光從上面的步驟，我們可能認(rèn)為厲害和牛逼是兩個(gè)完全不一樣的詞語，但其實(shí)他們是近似的意思，怎么才能 AI 學(xué)習(xí)知道這點(diǎn)呢？需要從多個(gè)維度去進(jìn)一步給詞語更豐富的內(nèi)涵，比如：

舉例來說，男性用1表示，女性用0表示，不帶性別傾向就是0.5。多個(gè)維度擴(kuò)展之后，就得到“男人”這個(gè)詞的特征向量（1，0， 0.5，0，1）

逆向文檔頻率一個(gè)詞在一類文章出現(xiàn)的多，而在另外分類的文章出現(xiàn)的少，越能說明這個(gè)次能代表這篇文章的分類。比如游泳在體育類的文章中出現(xiàn)的多（2次），而在工具類的文章出現(xiàn)的少（0次），相比其他詞語（1次）更能代表體育類的文章。

假設(shè)句子中有 N 個(gè)詞， 某個(gè)詞出現(xiàn)次數(shù)為 T，一共有 X 個(gè)句子，該詞語在 W 個(gè)句子出現(xiàn)，則逆向文檔頻率 TF-IDF 為 T/N * log(X/W)

3. 應(yīng)用

七、讓計(jì)算機(jī)畫畫（生成對(duì)抗網(wǎng)絡(luò)）從前有個(gè)人，以賣臨摹名家的畫來賺錢。他開始臨摹一副名畫：

第一次他畫成這樣子了：

鑒賞家一眼就看出來是假的，他不得不回去畫第二幅畫、第三幅畫…

經(jīng)過了10萬次”畫畫-鑒別”的過程，這個(gè)臨摹者畫出來的畫，鑒賞家居然認(rèn)為這是真的原作，以高價(jià)買入了這副畫。

這種生成（畫畫）- 鑒別（鑒偽）的模式正是生成對(duì)抗網(wǎng)絡(luò)（GAN）的核心。

通過生成器，把隨機(jī)像素點(diǎn)有序排列形成具有意義的畫面，再通過鑒別器得出生成的畫面的分類、和真實(shí)畫面之間的差距，并告訴生成器要往什么方向去優(yōu)化。多輪的訓(xùn)練之后，生成器就學(xué)會(huì)了畫『真畫了。

計(jì)算機(jī)是怎么把隨機(jī)像素點(diǎn)變成有意義的畫面的呢？我們通過一個(gè)簡(jiǎn)化的例子來看看。

直線上一些均勻分布的點(diǎn)，經(jīng)過 y=2x+1變換后變成了非均勻分布。一張隨機(jī)排布的像素點(diǎn)畫面，經(jīng)過某個(gè)f(x) 變換后就會(huì)變成具有某種意義的畫面，而生成器就是不停地去近似f(x)， 就像 2.2 感知器擬合一條直線那樣。

下圖為計(jì)算機(jī)生成手寫數(shù)字的過程

劃重點(diǎn)：函數(shù)可以變換數(shù)據(jù)分布（庫克說：可以把直的變成彎的）

八AlphaGo是怎么下棋的？（強(qiáng)化學(xué)習(xí)）1. 粗略認(rèn)知監(jiān)督/無監(jiān)督訓(xùn)練：盡可能讓每一次任務(wù)正確強(qiáng)化學(xué)習(xí)：多次任務(wù)是否達(dá)成最終目標(biāo)

每一次任務(wù)都準(zhǔn)確，不就是能達(dá)成最終目標(biāo)嗎？我們來看一個(gè)例子：

一家批發(fā)商店的老板愛麗絲要求她的經(jīng)理比爾增加銷售額，比爾指導(dǎo)他的銷售員多賣一些收音機(jī)，其中一個(gè)銷售員查爾斯弄到了一個(gè)可以獲利的大單，但是之后公司因?yàn)楣?yīng)緊缺無法交付這些收音機(jī)。

應(yīng)該責(zé)怪誰呢？

從愛麗絲的角度來看，查爾斯的行為讓公司蒙羞了（最終任務(wù)沒完成）。

但是從比爾的角度，查爾斯成功地完成了他的銷售任務(wù)，而比爾也增加了銷量（子任務(wù)達(dá)成）。——《心智社會(huì)》第7.7章

2. AlphaGo下圍棋，最古老的辦法是決策樹，從左上角的位置開始到右下角的位置遍歷，每一個(gè)空的位置就是一個(gè)分支，然后預(yù)測(cè)每種棋局贏的概率，找出最大概率的走法玩。這就是落子預(yù)測(cè)器。

但是由于圍棋19X19的超大棋盤，空間復(fù)雜度高達(dá)10的360次方，要窮盡所有的走法幾乎是不可能的，如大海撈針。

要降低復(fù)雜度，關(guān)鍵是要降低搜索的廣度和深度。

我們?cè)耘嘁活w小盆栽的時(shí)候，如果不對(duì)枝葉進(jìn)行修剪，那么養(yǎng)分就會(huì)浪費(fèi)在沒長(zhǎng)好的枝條上。需要及時(shí)對(duì)枯萎或者異常的枝條進(jìn)行修剪以保證養(yǎng)分往正常（或者說我們希望它生長(zhǎng)的方向）枝條上輸送。

同樣的道理，有限的計(jì)算機(jī)算力如果浪費(fèi)在窮盡所有圍棋走法上，將導(dǎo)致棋局推演非常慢，而且耗費(fèi)大量的時(shí)間也難以找到最優(yōu)的方案。

是否可以通過 “修剪” 落子選擇器這顆龐大的決策樹，加快較優(yōu)落子方案的選擇呢？怎么判斷哪些是好的”枝條”，哪些是壞的”枝條”呢？這就需要棋局價(jià)值評(píng)估器（哪個(gè)棋盤的贏的概率更大），把沒有價(jià)值的棋局先去掉不再往下遍歷，這就同時(shí)減少了搜索的廣度和深度。

其中，落子預(yù)測(cè)器有個(gè)名稱，叫做政策網(wǎng)絡(luò)（policy network）價(jià)值評(píng)估器有個(gè)名稱，叫做價(jià)值網(wǎng)絡(luò)（value network）政策網(wǎng)絡(luò)（policy network）利用蒙特卡洛搜索樹從當(dāng)前棋局推演（隨機(jī)下棋）到最終的棋局，最終勝則回報(bào)為正，反之回報(bào)為負(fù)。之后該算法會(huì)反向沿著該對(duì)弈過程的落子方案步步回溯，將路徑上勝者所選擇的落子方案分?jǐn)?shù)提高，與此對(duì)應(yīng)將敗者的落子方案分?jǐn)?shù)降低，所以之后遇到相同局面時(shí)選擇勝者方案的概率就會(huì)增加。因此可以加速落子選擇，稱為快速走子網(wǎng)絡(luò)。

通過 政策網(wǎng)絡(luò) + 價(jià)值網(wǎng)絡(luò) + 蒙特卡洛搜索樹 實(shí)現(xiàn)最優(yōu)落子方案的選擇，同時(shí)兩個(gè)機(jī)器人互相對(duì)弈，這樣就不停地訓(xùn)練網(wǎng)絡(luò)，學(xué)習(xí)落子方案。

3. 定義接下來說一下枯燥的定義

什么是強(qiáng)化學(xué)習(xí)?

