網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/23.1538.tp.20150609.1549.002.html

元認(rèn)知粒子濾波目標(biāo)跟蹤算法

陳真，王釗

(中國(guó)石油大學(xué)(華東) 信息與控制工程學(xué)院，山東 青島 266580)

摘要：經(jīng)典粒子濾波算法進(jìn)行復(fù)雜背景下的目標(biāo)跟蹤時(shí)，不能及時(shí)將突變的背景信息更新到目標(biāo)模板中，容易造成跟蹤不穩(wěn)定，尤其是當(dāng)突變背景與目標(biāo)模板相似時(shí)，容易造成目標(biāo)丟失。為了解決此類問題，提出了具有元認(rèn)知能力的粒子濾波(MCPF)目標(biāo)跟蹤算法。首先，MCPF對(duì)初始化目標(biāo)模板進(jìn)行認(rèn)知，建立目標(biāo)認(rèn)知模板和背景認(rèn)知模板作為MCPF的元認(rèn)知知識(shí)成分，然后，MCPF監(jiān)控多次迭代后采樣粒子的觀測(cè)信息，刺激產(chǎn)生MCPF元認(rèn)知體驗(yàn)成分，從而有效地調(diào)節(jié)MCPF算法的決策機(jī)制。實(shí)驗(yàn)結(jié)果表明，該算法跟蹤實(shí)時(shí)性高、穩(wěn)定、可靠，當(dāng)背景發(fā)生突變時(shí)，能夠及時(shí)監(jiān)控到突變，并快速調(diào)節(jié)決策機(jī)制，實(shí)現(xiàn)穩(wěn)定的目標(biāo)跟蹤。

關(guān)鍵詞：目標(biāo)跟蹤；粒子濾波；元認(rèn)知；元認(rèn)知模型；元認(rèn)知粒子濾波

DOI:10.3969/j.issn.1673-4785.201405052

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A

收稿日期：2014-05-23. 網(wǎng)絡(luò)出版日期：2015-06-09.

基金項(xiàng)目：山東省優(yōu)秀中青年科學(xué)家科研獎(jiǎng)勵(lì)基金(BS2011DX040);中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金(11CX04045A).

作者簡(jiǎn)介：

中文引用格式：陳真，王釗. 元認(rèn)知粒子濾波目標(biāo)跟蹤算法[J]. 智能系統(tǒng)學(xué)報(bào), 2015, 10(3): 387-392.

英文引用格式：CHEN Zhen, WANG Zhao. Object tracking algorithm with metacognitive model-based particle filters[J]. CAAI Transactions on Intelligent Systems, 2015, 10(3): 387-392.

Object tracking algorithm with metacognitive model-based particle filters

CHEN Zhen, WANG Zhao

(College of Information and Control Engineering, China University of Petroleum, Qingdao 266580, China)

Abstract：Traditional particle filter object tracking in complex backgrounds cannot update the sudden backgrounds information to the target template timely. Therefore, it is easy to cause tracking instability, even lose object when the sudden background is similar to the target template. An object tracking algorithm with metacognitive particle filters (MCPF) is proposed to solve this problem. Firstly, MCPF establishes metacognitive knowledge composed of object cognitive models and background cognitive model. Next, MCPF monitors the observation information of the sampling particles after multiple iterations, simulates the observation information to generate metacognitive experience and realizes object-tracking stability. Extensive experimental results showed that the proposed algorithm improves the instantaneity, stability and reliability of traditional PF object tracking algorithm. When the background suddenly changes, it can timely monitor it and quickly adjust decision-making mechanism to realize stable target tracking.

Keywords：object tracking; particle filter; metacognition; metacognitive model; metacognitive particle filter (MCPF)

通信作者：陳真. E-mail: chen_zhen_09@163.com.

