閆琳

（西安航空職業(yè)技術學院，陜西西安 710089）

隨著人工智能、虛擬現(xiàn)實(VR)等技術的發(fā)展，高職教育也迎來了信息化、智能化轉型的機遇。使用計算機技術對教學場景進行動態(tài)建模，再基于各種感知技術對場景進行信息采集，便可實現(xiàn)智能化的人機交互。最終，基于智能設備完成對于學生的職業(yè)技能培訓，實現(xiàn)“人工智能+職業(yè)教育”的結合[1-5]。

在上述背景下，文中以空乘專業(yè)的職業(yè)培訓為切入點，針對職業(yè)技能教育場景下的動態(tài)建模、智能感知方法進行了研究。在動態(tài)建模方面，引入了基于視頻圖像的環(huán)境建模方法。并結合實際的教學環(huán)境，對光照進行了自然均衡，提升設備對于環(huán)境信息的采集能力[6-8]；在智能感知方面，文中使用膠囊結構代替?zhèn)鹘y(tǒng)的神經(jīng)元結構，提升算法在復雜場景下的感知能力[9-12]。

1 理論基礎

隨著智能設備的普及，對于復雜動態(tài)環(huán)境的場景建模與人體行為感知，將在各個行業(yè)發(fā)揮越來越重要的作用。在進行動態(tài)環(huán)境建模時，需要根據(jù)文中的應用場景，解決動態(tài)環(huán)境光照復雜多變、人體動作識別困難兩個問題。

1.1 光照補償結構圖的光照自然均衡算法

由于在動態(tài)環(huán)境采集時，光照難以規(guī)律地變化，從而導致采集設備無法準確獲取環(huán)境信息。為了解決該問題，文中引入了一種光照自然均衡算法。其基本流程如圖1 所示。

圖1 算法流程

在進行直方圖均衡時，傳統(tǒng)的方法能夠改進圖像的亮度與對比度，但由于過度追求亮度的均勻分布，經(jīng)常會造成圖像炫光。為此，文中對均衡方法進行了改進[13-16]。對于通道V的(x,y)點，記其亮度為v(x,y)。首先，對直方圖進行歸一化，在此引入歸一化函數(shù)：

將直方圖轉化到對數(shù)坐標系：

其中，Hlhet為文中的均衡變換關系。定義光照補償結構圖ics(x,y)：

其中，gn是當前環(huán)境下的光感知單元模型：

在進行光補償時，需考慮宏觀的圖像因素。當圖像整體較亮，但亮度差異較大時，需要對亮度小的部分提供更大的光補償權重。為使該方法能夠感知亮度分布的集中度，文中定義了圖像的全局補償感知指數(shù)：

接著，根據(jù)物體的光照反射基本原理，能夠獲得直方圖均衡圖像vlh的反射分量vlh(x,y)。隨后對vlh(x,y)進行對數(shù)變換，然后進行歸一化，可以計算得到反射量的估計gv(x,y)：

最后，利用反射量的估計值得到vlh補償后的結果：

1.2 膠囊網(wǎng)絡

為了對動態(tài)環(huán)境感知后的人體進行智能識別，還需引入人體行為識別算法。由于動態(tài)環(huán)境下，人體的行為不斷變化，因此相較于靜態(tài)圖像的行為識別，動態(tài)環(huán)境下則需要對行為進行分解再整合。文中引入了融合注意力機制的膠囊網(wǎng)絡，在該網(wǎng)絡中使用膠囊作為信息處理的基本單元，其基本結構如圖2所示。

圖2 膠囊基本結構

相較于神經(jīng)網(wǎng)絡中的神經(jīng)元，膠囊的激活條件是多個人體姿勢之間的比較差值。在圖2 中，ui是圖像低層次特征，Ui是低層次對應的高層次特征，Wij為對應的傳輸權重，預測向量加權后，得到加權和sj=∑icij·Uj|i。其中，Uj|i=Wij·ui，加權和經(jīng)Squash 函數(shù)壓縮后，得到膠囊的輸出vj：

在膠囊網(wǎng)絡中，對于層數(shù)L的膠囊c，需要獲取其姿勢矩陣Mc和激活值ac：

由于在L、L+1 層間，每個感受野(k,i,j)內(nèi)均會產(chǎn)生CL×CL+1個投票，因此在決策時，需要使用最大期望（EM）路由算法。首先，對分配概率Rij進行初始化分配隨后，在路由迭代的過程中，對高斯模型與高層膠囊的激活值進行更新：