當(dāng)我們關(guān)注的不是某個(gè)判斷是否準(zhǔn)確，而是行動(dòng)過程能否帶來最大的收益時(shí)使用強(qiáng)化學(xué)習(xí)(reinforeement learning)。比如在下棋、股票交易或商業(yè)決策等場(chǎng)景中。

強(qiáng)化學(xué)習(xí)的目標(biāo)是要獲得一個(gè)策略(poliey)去指導(dǎo)行動(dòng)。比如在圍棋博弈中，這個(gè)策略可以根據(jù)盤面形勢(shì)指導(dǎo)每一步應(yīng)該在哪里落子；在股票交易中，這個(gè)策略會(huì)告訴我們?cè)谑裁磿r(shí)候買入、什么時(shí)候賣出。

一個(gè)強(qiáng)化學(xué)習(xí)模型一般包含如下幾個(gè)部分：

一組可以動(dòng)態(tài)變化的狀態(tài)(sute)

對(duì)于圍棋棋盤上黑白子的分布位置對(duì)于股票交易來說，就是股票的價(jià)格

一組可以選取的動(dòng)作(metion)

對(duì)于圍棋來說，就是可以落子的位置；對(duì)于股票交易來說，就是每個(gè)時(shí)間點(diǎn)，買入或者賣出的股票以及數(shù)量。

一個(gè)可以和決策主體(agent)進(jìn)行交互的環(huán)境(environment)這個(gè)環(huán)境會(huì)決定每個(gè)動(dòng)作后狀態(tài)如何變化。

棋手（主體）的落子會(huì)影響棋局（環(huán)境），環(huán)境給主體獎(jiǎng)勵(lì)（贏）或懲罰（輸）操盤手（主體）的買入或賣出會(huì)影響股票價(jià)格（環(huán)境，供求關(guān)系決定價(jià)格），環(huán)境給主體獎(jiǎng)勵(lì)（賺錢）或懲罰（虧錢）

第2篇：卷積神經(jīng)網(wǎng)絡(luò)的一般步驟范文

關(guān)鍵詞：語義標(biāo)記；三維人臉；網(wǎng)格標(biāo)記；隨機(jī)森林；正方形切平面描述符

DOIDOI：10.11907/rjdk.171139

中圖分類號(hào)：TP317.4

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2017）006-0189-05

0 引言

在計(jì)算機(jī)視覺與圖像領(lǐng)域，對(duì)于二維圖像人臉的研究（包括人臉識(shí)別、人臉檢測(cè)、人臉特征點(diǎn)標(biāo)記等）非常多，并且取得了很大進(jìn)展。特別是近幾年，隨著深度學(xué)習(xí)算法的應(yīng)用，對(duì)于二維人臉的研究有了極大突破[1]。然而，相對(duì)于二維人臉，人們對(duì)三維人臉研究較少。三維人臉的研究是以人臉的三維數(shù)據(jù)為基礎(chǔ)，結(jié)合計(jì)算機(jī)視覺和計(jì)算機(jī)圖形學(xué)，充分利用三維人臉的深度信息和其它幾何信息，解決和克服現(xiàn)有二維人臉研究中面臨的光照、姿態(tài)、表情等問題[3]。三維人臉模型標(biāo)記與分割是將三維人臉網(wǎng)格模型上的頂點(diǎn)進(jìn)行分類，將人臉劃分為幾個(gè)區(qū)域，例如眉毛、眼睛、鼻子、嘴等。對(duì)這些區(qū)域的標(biāo)記與分割對(duì)三維人臉重建、特征點(diǎn)定位和表情動(dòng)畫等方面的研究都起著重要作用。三維人臉的研究是模式識(shí)別和圖形學(xué)領(lǐng)域活躍且極具潛力的研究方向之一，在影視、游戲動(dòng)畫、人臉識(shí)別、虛擬現(xiàn)實(shí)、人機(jī)交互等方面都有著廣泛應(yīng)用[2-3]。

目前，許多對(duì)三維人臉方面的研究，包括三維人臉重建、識(shí)別與跟蹤、姿態(tài)估計(jì)及特征點(diǎn)標(biāo)記等，都是基于深度圖的方法[4-7]。Fanelli等[6-8]提出一種方法，將從深度數(shù)據(jù)估算人臉姿態(tài)表達(dá)為一個(gè)回歸問題（Regression Problem），然后利用隨機(jī)森林算法解決該問題，完成一個(gè)簡(jiǎn)單深度特征映射到三維人臉特征點(diǎn)坐標(biāo)、人臉旋轉(zhuǎn)角度等實(shí)值參數(shù)的學(xué)習(xí)。通過訓(xùn)練數(shù)據(jù)集建立隨機(jī)森林，該數(shù)據(jù)集包括通過渲染隨機(jī)生成姿態(tài)的三維形變模型得到的5萬張640*480深度圖像。在實(shí)驗(yàn)部分，對(duì)Fanelli等提出的從深度圖中提取特征的方法與本文的特征提取方法進(jìn)行了對(duì)比。與文獻(xiàn)[6]中的方法相比，Papazov[9]提出了一個(gè)更為復(fù)雜的三角形表面patch特征，該特征是從深度圖重建成的三維點(diǎn)云中計(jì)算獲得的，主要包括兩部分：線下測(cè)試和線上測(cè)試。將三角形表面patch（TSP）描述符利用快速最近鄰算法（FLANN）從訓(xùn)練數(shù)據(jù)中尋找最相似的表面patches。

在計(jì)算機(jī)圖形學(xué)領(lǐng)域，網(wǎng)格理解在建立和處理三維模型中起著重要作用。為了有效地理解一個(gè)網(wǎng)格，網(wǎng)格標(biāo)記是關(guān)鍵步驟，它用于鑒定網(wǎng)格上的每個(gè)三角形屬于哪個(gè)部分，這在網(wǎng)格編輯、建模和變形方面都有著重要應(yīng)用。Shapira等[10]利用形狀直徑函數(shù)作為分割三維模型的一個(gè)信號(hào)，通過對(duì)該信號(hào)的計(jì)算，定義一個(gè)上下文感知的距離測(cè)量，并且發(fā)現(xiàn)眾多目標(biāo)之間的部分相似性；隨后，Sidi等[11]提出一個(gè)半監(jiān)督的聯(lián)合分割方法，利用一個(gè)預(yù)定義的特征集實(shí)現(xiàn)對(duì)目標(biāo)的預(yù)先分割，然后將預(yù)先做好的分割嵌入到一個(gè)普通空間，通過使用擴(kuò)散映射獲得最終的對(duì)網(wǎng)格集的聯(lián)合分割。網(wǎng)格標(biāo)記的一個(gè)關(guān)鍵問題是建立強(qiáng)大的特征，從而提高各類網(wǎng)格模型標(biāo)記結(jié)果的準(zhǔn)確性，增加泛化能力。為了解決該問題，Kalogerakis等[12]提出采用一種基于條件隨機(jī)場(chǎng)算法的方法來標(biāo)記網(wǎng)格。通過對(duì)已標(biāo)記的網(wǎng)格進(jìn)行訓(xùn)練，成功地學(xué)習(xí)了不同類型的分割任務(wù)；Xie等[13]提出一種三維圖形快速分割與標(biāo)記的方法，用一系列特征描述法和極端學(xué)習(xí)器來訓(xùn)練一個(gè)網(wǎng)格標(biāo)記分類的神經(jīng)網(wǎng)絡(luò)；Guo等[14]提出用深度卷積神經(jīng)網(wǎng)絡(luò)（CNNs）從一個(gè)大的聯(lián)合幾何特征中學(xué)習(xí)網(wǎng)格表示方式。這個(gè)大的聯(lián)合幾何特征首先被提取出來表示每個(gè)網(wǎng)格三角形，利用卷積神經(jīng)網(wǎng)絡(luò)的卷積特征，將這些特征描述符重新組織成二維特征矩陣，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練與學(xué)習(xí)。