粒子濾波(particle filter, PF)[1-2]是一種基于蒙特卡羅思想的非線性、非高斯系統(tǒng)濾波方法，對(duì)系統(tǒng)的過程噪聲和量測(cè)噪聲沒有任何限制。PF跟蹤算法相對(duì)于規(guī)則窮舉搜索算法，縮小了采樣區(qū)域，且與跟蹤目標(biāo)大小無關(guān)，可以迭代持續(xù)進(jìn)行，而不是簡(jiǎn)單地只按固定比例擴(kuò)大目標(biāo)周圍的搜索區(qū)域，因而被廣泛應(yīng)用于目標(biāo)跟蹤領(lǐng)域[3-5]。然而，基于PF算法的視頻運(yùn)動(dòng)目標(biāo)跟蹤過程中，目標(biāo)發(fā)生形變或嚴(yán)重遮擋以及背景和光照變化的干擾等都極易造成目標(biāo)跟蹤發(fā)生偏移甚至丟失目標(biāo)。因此，近年來許多學(xué)者針對(duì)復(fù)雜情況下PF濾波算法如何精確、快速、穩(wěn)定地跟蹤視頻運(yùn)動(dòng)目標(biāo)進(jìn)行了深入研究并加以改進(jìn)。例如：文獻(xiàn)[4]提出基于稀疏估計(jì)的PF算法，將跟蹤目標(biāo)稀疏表示為目標(biāo)、非負(fù)和負(fù)模板子集形式，根據(jù)投影差值最小的目標(biāo)特征找到最優(yōu)跟蹤狀態(tài)估計(jì)，并動(dòng)態(tài)更新目標(biāo)模板以適應(yīng)復(fù)雜情況下的目標(biāo)變化，達(dá)到很好的跟蹤效果。文獻(xiàn)[6]針對(duì)復(fù)雜場(chǎng)景提出基于目標(biāo)顏色特征的自適應(yīng)PF算法，該算法自適應(yīng)選擇粒子數(shù)量和高斯噪聲的方差，可以有效克服目標(biāo)形變、光照變化的影響，保證跟蹤的實(shí)時(shí)性和粒子的有效性。文獻(xiàn)[7]提出分塊模板更新算法，改善了整體模板更新算法丟失目標(biāo)空間信息的缺點(diǎn)，有效防止了模板漂移，并能較好地適應(yīng)目標(biāo)的外觀變化，具有較強(qiáng)的抗遮擋能力。文獻(xiàn)[8]提出的基于SIFT特征的PF算法，以目標(biāo)顏色投影和成像角度為分塊標(biāo)準(zhǔn)自適應(yīng)分塊，并自適應(yīng)更新目標(biāo)模型的SIFT特征點(diǎn)適應(yīng)目標(biāo)外觀變化，采用最小二乘法對(duì)目標(biāo)狀態(tài)進(jìn)行校準(zhǔn)，保證了跟蹤結(jié)果的精度。文獻(xiàn)[9]提出了自適應(yīng)不完全的重采樣方法(particle filter based on adaptive part resampling, APRPF)，能根據(jù)當(dāng)前濾波步粒子的退化程度自適應(yīng)地選擇參與重采樣粒子的數(shù)目，重采樣后的新生粒子緩解退化問題，未參與重采樣的粒子保持了粒子集的多樣性，不僅提高了濾波精度，還減少了計(jì)算量。但是，上述改進(jìn)算法的收斂速度和估計(jì)誤差由于仍然依賴PF算法本身的迭代過程，因而存在局限性。當(dāng)背景發(fā)生突變，目標(biāo)模板更新不及時(shí)容易造成目標(biāo)跟蹤發(fā)生偏移甚至丟失目標(biāo)。因此，本文提出基于元認(rèn)知模型的粒子濾波算法(metacognitive particle filter, MCPF)，該算法不依賴于PF算法本身迭代過程，能夠?qū)δ繕?biāo)模板進(jìn)行認(rèn)知，及時(shí)監(jiān)控到突變，控制并調(diào)節(jié)MCPF決策機(jī)制，實(shí)現(xiàn)目標(biāo)跟蹤。

1元認(rèn)知

哲學(xué)家Alfred Tarski于1956年引進(jìn)“元”(meta)概念之后，元認(rèn)知(metacognition)概念最早由美國(guó)心理學(xué)家J. H. Flavell在心理學(xué)領(lǐng)域提出[10]。按照“元”概念的哲學(xué)思考，元認(rèn)知即是認(rèn)知的認(rèn)知，目前已經(jīng)成為認(rèn)知心理學(xué)和教育心理學(xué)的一個(gè)重要領(lǐng)域和研究熱點(diǎn)。近年來，國(guó)內(nèi)外元認(rèn)知研究主要來自于教育心理學(xué)研究的驅(qū)動(dòng)，元認(rèn)知在教育心理學(xué)領(lǐng)域里具有重要實(shí)踐意義[11-15]。文獻(xiàn)[11]提出元認(rèn)知的實(shí)質(zhì)就是人對(duì)認(rèn)知活動(dòng)的自我意識(shí)和自我調(diào)節(jié)，R. J. Sternberg提出的新的智力模式中已反映元認(rèn)知在認(rèn)知活動(dòng)中所起的支配地位，在任何一項(xiàng)認(rèn)知活動(dòng)中的元認(rèn)知培養(yǎng)訓(xùn)練效果都具有廣泛的遷移性，并整合了J. H. Flavell和A. Brown的觀點(diǎn)，將元認(rèn)知分為元認(rèn)知知識(shí)(metacognitive knowledge, MK)、元認(rèn)知體驗(yàn)(metacognitive experience, ME)和元認(rèn)知監(jiān)控(metacognitive regulation, MR)，這種思想影響廣泛，被國(guó)內(nèi)外大部分學(xué)者所認(rèn)同。文獻(xiàn)[12]提出元認(rèn)知知識(shí)為改進(jìn)學(xué)習(xí)提供反饋信息，元認(rèn)知體驗(yàn)調(diào)節(jié)和促進(jìn)學(xué)習(xí)活動(dòng)，監(jiān)控提高學(xué)習(xí)效率的重要心理因素，培養(yǎng)和發(fā)展元認(rèn)知能力有助于學(xué)習(xí)水平的提高，并展現(xiàn)了解決學(xué)習(xí)問題的一個(gè)模式圖。

受上述元認(rèn)知理論啟發(fā)，本文將目標(biāo)跟蹤作為認(rèn)知活動(dòng)，構(gòu)建了具有元認(rèn)知能力的MCPF目標(biāo)跟蹤算法。首先，MCPF對(duì)初始化目標(biāo)模板進(jìn)行認(rèn)知，建立目標(biāo)認(rèn)知模板(object cognitive model, OCM)和背景認(rèn)知模板(background cognitive model, BCM)作為MCPF的認(rèn)知知識(shí)成分(metacognitive knowledge, MK)，然后，MCPF監(jiān)控(metacognitive regulation, MR)多次迭代后采樣粒子的觀測(cè)信息，刺激產(chǎn)生MCPF元認(rèn)知體驗(yàn)成分(metacognitive experience, ME)，并根據(jù)元認(rèn)知體驗(yàn)成分有效地調(diào)節(jié)MCPF算法的決策機(jī)制，實(shí)現(xiàn)穩(wěn)定的目標(biāo)跟蹤。

2元認(rèn)知粒子濾波模型

2.1MCPF模型定義

本文提出的元認(rèn)知粒子濾波模型包括MCPF認(rèn)知知識(shí)成分(MCPF-K)、MCPF體驗(yàn)成分(MCPF-E)和MCPF監(jiān)控成分(MCPF-R)3個(gè)成分。簡(jiǎn)單描述三部分的功能：一方面，以MCPF-K為基礎(chǔ)，MCPF-R受到MCPF-E的激發(fā)和指引；另一方面，MCPF-R不斷刺激新的MCPF-E產(chǎn)生，同時(shí)也會(huì)發(fā)展MCPF-K，并且MCPF-K可以形成新意識(shí)發(fā)展為MCPF-E，MCPF-E刺激新的MCPF-K產(chǎn)生。這3個(gè)方面相互作用、循環(huán)往復(fù)，三者動(dòng)態(tài)有機(jī)的結(jié)合即構(gòu)成了MCPF模型(如圖1所示)。

圖1　MCPF模型 Fig. 1　MCPF Model

MCPF每個(gè)成分和行為的定義描述如下：

定義1MCPF認(rèn)知知識(shí)成分(MCPF-K)元認(rèn)知的MK成分是有關(guān)認(rèn)知活動(dòng)系統(tǒng)的知識(shí)。MCPF-K包括粒子集合的運(yùn)動(dòng)模型(motion model, MM)、 目標(biāo)模型(object model, OM)、目標(biāo)認(rèn)知模型(OCM)和背景認(rèn)知模型(BCM)以及由MCPF-E和MCPF-R發(fā)展的新認(rèn)知知識(shí)。即