本文提出一種新的幾何特征描述符（正方形切平面描述符）來表示人臉模型上的頂點(diǎn)特征，利用隨機(jī)森林算法對(duì)三維人臉模型頂點(diǎn)進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)人臉模型上頂點(diǎn)的分類（屬于鼻子或是眼睛區(qū)域等），從而實(shí)現(xiàn)三維人臉模型的區(qū)域標(biāo)記。這種新描述符并非從深度圖提取的簡(jiǎn)單矩形區(qū)域特征，而是直接從三維人臉模型計(jì)算獲得，在人臉的姿勢(shì)、尺寸、分辨率的改變上具有一定魯棒性。因此，訓(xùn)練過程是在三維人臉模型上執(zhí)行的，這種數(shù)據(jù)相對(duì)于真實(shí)的深度圖數(shù)據(jù)更容易獲取（例如在文獻(xiàn)[6]中使用的訓(xùn)練數(shù)據(jù)）。

1 特征描述符與三維人臉區(qū)域分割

1.1 正方形切平面描述符

從一個(gè)三維人臉模型M的所有頂點(diǎn)上隨機(jī)選取一個(gè)種子點(diǎn)P，根據(jù)三維人臉模型的幾何結(jié)構(gòu)，計(jì)算該種子點(diǎn)的法向量，此時(shí)根據(jù)一點(diǎn)和法向量即可確定一個(gè)切平面。確定正方形的邊長(zhǎng)L和正方形的方向。正方形的方向（正方形局部坐標(biāo)系）是根據(jù)全局坐標(biāo)系下建立的正方形，通過法向量轉(zhuǎn)換而成。建立正方形局部坐標(biāo)系，以便于計(jì)算三維人臉上的點(diǎn)到正方形的投影距離，減少程序運(yùn)行時(shí)間，從而可以確定一個(gè)正方形切平面塊S。在這種情況下，根據(jù)正方形切平面塊S，可以計(jì)算出一個(gè)簡(jiǎn)單且具有魯棒性的幾何描述符V。將正方形邊長(zhǎng)分成K等份，正方形則細(xì)分為K2個(gè)小正方形，如圖1（a）所示。模型M上的所有點(diǎn)向正方形切平面塊上投影，如果投影點(diǎn)在正方形內(nèi)，此點(diǎn)則肯定在K2個(gè)小正方形中的某一個(gè)正方形內(nèi)，稱該點(diǎn)屬于該小正方形或者稱小正方形包含該點(diǎn)。每個(gè)小正方形的描述符是其包含所有點(diǎn)投影距離的平均值。考慮到人臉模型的幾何特征，有些人臉部分存在于正方形上面，有些部分則存在于正方形下面，因此每個(gè)點(diǎn)的投影距離有正負(fù)之分。整個(gè)正方形切平面塊的描述符V是所有小正方形描述符的簡(jiǎn)單串聯(lián)。在實(shí)驗(yàn)部分，本文將對(duì)邊長(zhǎng)L和劃分的小正方形個(gè)數(shù)K2對(duì)分類的準(zhǔn)確率進(jìn)行對(duì)比研究。

使用每個(gè)小正方形包含所有點(diǎn)的平均投影距離作為描述符，使得該描述符對(duì)噪聲、數(shù)據(jù)分解和分辨率上的變化具有魯棒性，這在實(shí)驗(yàn)部分有所體現(xiàn)。許多三維幾何特征已經(jīng)在一些文章中被提出，包括Spin Images（SI）[15]、3D shape context （SC）[16]、 SHOT[17]和MeshHOG[18-19]。這些描述法都根據(jù)局部坐標(biāo)系定義并且依賴于大量的平面法向量，使噪聲數(shù)據(jù)對(duì)結(jié)果產(chǎn)生一定影響。和以上描述法相比，本文描述符取平均投影距離，并且正方形取的足夠大，使描述法更加簡(jiǎn)單、有效且具有魯棒性。除三維幾何特征外，許多文章也對(duì)三維模型投影生成的深度圖進(jìn)行了特征選取和處理。例如，F(xiàn)anelli等[6-8]在深度圖中選取patch，然后在patch中隨機(jī)選取兩個(gè)矩形框F1、F2，如圖2所示。以像素點(diǎn)的深度值和幾何法向量的X、Y、Z值作為隨機(jī)森林的4個(gè)特征通道，F(xiàn)1和F2中所有像素點(diǎn)某個(gè)特征通道平均值的差值作為隨機(jī)森林每棵樹節(jié)點(diǎn)的二元測(cè)試。二元測(cè)試定義為：

本文在實(shí)驗(yàn)部分對(duì)上述特征選取方式與本文提出的正方形描述符在三維人臉區(qū)域標(biāo)記上的結(jié)果進(jìn)行了比較。

1.2 數(shù)據(jù)庫與人臉區(qū)域分割

訓(xùn)練階段的正方形切平面描述符均取自于高分辨率的人臉網(wǎng)格模型，這些訓(xùn)練模型由Basel Face Model （BFM）[20]生成。BFM是一個(gè)公開、可獲得的基于PCA的三維形變模型，由200個(gè)人臉對(duì)象的高分辨率三維掃描創(chuàng)建而成。通過從一個(gè)正態(tài)分布取樣的PCA系數(shù)，BFM能被用來生成任意數(shù)量的隨機(jī)網(wǎng)格人臉。此外，在所有生成的人臉網(wǎng)格模型上，對(duì)應(yīng)頂點(diǎn)的索引都是一樣的。例如，在所有訓(xùn)練模型上，在鼻尖的頂點(diǎn)有相同的索引數(shù)字，這將帶來諸多便利。對(duì)于訓(xùn)練模型，只需在任意一個(gè)BFM人臉模型上進(jìn)行一次人臉區(qū)域的手動(dòng)標(biāo)記，即可知道每個(gè)訓(xùn)練模型要分割的區(qū)域上各點(diǎn)的索引，如每個(gè)模型鼻子區(qū)域的所有頂點(diǎn)索引都是一樣的。

對(duì)訓(xùn)練模型進(jìn)行手動(dòng)分割標(biāo)記（只需分割標(biāo)記一次），將一個(gè)三維人臉模型分割為10個(gè)區(qū)域：左眉毛、右眉毛、左眼睛、右眼睛、左臉頰、右臉頰、鼻子、上嘴唇、下嘴唇、下巴，剩下部分屬于其它區(qū)域。如圖3所示，對(duì)三維人臉模型進(jìn)行區(qū)域分割，不同的分割區(qū)域用不同顏色進(jìn)行標(biāo)記，每個(gè)區(qū)域包含很多三維人臉模型頂點(diǎn)。由于很多三維人臉模型額頭部分包含的頂點(diǎn)相對(duì)較少，特征信息也相對(duì)較少，所以將額頭區(qū)域劃分至其它區(qū)域。人臉模型的每個(gè)區(qū)域包含的所有頂點(diǎn)屬于同一類，根據(jù)上述BFM數(shù)據(jù)庫特點(diǎn)可知，數(shù)據(jù)庫中任何一個(gè)人臉模型每個(gè)區(qū)域包含的所有頂點(diǎn)索引都是一致的。

2 隨機(jī)森林算法分類標(biāo)記人臉區(qū)域

2.1 隨機(jī)森林算法

分類回歸樹[21]是一個(gè)強(qiáng)大的工具，能夠映射復(fù)雜的輸入空間到離散或者分段連續(xù)的輸出空間。一棵樹通過分裂原始問題到更簡(jiǎn)單、可解決的預(yù)測(cè)以實(shí)現(xiàn)高度非線性映射。樹上的每一個(gè)節(jié)點(diǎn)包含一個(gè)測(cè)試，測(cè)試的結(jié)果指導(dǎo)數(shù)據(jù)樣本將分到左子樹或是右子樹。在訓(xùn)練期間，這些測(cè)試被選擇用來將訓(xùn)練數(shù)據(jù)分組，這些分組對(duì)應(yīng)著實(shí)現(xiàn)很好預(yù)測(cè)的簡(jiǎn)單模型。這些模型是由訓(xùn)練時(shí)到達(dá)葉子節(jié)點(diǎn)的被標(biāo)記的數(shù)據(jù)計(jì)算而來，并且存儲(chǔ)于葉子節(jié)點(diǎn)。Breiman[22]指出雖然標(biāo)準(zhǔn)的決策樹單獨(dú)使用會(huì)產(chǎn)生過擬合，但許多隨機(jī)被訓(xùn)練的樹有很強(qiáng)的泛化能力。隨機(jī)被訓(xùn)練樹的隨機(jī)性包括兩方面，一是用來訓(xùn)練每棵樹的訓(xùn)練樣本是隨機(jī)選取的，二是每棵樹上的二元測(cè)試是從使每個(gè)節(jié)點(diǎn)最優(yōu)的測(cè)試集中隨機(jī)選取的。這些樹的總和稱為隨機(jī)森林。本文將三維人臉模型區(qū)域的標(biāo)記與分割描述為一個(gè)分類問題，并利用隨機(jī)森林算法來有效地解決它。

2.2 訓(xùn)練

訓(xùn)練數(shù)據(jù)集是由BFM生成的50個(gè)三維人臉模型。從每個(gè)模型上隨機(jī)取n=10 000個(gè)頂點(diǎn)樣本，每個(gè)頂點(diǎn)對(duì)應(yīng)一個(gè)正方形切平面塊。本文實(shí)驗(yàn)中森林由100棵樹建立而成，森林里每個(gè)樹由隨機(jī)選取的一系列塊（patch）{Pi=Vfi，θi}構(gòu)建而成。Vfi是從每個(gè)樣本提取的特征，即正方形切平面描述符，f是特征通道的個(gè)數(shù)，正方形劃分為K2個(gè)小正方形，f=K2。實(shí)值θi是這個(gè)樣本所屬的類別，例如鼻子區(qū)域類別設(shè)為數(shù)字1，那么鼻子區(qū)域內(nèi)的頂點(diǎn)樣本所對(duì)應(yīng)的θ=1。建立決策樹時(shí)，在每個(gè)非葉子節(jié)點(diǎn)上隨機(jī)生成一系列可能的二元測(cè)試，該二元測(cè)試定義為：

這里的Pi∈{L，R}是到達(dá)左子樹或右子樹節(jié)點(diǎn)上的樣本集合，wi是到左子樹或右子樹節(jié)點(diǎn)的樣本數(shù)目和到父節(jié)點(diǎn)樣本數(shù)目的比例，例如：wi=|Pi||P|。

2.3 測(cè)試

通過BFM生成55個(gè)三維人臉模型，其中50個(gè)人臉模型作為訓(xùn)練數(shù)據(jù)，剩下5個(gè)人臉模型作為測(cè)試數(shù)據(jù)。測(cè)試數(shù)據(jù)依然取10 000個(gè)樣本點(diǎn)，并且知道每個(gè)樣本點(diǎn)屬于哪一個(gè)區(qū)域，通過測(cè)試數(shù)據(jù)計(jì)算三維人臉模型網(wǎng)格點(diǎn)分類的準(zhǔn)確率。為了測(cè)試提出方法的有效性，研究過程中從網(wǎng)上下載獲取了其它三維人臉模型，對(duì)人臉模型上的所有網(wǎng)格點(diǎn)通過之前訓(xùn)練好的隨機(jī)森林模型進(jìn)行分類。因?yàn)槠渌四樐Ｐ团cBFM生成人臉模型的尺寸、坐標(biāo)單位等不一致，所以本研究對(duì)這些測(cè)試模型進(jìn)行了后期處理，對(duì)正方形的邊長(zhǎng)按照模型尺寸的比例M行選取。

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集與實(shí)驗(yàn)環(huán)境

本文三維人臉標(biāo)記與分割所用的訓(xùn)練和測(cè)試三維人臉模型由BFM生成，50個(gè)模型作為訓(xùn)練數(shù)據(jù)，5個(gè)模型作為測(cè)試數(shù)據(jù)。每個(gè)模型包含53 490個(gè)頂點(diǎn)和106 466個(gè)三角形網(wǎng)格，每個(gè)訓(xùn)練模型選取10 000個(gè)頂點(diǎn)樣本。用C++和OpenGL、OpenCV等庫對(duì)三維人臉模型數(shù)據(jù)進(jìn)行采樣，得到每個(gè)樣本的正方形切平面描述符。在Matlab平臺(tái)下用隨機(jī)森林算法對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行可視化。

3.2 實(shí)驗(yàn)結(jié)果

利用已訓(xùn)練好的模型對(duì)測(cè)試數(shù)據(jù)集上三維人臉模型的所有頂點(diǎn)進(jìn)行分類，計(jì)算頂點(diǎn)分類的準(zhǔn)確率。準(zhǔn)確率（Accuracy Rate）計(jì)算公式為：

準(zhǔn)確率=預(yù)測(cè)正確的頂點(diǎn)個(gè)數(shù)（m）人臉模型上所有頂點(diǎn)個(gè)數(shù)（N）

根據(jù)文獻(xiàn)[10]提出的類似描述符參數(shù)選取以及參數(shù)優(yōu)化策略，經(jīng)過多次實(shí)驗(yàn)，研究發(fā)現(xiàn)正方形邊長(zhǎng)L和正方形劃分的小正方形數(shù)目K2兩個(gè)參數(shù)的選取對(duì)頂點(diǎn)分類準(zhǔn)確率有著一定影響。實(shí)驗(yàn)中選取參數(shù)L∈{60，80，100}、參數(shù)K2∈{9，16，25，36}進(jìn)行對(duì)比，具體對(duì)比結(jié)果如表1、表2所示（其中表1中K2為16，表2中L為80mm）。