定義3MCPF監(jiān)控成分(MCPF-R)MR是主體進(jìn)行認(rèn)知活動(dòng)的全過程中，將自己正在進(jìn)行的認(rèn)知活動(dòng)作為意識(shí)對(duì)象，不斷地對(duì)其進(jìn)行積極、自覺地監(jiān)察、控制和調(diào)節(jié)。MCPF-R(如圖1(c))包括跟蹤目標(biāo)任務(wù)和跟蹤策略，其中跟蹤策略包括更新行為(update behavior, UB)，刺激行為(stimulate behavior, SB)和提取行為(extract behavior, EB)。

定義4更新行為(UB)UB包括更新當(dāng)前目標(biāo)模板，或更新采樣粒子權(quán)重和當(dāng)前目標(biāo)模板，或當(dāng)前采樣粒子集的觀測(cè)圖像特征替換為目標(biāo)模板。

定義5刺激行為(SB)SB或是以MCPF-K的KMCPF成分為基礎(chǔ)，或MCPF-R促使MCPF-E產(chǎn)生意識(shí)e的行為，或是由MCPF-R促使MCPF-E產(chǎn)生意識(shí)并發(fā)展KMCPF的行為。如圖1細(xì)虛線箭頭部分所示。

定義6提取行為(EB)EB是MCPF-R獲取MCPF-E意識(shí)e或MCPF-K的KMCPF成分的行為，以及將MCPF-K上升為MCPF-E的行為。如圖1細(xì)實(shí)線箭頭部分所示。

2.2MCPF模型的運(yùn)行機(jī)制

6)MCPF-R提取MCPF-E的意識(shí)ej；如果ej=T，提取的是成功意識(shí)，MCPF-R選擇將當(dāng)前采樣粒子集的觀測(cè)圖像特征更新為當(dāng)前目標(biāo)模板，轉(zhuǎn)步驟2)繼續(xù)；如果ej=F，提取的是失敗意識(shí)，不進(jìn)行目標(biāo)模板的更新，擴(kuò)大采樣粒子搜索范圍，轉(zhuǎn)步驟2)繼續(xù)。

2.3MCPF算法流程

MCPF的MCPF-R提取MCPF-K中的運(yùn)動(dòng)模型，對(duì)N個(gè)粒子的位置狀態(tài)進(jìn)行更新，獲得時(shí)刻k的粒子狀態(tài)；取得時(shí)刻k的N個(gè)粒子觀測(cè)圖像特征與MCPF-K中提取的OM(即目標(biāo)模型)進(jìn)行相似度量，更新每個(gè)粒子的權(quán)值，然后根據(jù)粒子的權(quán)值對(duì)粒子集估計(jì)目標(biāo)k時(shí)刻的最終狀態(tài)。

2)根據(jù)式(2)狀態(tài)轉(zhuǎn)移模型更新每個(gè)粒子的位置。

(2)

3)根據(jù)式(3)~(5)計(jì)算每個(gè)粒子的權(quán)重。

(3)

(4)

(5)

(6)

根據(jù)式(6)粒子退化程度的度量函數(shù)Neff判斷是否需要重采樣，Neff越小，粒子退化越嚴(yán)重，如果Neff

5)估計(jì)目標(biāo)狀態(tài)并輸出目標(biāo)當(dāng)前位置，估計(jì)目標(biāo)狀態(tài)為

(7)

a)如果ρ0≥λ0(λ0為更新閾值)，目標(biāo)跟蹤正常，根據(jù)式8)更新目標(biāo)模板：

(8)

式中：α為學(xué)習(xí)率，一般取0.9。

(9)

c)如果ρ0<λ1，目標(biāo)消失、丟失或被完全遮擋，不進(jìn)行目標(biāo)模板的更新，擴(kuò)大采樣粒子搜索范圍，發(fā)現(xiàn)目標(biāo)立即恢復(fù)跟蹤。