根據(jù)上面兩個(gè)表格，可以明顯得出，L=80mm，K2=25時(shí)頂點(diǎn)分類準(zhǔn)確率最高。接下來對(duì)L=80mm，K2=25情況下的三維人臉模型區(qū)域進(jìn)行標(biāo)記，可視化結(jié)果如圖4所示，上邊是原始三維模型數(shù)據(jù)，下邊是標(biāo)記后的結(jié)果。（a）、（b）模型標(biāo)記圖是由BFM生成的三維人臉模型區(qū)域標(biāo)記的結(jié)果，模型有53 490個(gè)頂點(diǎn)。為了驗(yàn)證本文方法的一般性和對(duì)分辨率具有不變性，（c）～（e）模型標(biāo)記圖是非BFM生成的其它三維人臉模型的標(biāo)記結(jié)果，模型約有5 000個(gè)頂點(diǎn)。以上所有圖都是對(duì)三維人臉模型所有頂點(diǎn)進(jìn)行標(biāo)記的結(jié)果。

文獻(xiàn)[6]～[8]中提到的基于深度圖的特征提取方法（見圖1），同樣利用隨機(jī)森林算法進(jìn)行了實(shí)驗(yàn)，并與本文的正方形特征描述符的實(shí)驗(yàn)結(jié)果進(jìn)行了比較，如表3所示。將深度圖投影到96*96大小，深度圖patch所取邊長(zhǎng)c深度圖大小的比例和正方形所取邊長(zhǎng)與模型大小的比例相等。

由表3可得，對(duì)三維人臉模型頂點(diǎn)級(jí)分類和區(qū)域標(biāo)記問題，本文提出的特征描述符的標(biāo)記結(jié)果優(yōu)于深度圖patch特征選取方法。此外，由于深度圖的一些局限性，直接對(duì)三維模型處理要比對(duì)深度圖處理更有優(yōu)勢(shì)。

3.3 結(jié)果討論與分析

圖4中5個(gè)模型頂點(diǎn)數(shù)目、三角形面數(shù)目和頭部姿勢(shì)都不一樣，驗(yàn)證了本文所提方法對(duì)于姿勢(shì)、模型尺寸和模型分辨率具有較好的魯棒性。并且其對(duì)不同的眉毛、眼睛、臉頰區(qū)域也能進(jìn)行很好的區(qū)分，將左右眉毛、左右眼睛和左右臉頰用同一顏色、不同符號(hào)進(jìn)行顯示。本文提出的描述符和直接對(duì)三維模型處理的方法，與在深度圖上選取特征方法相比具有一定優(yōu)勢(shì)。由于手動(dòng)分割人臉區(qū)域時(shí)，很難避免分割粗糙，區(qū)域交界處有的部分頂點(diǎn)沒有包含進(jìn)去，因此在區(qū)域交界處頂點(diǎn)的分類誤差會(huì)相對(duì)略大，特別是嘴唇之間的部分。另外，三維人臉模型中額頭和下巴的頂點(diǎn)和特征相對(duì)較少，所以相較于其它區(qū)域，這兩個(gè)區(qū)域的頂點(diǎn)分類誤差也會(huì)略大。

4 結(jié)語

本文提出一種基于正方形切平面描述符的三維人臉區(qū)域標(biāo)記方法。將這種幾何特征描述符作為選取樣本的特征，通過隨機(jī)森林算法，對(duì)三維人臉模型進(jìn)行區(qū)域分類和標(biāo)記。該方法可有效識(shí)別出三維人臉模型的眉毛、眼睛、鼻子、嘴巴和臉頰等區(qū)域，這對(duì)三維人臉特征點(diǎn)的定位及其它三維人臉方面的研究都具有重要意義。本文提出的方法對(duì)三維人臉模型頭部姿態(tài)、模型尺寸、模型分辨率具有較好的魯棒性。和基于深度圖的方法相比，本文提出的方法具有更好的泛化能力，是一種行之有效的特征提取方法。

然而，手動(dòng)分割人臉區(qū)域的做法在一定程度上略顯粗糙，特征選取速度亦仍需優(yōu)化。同時(shí)，本文僅對(duì)三維模型上所有頂點(diǎn)所屬區(qū)域進(jìn)行標(biāo)記，沒有將標(biāo)記后的結(jié)果結(jié)合三維分割算法進(jìn)行區(qū)域分割優(yōu)化。如何對(duì)相關(guān)算法加以改進(jìn)，將是下一步需要解決的問題。

參考文獻(xiàn)：

[1]SUN Y， WANG X， TANG X. Deep convolutional network cascade for facial point detection[J]. Computer Vision & Pattern Recognition，2013，9（4）：3476-3483.

[2]CAO C， WENG Y， LIN S， et al. 3D shape regression for real-time facial animation[J]. Acm Transactions on Graphics， 2013， 32（4）：96-96.

[3]CAO C， HOU Q， ZHOU K. Displaced dynamic expression regression for real-time facial tracking and animation[J]. Acm Transactions on Graphics， 2014， 33（4）：1-10.

[4]SEEMAN E， NICKEL K， STIEFELHAGEN R. Head pose estimation using stereo vision for human-robot interaction[C].ICAFGR， 2004 Sixth IEEE International Conference on Automatic Face and Gesture Recognition. IEEE， 2004： 626-631.

[5]BREITENSTEIN M D， KUETTEL D， WEISE T， et al. Real-time face pose estimation from single range images[C]. Proc.IEEE put.Vis.Pattern Recognit， 2008：1-8.

[6]FANELLI G， GALL J， GOOL L V. Real time head pose estimation with random regression forests[C]. IEEE Conference on Computer Vision & Pattern Recognition， 2011：617-624.

[7]FANELLI G， WEISE T， GALL J， et al. Real time head pose estimation from consumer depth cameras[C].Pattern Recognition Dagm Symposium， Frankfurt/main， Germany， 2011：101-110.

[8]FANELLI G， DANTONE M， GALL J， et al. Random forests for real time 3D face analysis[J]. International Journal of Computer Vision， 2013， 101（3）：437-458.

[9]PAPAZOV C， MARKS T K， JONES M. Real-time 3D head pose and facial landmark estimation from depth images using triangular surface patch features[C].IEEE Conference on Computer Vision and Pattern Recognition. 2015：4722-4730.

[10]SHAPIRA L， SHALOM S， SHAMIR A， et al. Contextual part analogies in 3D objects[J]. International Journal of Computer Vision， 2010， 89（2）：309-326.

[11]SIDI O， KAICK O V， KLEIMAN Y， et al. Unsupervised co-segmentation of a set of shapes via descriptor-space spectral clustering[C].SIGGRAPH Asia Conference. 2011.

[12]KALOGERAKIS E， HERTZMANN A， SINGH K. Learning 3D mesh segmentation and labeling[J]. Acm Transactions on Graphics， 2010， 29（4）：157-166.

[13]XIE Z， XU K， LIU L， et al. 3D shape segmentation and labeling via extreme learning machine[J]. Computer Graphics Forum， 2014， 33（5）：85-95.

[14]GUO K， ZOU D， CHEN X. 3D mesh labeling via deep convolutional neural networks[J]. Acm Transactions on Graphics， 2015， 35（1）：1-12.

[15]JOHNSON A E， HEBERT M. Using spin images for efficient object recognition in cluttered 3d scenes[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 1999， 21（5）：433-449.

[16]FROME A， HUBER D， KOLLURI R， et al. Recognizing objects in range data using regional point descriptors[J]. Lecture Notes in Computer Science， 2004.

[17]TOMBARI F， SALTI S， STEFANO L D. Unique signatures of histograms for local surface description[C].European Conference on Computer Vision Conference on Computer Vision. Springer-Verlag， 2010：356-369.

[18]ZAHARESCU A， BOYER E， VARANASI K， et al. Surface feature detection and description with applications to mesh matching[C]. IEEE Conference on Computer Vision & Pattern Recognition， 2009：373-380.

[19]ZAHARESCU A， BOYER E， HORAUD R. Keypoints and local descriptors of scalar functions on 2D manifolds[J]. International Journal of Computer Vision， 2012， 100（1）：78-98.

[20]PAYSAN P， KNOTHE R， AMBERG B， et al. A 3D face model for pose and illumination invariant face recognition[C].IEEE International Conference on Advanced Video & Signal Based Surveillance. IEEE Computer Society， 2009：296-301.

[21]BREIMAN， LEO. Classification and regression trees[M].Classification and regression trees /. Chapman & Hall/CRC， 1984：17-23.

[22]MITCHELL. Machine learning[M]. McGraw-Hill， 2003.

第3篇：卷積神經(jīng)網(wǎng)絡(luò)的一般步驟范文

關(guān)鍵詞：視頻聯(lián)動(dòng)；港航船閘；控制聯(lián)動(dòng)；越線報(bào)警

船閘工程項(xiàng)目由很多系統(tǒng)組成，主要包括有計(jì)算機(jī)監(jiān)控系統(tǒng)、視頻監(jiān)視系統(tǒng)、越線報(bào)警系統(tǒng)、網(wǎng)絡(luò)廣播系統(tǒng)、供配電系統(tǒng)和船閘收費(fèi)系統(tǒng)等。目前已建大部分系統(tǒng)都是分開獨(dú)立管理，由于系統(tǒng)較多，分散會(huì)給運(yùn)行管理帶來不便、尤其對(duì)船閘安全運(yùn)行帶來極大不利，只有將各個(gè)子系統(tǒng)進(jìn)行融合統(tǒng)一、聯(lián)合工作才能提高工作效率、為船閘安全可靠運(yùn)行提供了保障。

一、船閘視頻與控制智能聯(lián)動(dòng)裝置

隨著監(jiān)控技術(shù)的發(fā)展和船閘自身安全管理的需要，船閘每個(gè)閘首都安裝了十幾個(gè)乃至數(shù)十個(gè)監(jiān)控?cái)z像頭，目前船閘通過多個(gè)宮格的方式將多個(gè)攝像頭的畫面顯示在電腦或者大屏幕同一監(jiān)視器上，供船閘運(yùn)行調(diào)度人員監(jiān)控船閘運(yùn)行情況。然而，在船閘的實(shí)際運(yùn)行過程中，船閘運(yùn)行調(diào)度人員需要根據(jù)船閘運(yùn)行的八個(gè)步驟，在某一時(shí)間段內(nèi)重點(diǎn)關(guān)注部分宮格的視頻畫面，面對(duì)多角度多畫面的監(jiān)視器，工作人員很難在短時(shí)間內(nèi)找到需要重點(diǎn)關(guān)注的畫面且持續(xù)關(guān)注一段時(shí)間，頻繁切換更是容易導(dǎo)致視覺疲勞。船閘集中控制模式下，操作人員既要按照船閘操作工藝流程開關(guān)閘門閥門，又要調(diào)用不同視頻圖像確認(rèn)其操作安全性，兩者之間頻繁切換，十分繁瑣，容易產(chǎn)生誤操作，效率較低。目前大部分船閘使用的視頻與控制聯(lián)動(dòng)系統(tǒng)采用的舊版方案，只能在現(xiàn)地機(jī)房現(xiàn)地進(jìn)行查看，需要靠人工干預(yù)操作，且使用過程中存在卡頓現(xiàn)象，效果不好。針對(duì)上述船閘在船舶過閘靠泊方面主要存在的問題，迫切需要通過船閘視頻與控制聯(lián)動(dòng)改造工程來解決。船閘視頻與控制智能聯(lián)動(dòng)裝置集控，通過采集航道交通控制系統(tǒng)的運(yùn)行控制指令自動(dòng)調(diào)用運(yùn)行區(qū)域的相關(guān)攝像機(jī)視頻監(jiān)控信號(hào)，可使在集控中心使運(yùn)行人員迅速觀察到運(yùn)行設(shè)備及運(yùn)行現(xiàn)場(chǎng)的視頻，以最快的速度了解現(xiàn)場(chǎng)的運(yùn)行情況，及時(shí)確保通航系統(tǒng)的設(shè)備安全可靠，船舶順利過閘。為保證網(wǎng)絡(luò)安全性，將控制系統(tǒng)與視頻系統(tǒng)在網(wǎng)絡(luò)層面完全隔離，聯(lián)動(dòng)裝置直接讀取PLC的信號(hào)，不再與控制系統(tǒng)交換機(jī)連接。將視頻系統(tǒng)與控制系統(tǒng)在網(wǎng)絡(luò)上硬隔離。同時(shí)，為保證今后船閘控制系統(tǒng)/視頻系統(tǒng)調(diào)整時(shí)，盡量減少視頻與控制系統(tǒng)聯(lián)動(dòng)設(shè)備的調(diào)整工作量，要求聯(lián)動(dòng)裝置配置文件，設(shè)置操作界面，直接設(shè)置IP等參數(shù)，操作更簡(jiǎn)單、易懂，維護(hù)更方便。

（一）智能聯(lián)動(dòng)裝置主要功能

在船閘控制中心配置一套視頻與控制智能聯(lián)動(dòng)裝置，用于放閘運(yùn)行人員對(duì)現(xiàn)場(chǎng)運(yùn)行設(shè)備進(jìn)行監(jiān)控。通過將視頻系統(tǒng)的數(shù)據(jù)和控制系統(tǒng)的數(shù)據(jù)進(jìn)行實(shí)時(shí)聯(lián)動(dòng)，滿足在船閘運(yùn)行全過程中對(duì)不同的重點(diǎn)區(qū)域的重點(diǎn)查看的需要。其主要用來連接控制系統(tǒng)與視頻系統(tǒng)，通過將控制系統(tǒng)中獲取的關(guān)鍵運(yùn)行數(shù)據(jù)，經(jīng)過分析決策后提供給視頻系統(tǒng)使用，從而使視頻系統(tǒng)側(cè)的軟件發(fā)揮作用，起到了橋梁的作用。1.計(jì)算機(jī)監(jiān)控系統(tǒng)對(duì)被監(jiān)視設(shè)備進(jìn)行操作時(shí)，視頻監(jiān)視系統(tǒng)攝像機(jī)能自動(dòng)轉(zhuǎn)向并顯示畫面，并能對(duì)重要部位設(shè)置實(shí)時(shí)監(jiān)視功能，以判斷設(shè)備運(yùn)轉(zhuǎn)是否正常、了解現(xiàn)場(chǎng)動(dòng)態(tài)。系統(tǒng)主要能實(shí)現(xiàn)兩點(diǎn)功能。一是在船閘運(yùn)行的特定步驟篩選重要視頻畫面并放大顯示，二是在船閘運(yùn)行到下一個(gè)步驟時(shí)，重點(diǎn)畫面能夠自動(dòng)進(jìn)行切換。2.視頻監(jiān)視系統(tǒng)具有與自動(dòng)報(bào)警聯(lián)動(dòng)功能，能依據(jù)計(jì)算機(jī)監(jiān)控系統(tǒng)中重要設(shè)備的事故故障信號(hào)等有關(guān)報(bào)警信息，自動(dòng)推出事故區(qū)域關(guān)聯(lián)攝像機(jī)的全屏報(bào)警畫面。