7)轉(zhuǎn)步驟2)繼續(xù)。

圖2　MCPF算法流程 Fig. 2　MCPF algorithm flow

3實(shí)驗(yàn)結(jié)果與分析

為了測(cè)試MCPF算法的有效性，用VS 2013開發(fā)環(huán)境、VC++編程語言和OPENCV 2.4.8開發(fā)了一個(gè)實(shí)時(shí)目標(biāo)跟蹤系統(tǒng)。系統(tǒng)配置為I7處理器、8 GB內(nèi)存，輸入視頻序列分辨率為320×240，選擇視頻序列IndoorTest進(jìn)行實(shí)驗(yàn)，該視頻序列中室內(nèi)背景復(fù)雜，選擇此視頻序列進(jìn)行了背景發(fā)生突變時(shí)的跟蹤測(cè)試實(shí)驗(yàn)，部分實(shí)驗(yàn)結(jié)果如圖3所示。

實(shí)驗(yàn)測(cè)試MCPF算法的MCPF-K中目標(biāo)模型(如圖3(a)所示)，選用目標(biāo)顏色特征，可以有效克服目標(biāo)形變的影響，且在非遮擋情況下實(shí)時(shí)更新目標(biāo)顏色模板，以適應(yīng)光照變化[6]。采用YCbCr顏色空間，將顏色分量分別量化為Nb、Nr級(jí)，目標(biāo)模板基于CrCb空間的Nr×Nb級(jí)二維直方圖和Y空間的Ny級(jí)一維直方圖,相似度量使用Bhattacharyya距離。粒子數(shù)N=20。

為了降低背景對(duì)目標(biāo)模型的干擾，文獻(xiàn)[7]獲取目標(biāo)模板時(shí)通過調(diào)低模板四周背景信息的權(quán)重值來解決，并指定環(huán)形區(qū)域?yàn)楸尘皡^(qū)域，突變的背景信息沒能更新到目標(biāo)模板中，容易造成跟蹤不穩(wěn)定，尤其當(dāng)突變背景與目標(biāo)模板相似時(shí)，極易造成目標(biāo)偏移甚至丟失(如圖3(d)所示)；另外，如果突變背景信息更新不及時(shí)也會(huì)造成此類情況發(fā)生(如圖3(c)所示)。而MCPF算法是由文獻(xiàn)[17]的CGMM算法生成的背景知識(shí)成分，對(duì)于背景區(qū)域的劃分更精確，而且能夠?qū)δ繕?biāo)模板中目標(biāo)和背景信息進(jìn)行認(rèn)知，當(dāng)背景突變時(shí)仍然能保持穩(wěn)定的跟蹤，如圖3(b)所示。

(a)目標(biāo)模板

(b)MCPF

(c)更新PF

(d)不更新PF 圖3　測(cè)試實(shí)驗(yàn)結(jié)果 Fig. 3　Experimental results

4結(jié)束語

本文受元認(rèn)知理論啟發(fā)，將目標(biāo)跟蹤作為認(rèn)知活動(dòng)，提出了具有元認(rèn)知能力的粒子濾波目標(biāo)跟蹤算法(MCPF)。MCPF算法能夠認(rèn)知目標(biāo)模型，監(jiān)控PF迭代過程，提供有效的決策機(jī)制及實(shí)現(xiàn)穩(wěn)定的跟蹤。背景發(fā)生突變的跟蹤測(cè)試實(shí)驗(yàn)表明了算法的有效性。該算法的提出對(duì)于進(jìn)一步研究多運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤具有指導(dǎo)意義和應(yīng)用價(jià)值。

參考文獻(xiàn):

[1]GORDON N J, SALMOND D J, SMITH A F M. Novel approach to nonlinear/non-Gaussian Bayesian state estimation[J]. IEE Proceedings F Radar and Signal Processing, 1993, 140(2): 107-113.

[2]ARULAMPALAM M S, MASKELL S, GORDON N, et al. A tutorial on particle filters for online nonlinear/non-Gaussian Bayesian tracking[J]. IEEE Transactions on Signal Processing, 2002, 50(2): 174-188.

[3]ISARD M, BLAKE A. Condensation-conditional density propagation for visual tracking[J]. International Journal on Computer Vision, 1998, 29(1): 5-28.

[4]MEI Xue, LING Haibin. Robust visual tracking and vehicle classification via sparse representation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(11): 2259-2272.