（二）智能聯(lián)動(dòng)裝置實(shí)現(xiàn)方式

智能聯(lián)動(dòng)裝置獲取設(shè)備運(yùn)行狀態(tài)通過獨(dú)立的裝置處理器，能夠通過網(wǎng)絡(luò)modbus協(xié)議、opc協(xié)議等其他協(xié)議進(jìn)行互相通信，共享船閘控制系統(tǒng)內(nèi)監(jiān)控系統(tǒng)內(nèi)的操作數(shù)據(jù)，而不影響船閘的正常運(yùn)行。通過分析總線數(shù)據(jù)包和預(yù)設(shè)的參數(shù)，處理器智能的識(shí)別當(dāng)前操作進(jìn)展的情況，并透過TCP/IP協(xié)議與監(jiān)控終端通信，進(jìn)行相應(yīng)動(dòng)作。視頻與控制聯(lián)動(dòng)系統(tǒng)終端軟件根據(jù)預(yù)先與船閘相關(guān)人員的溝通，確定船閘的監(jiān)控重點(diǎn)和順序。可以在收到聯(lián)動(dòng)設(shè)備發(fā)出的動(dòng)作信號(hào)后，切換視頻，控制監(jiān)控區(qū)域放大顯示等操作，避免了人工干預(yù)，提高監(jiān)控效率。軟件同時(shí)接收船閘上的多路監(jiān)控視頻流，壓縮后以宮格的形式顯示在界面右側(cè)，操作人員同樣可以方便的操作該軟件，自主切換、放大任意一路監(jiān)控視頻，有效提高監(jiān)控設(shè)備的使用效率。

（三）智能聯(lián)動(dòng)裝置系統(tǒng)主要功能

船只在進(jìn)閘過程中需要關(guān)注的要點(diǎn)畫面一般由2-3個(gè)視頻畫面組成，需要對(duì)閘門附近船閘運(yùn)行狀態(tài)進(jìn)行監(jiān)視，且每個(gè)畫面均以文字形式告知管理人員注意的內(nèi)容，并且提示下一步船閘動(dòng)作，閘室外船只全部進(jìn)入完畢后，即船只全部進(jìn)閘后，操作人員進(jìn)行通過視頻監(jiān)視確認(rèn)無誤后，遠(yuǎn)程操作閘門，使閘門開始關(guān)閉，此時(shí)重點(diǎn)畫面立刻切換成了新的需要關(guān)注的區(qū)域圖像。智能聯(lián)動(dòng)裝置系統(tǒng)主要功能包括：1.視頻與控制智能聯(lián)動(dòng)軟件是基于多任務(wù)、多平臺(tái)、實(shí)時(shí)性好、開放性好的集成軟件包。標(biāo)準(zhǔn)畫面和用戶組態(tài)畫面均為漢化系統(tǒng)。2.顯示功能：可根據(jù)需要自定義視頻監(jiān)控畫面，包括監(jiān)控畫面的大小，監(jiān)控畫面的對(duì)象，視頻監(jiān)控的畫面分割等，如根據(jù)現(xiàn)場(chǎng)開關(guān)閘門的控制信號(hào)或事故故障信號(hào)自動(dòng)切換至預(yù)先設(shè)定好的切換畫面，畫面既可以為全屏顯示，也可以為四分屏、五分屏等任意分屏設(shè)置畫面且軟件正常運(yùn)行過程中CPU占用率不超過50%。畫面自動(dòng)推送與切換過程中響應(yīng)速度不超過1秒。3.通訊功能：視頻與控制智能聯(lián)動(dòng)軟件內(nèi)嵌了多家PLC產(chǎn)品的多種硬件驅(qū)動(dòng)程序，可以與多家PLC產(chǎn)品進(jìn)行通訊，讀取PLC的相關(guān)信號(hào)。同時(shí)視頻與控制智能聯(lián)動(dòng)軟件也可與海康等品牌的攝像機(jī)進(jìn)行通訊，調(diào)取現(xiàn)場(chǎng)的攝像機(jī)視頻信號(hào)。4.安全功能：通過用戶認(rèn)證系統(tǒng)，可防止外來的非法用戶接入，對(duì)內(nèi)網(wǎng)用戶進(jìn)行統(tǒng)一的用戶賬戶管理、行為管理的等一系列安全措施，保障網(wǎng)絡(luò)安全可靠的運(yùn)行；系統(tǒng)分別設(shè)定操作員和系統(tǒng)管理員的權(quán)限。在運(yùn)行環(huán)境下，可屏蔽操作系統(tǒng)中所有熱鍵，從而鎖定系統(tǒng)自由進(jìn)出。系統(tǒng)受電后自動(dòng)恢復(fù)運(yùn)行狀態(tài)。操作員級(jí)別的用戶只能對(duì)系統(tǒng)進(jìn)行監(jiān)視，而系統(tǒng)管理員可退出系統(tǒng)并對(duì)軟件內(nèi)的相關(guān)參數(shù)進(jìn)行重新設(shè)定。5.自恢復(fù)功能：現(xiàn)場(chǎng)視頻信號(hào)丟失再恢復(fù)后，監(jiān)視畫面上的視頻信號(hào)可自動(dòng)進(jìn)行恢復(fù)，無需人為干預(yù)。

二、船閘越線報(bào)警系統(tǒng)

船閘作為重要的水運(yùn)通航設(shè)施，保障其安全運(yùn)行尤為重要。在閘室靠近閘門的位置附近應(yīng)有一條安全警戒線。船只越過安全警戒線可能對(duì)船閘運(yùn)行工況產(chǎn)生安全隱患，尤其離閘門越近、發(fā)生不安全事件可能性越大。在船閘實(shí)際運(yùn)行過程中，存在以下3方面問題，即目前船閘安全警戒線大多僅僅依靠界限燈和標(biāo)識(shí)線，船舶在運(yùn)行中無法有效識(shí)別；船舶距離閘門過近，在水流波動(dòng)較大時(shí)容易出現(xiàn)碰撞閘門的情況；船舶重載下行，在泄水時(shí)會(huì)出現(xiàn)擱淺閘臺(tái)的情況。其中，為了避免泄水時(shí)因船舶在閘臺(tái)違規(guī)停留導(dǎo)致船舶傾翻事故發(fā)生，需要在危險(xiǎn)時(shí)間內(nèi)對(duì)船舶的違規(guī)停留行為進(jìn)行檢測(cè)、防止船舶故意長(zhǎng)時(shí)間停留。另一方面，由于船閘運(yùn)行過程中，水位差變動(dòng)大，且部分船舶外輪廓高度超限.極易造成船舶高度超限部位與船閘設(shè)施發(fā)生碰擦，既造成了船閘設(shè)施的損壞，也容易造成安全事故，因此項(xiàng)目同時(shí)考慮對(duì)船舶超高情況進(jìn)行檢測(cè)和報(bào)警、提前對(duì)船舶運(yùn)行要求進(jìn)行提醒。

（一）越線檢測(cè)難點(diǎn)

1.當(dāng)前主要越線檢測(cè)還是人工巡視。人工巡視存在易疲勞，物理標(biāo)識(shí)不易看清，精確度不高，效率低等缺點(diǎn)。2.而采用電氣控制手段自動(dòng)檢測(cè)難點(diǎn)主要有：復(fù)雜天氣影響：閘室環(huán)境是室外露天的非標(biāo)準(zhǔn)工況，受四季天氣情況影響，如雨、霧、雪等因素干擾檢測(cè)儀表儀器；隨機(jī)干擾源多：如飛鳥、水面漂浮物、波浪等反射，其中飛鳥、漂浮物等具有隨機(jī)、不重復(fù)的特點(diǎn)；水位實(shí)時(shí)變化：在調(diào)度過程中，船舶高度會(huì)隨著水位變化而變化，檢測(cè)部位要隨水位變動(dòng)而變動(dòng)。

（二）船閘越線報(bào)警系統(tǒng)原理

為克服檢測(cè)難點(diǎn)，設(shè)計(jì)采用激光和視頻結(jié)合的檢測(cè)手段檢測(cè)船舶越線。激光檢測(cè)通過二維激光掃描、接收，依據(jù)空間距離，對(duì)閘臺(tái)上違停的船舶進(jìn)行檢測(cè)報(bào)警。視頻檢測(cè)通過視頻分析技術(shù)，對(duì)劃定區(qū)域內(nèi)的船舶進(jìn)行智能識(shí)別，并實(shí)時(shí)報(bào)警。兩種檢測(cè)方式特點(diǎn)為：激光檢測(cè)精度高，抗干擾能力強(qiáng)，能應(yīng)對(duì)各種復(fù)雜天氣；視頻檢測(cè)正常情況下精度高，但易受天氣影響。二者結(jié)合，可增加系統(tǒng)可靠性，準(zhǔn)確判別船舶是否越線，為船閘管理人員提供操作依據(jù)和前提條件。將閘室區(qū)域分為正常區(qū)域、安全警戒線、緩沖區(qū)域與危險(xiǎn)區(qū)域。其中，安全警戒線為緩沖區(qū)域前方設(shè)定的警戒線，利用激光掃描儀，實(shí)時(shí)檢測(cè)船舶越線行為，為防撞系統(tǒng)提供智能預(yù)警功能；緩沖區(qū)域?yàn)槲ｋU(xiǎn)區(qū)域前方設(shè)定的虛擬區(qū)域，為違規(guī)闖入船舶的管理提供緩沖時(shí)間；危險(xiǎn)區(qū)域?yàn)殚l門附近設(shè)定的虛擬區(qū)域，如閘臺(tái)位置、閘門位置，在危險(xiǎn)時(shí)間窗口內(nèi)，該區(qū)域禁止船舶進(jìn)入。采用“激光越線檢測(cè)+視頻輔助驗(yàn)證分析”的復(fù)合檢測(cè)方式，完成對(duì)潛在船舶危險(xiǎn)行為的智能預(yù)警。首先，通過激光掃描儀，對(duì)越過安全警戒線的船舶進(jìn)行檢測(cè)，為閘室防撞系統(tǒng)提供智能預(yù)警，充分保障閘室安全穩(wěn)定運(yùn)行。其次，將控制系統(tǒng)與防撞報(bào)警裝置進(jìn)行聯(lián)動(dòng)，對(duì)目標(biāo)船舶進(jìn)行重點(diǎn)監(jiān)控。當(dāng)激光掃描儀檢測(cè)到有船舶越過警戒線，監(jiān)控中心與閘室警戒燈將自動(dòng)報(bào)警，并通過廣播、顯示屏信息等方式，提醒該船只立刻停船。同時(shí)，監(jiān)控中心會(huì)向閘口值班員發(fā)出警戒信息，值班員利用緩沖區(qū)域提供的時(shí)間現(xiàn)場(chǎng)指揮該船只停船，并自動(dòng)調(diào)用監(jiān)控?cái)z像機(jī)進(jìn)行拍攝取證。基于紅外功能的視頻輔助分析與聯(lián)動(dòng)確認(rèn)，利用基于卷積神經(jīng)網(wǎng)絡(luò)算法，對(duì)視頻監(jiān)控抓拍的船舶圖片進(jìn)行特征智能識(shí)別，為船閘防撞提供輔助預(yù)警功能。當(dāng)閘室出現(xiàn)警情時(shí)，防撞預(yù)警系統(tǒng)與視頻監(jiān)控系統(tǒng)實(shí)施聯(lián)動(dòng)，監(jiān)控中心能夠自動(dòng)將警情區(qū)域的監(jiān)控畫面切換至大屏主畫面，以便進(jìn)行最后的警情確認(rèn)。對(duì)于異常狀況，視頻可以自動(dòng)保存、自動(dòng)播放。

三、總結(jié)

視頻聯(lián)動(dòng)在港航船閘得到試點(diǎn)創(chuàng)新應(yīng)用，船閘視頻監(jiān)視系統(tǒng)和計(jì)算機(jī)監(jiān)控系統(tǒng)兩個(gè)系統(tǒng)之間通過數(shù)據(jù)指令的交互，實(shí)現(xiàn)了閘門運(yùn)行監(jiān)視和閘門視頻同時(shí)在大屏上監(jiān)視、方便了操作人員監(jiān)視、提高了系統(tǒng)運(yùn)行安全性、可靠性。船閘越線報(bào)警系統(tǒng)將閘室區(qū)域分為正常區(qū)域、安全警戒線、緩沖區(qū)域與危險(xiǎn)區(qū)域，閘室防撞系統(tǒng)提供智能預(yù)警，充分保障閘室安全穩(wěn)定運(yùn)行。將控制系統(tǒng)與防撞報(bào)警裝置進(jìn)行聯(lián)動(dòng)，對(duì)目標(biāo)船舶進(jìn)行重點(diǎn)監(jiān)控。船閘越線報(bào)警系統(tǒng)為船閘管理人員提供操作依據(jù)和前提條件。

參考文獻(xiàn)：

[1]彭湖.視頻監(jiān)控與消防的聯(lián)動(dòng)方法探究[J].城市建設(shè)理論研究(電子版)[山東工業(yè)技術(shù)，2020.

[2]張榮森.淺談智能化視頻聯(lián)動(dòng)微機(jī)五防系統(tǒng)方案[J].科技創(chuàng)新導(dǎo)報(bào)，2016.