[5]YANG Hanxue, SHAO Ling, ZHENG Feng, et al. Recent advances and trends in visual tracking: a review[J]. Neurocomputing, 2011, 74(18): 3823-3831.

[6]常發(fā)亮, 馬麗, 劉增曉, 等. 復(fù)雜環(huán)境下基于自適應(yīng)粒子濾波器的目標(biāo)跟蹤[J]. 電子學(xué)報(bào), 2006, 34(12): 2150-2153.

CHANG Faliang, MA Li, LIU Zengxiao, et al. Target tracking based on adaptive particle filter under complex background[J]. Acta Electronical Sinica, 2006, 34(12): 2150-2153.

[7]齊美彬, 張莉, 蔣建國(guó), 等. 分塊跟蹤中的目標(biāo)模板更新方法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2011, 16(6): 976-982.

QI Meibin, ZHANG Li, JIANG Jianguo, et al. Target template update method in fragment tracking[J]. Journal of Image and Graphics, 2011, 16(6): 976-982.

[8]牛長(zhǎng)鋒, 陳登峰, 劉玉樹. 基于SIFT特征和粒子濾波的目標(biāo)跟蹤方法[J]. 機(jī)器人, 2010, 32(2): 241-247.

NIU Changfeng, CHEN Dengfeng, LIU Yushu. Tacking object based on SIFT features and particle filter[J]. Robot, 2010, 32(2): 241-247.

[9]左軍毅, 張怡哲, 梁彥. 自適應(yīng)不完全重采樣粒子濾波器[J]. 自動(dòng)化學(xué)報(bào), 2012, 38(4): 647-652.

ZUO Junyi, ZHANG Yizhe, LIANG Yan. Particle filter based on adaptive part resampling[J]. Acta Automatica Sinica, 2012, 38(4): 647-652.

[10]FLAVELL J H. Metacognitive aspects of problem solving[M]//RESNICK L B. The Nature of Intelligence. Hillsdale, USA: Erlbaum, 1976: 231-232.

[11]董奇. 論元認(rèn)知[J]. 北京師范大學(xué)學(xué)報(bào), 1989(1): 68-74.

[12]馮惠昌. 元認(rèn)知與學(xué)習(xí)[J]. 內(nèi)蒙古教育學(xué)院學(xué)報(bào), 1992(3): 66-70.

[13]杜曉新. 元認(rèn)知在認(rèn)知活動(dòng)中的作用—兼論如何培養(yǎng)學(xué)生的元認(rèn)知能力[J]. 上海師范大學(xué)學(xué)報(bào), 1992(3): 135-139.

[14]汪玲, 郭德俊. 元認(rèn)知的本質(zhì)與要素[J]. 心理學(xué)報(bào), 2000, 32(4): 458-463.

WANG Ling, GUO Dejun. The nature and components of metacognition[J]. Acta Psychological Sinica, 2000, 32(4): 458-463.

[15]楊寧. 元認(rèn)知研究的理論意義[J]. 心理學(xué)報(bào), 1995, 27(3): 322-328.

YANG Ning. Theoretical meaning of the study on metacognition[J]. Acta Psychological Sinica, 1995, 27(3): 322-328.

[16]董文會(huì), 常發(fā)亮, 李天平. 融合顏色直方圖及SIFT特征的自適應(yīng)分塊目標(biāo)跟蹤方法[J]. 電子與信息學(xué)報(bào), 2013, 35(4): 770-776.

DONG Wenhui, CHANG Faliang, LI Tianping. Adaptive fragments-based target tracking method fusing color histogram and SIFT features[J]. Journal of Electronics & Information Technology, 2013, 35(4): 770-776.

[17]陳真, 王釗. 基于元認(rèn)知模型的智能混合高斯背景建模[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用. 2013, 22(9): 180-184, 159.

CHEN Zhen, WANG Zhao. Metacognitive model-based intelligent Gaussian mixture background modeling[J]. Computer Systems & Applications, 2013, 22(9): 180-184, 159.

陳真，女，1975年生，高級(jí)工程師，主要研究方向?yàn)樾盘?hào)處理、模式識(shí)別、人工智能。

王釗，男，1976年生，副教授，主要研究方向?yàn)榉蔷€性系統(tǒng)。