最終，能夠獲得模型的參數(shù)pj的更新方法：

相較于傳統(tǒng)的神經(jīng)網(wǎng)絡的神經(jīng)元，依靠膠囊組建的非線性網(wǎng)絡更注重學習動作組合本身的內(nèi)在機制，而不是單純的進行數(shù)據(jù)集的模仿。為了保證膠囊對于視頻動作的捕捉能力，文中還引入了“擠壓-激勵”機制：

“擠壓”后，所有類型的動作均在維度方面有所收縮，實現(xiàn)了信息聚集，能夠捕獲膠囊在類型層上的依賴性：

隨后輸入激勵，整合上下文信息有：

最終，引入尺度變換將“激勵”后的結果與原始的特征層進行修正：

其中，uc∈RH×W×D。

2 方法實現(xiàn)

2.1 實驗設計

在算法驗證階段，該文使用公開數(shù)據(jù)集J-HMDB與UCF-Sports 進行模型的訓練和測試，驗證算法在智能感知時的有效性。視頻環(huán)境的動態(tài)感知需要消耗大量的運算資源，為了保證順利完成算法的訓練和測試，文中在進行實驗時，使用了目前最強的消費級GPU。該顯卡基于NVIDIA 的安培架構，使用8 nm工藝，運行速率能夠達到19.5 Gbps。仿真環(huán)境的其他硬件參數(shù)，如表3 所示。

表3 仿真環(huán)境的硬件參數(shù)

2.2 仿真結果

在測試算法前，需要先利用數(shù)據(jù)集進行模型的訓練。在進行場景的智能感知時，會由于類別、定位的判別錯誤產(chǎn)生類別損失與定位損失。因此文中在設計損失函數(shù)時，引入Sigmoid 函數(shù)的交叉熵來計算損失。首先，對于空間位置(k,i,j)，能夠得到后驗概率：根據(jù)后驗概率，能夠得到損失函數(shù)：

在確定損失后，J-HMDB、UCF-Sports 每個數(shù)據(jù)集中60%的數(shù)據(jù)分別作為訓練數(shù)據(jù)進行模型的訓練，獲得兩個不同的模型；隨后，將剩余40%的數(shù)據(jù)作為測試數(shù)據(jù)分別輸入到對應的模型中。在測試時，文中將f-Map 和v-Map 的IoU 閾值分別設置為0.5 與0.2。最終的測試結果，如表4 所示。

表4 該文算法的仿真結果

為了評估文中算法結果的公正性，該文采用同樣的仿真環(huán)境，使用經(jīng)典的卷積神經(jīng)網(wǎng)絡算法LeNet進行了對比測試。其測試的結果，如表5 所示。

表5 LeNet的仿真結果

從表4 能夠看出，該文算法在J-HMDB 數(shù)據(jù)集上f-Map、v-Map 兩個指標均大于UCF-Sports 數(shù)據(jù)集上的指標。因此，文中在J-HMDB 數(shù)據(jù)集上的感知效果優(yōu)于UCF-Sports。從表5能夠看出，LeNet在J-HMDB上的感知效果同樣優(yōu)于UCF-Sports。分析兩個數(shù)據(jù)集的結構，在J-HMDB 的數(shù)據(jù)集內(nèi)部的視頻中，所要感知的目標大多集中在視頻中央，而UCF-Sports 較分散。由于在損失函數(shù)中，會引入定位誤差，因此較分散的動態(tài)環(huán)境不利用智能感知算法進行處理。

對比表4 與表5 的仿真結果能夠看出，該文引入的智能感知算法在進行動態(tài)環(huán)境的感知時，f-Map、v-Map 兩個指標均優(yōu)于LeNet。以J-HMDB 數(shù)據(jù)集為例，文中算法在f-Map、v-Map 上分別提升5.56%與4.98%。LeNet 是視頻識別、智能感知領域的經(jīng)典算法，因此可以證明文中的算法達到了能夠廣泛使用的性能要求。但結合UCF-Sports 數(shù)據(jù)集的仿真結果，文中算法在該數(shù)據(jù)集上的提升小于J-HMDB。這說明該文算法在處理分散動態(tài)環(huán)境的能力上仍有一定的優(yōu)化空間。

此外，為了評估“擠壓-激勵”機制引入的降維比的參數(shù)對算法性能的影響，文中對不同降維比下的算法性能進行了評估，結果如表6 所示?？梢钥闯?，當降維比增加時，參數(shù)增加量會降低，f-Map與v-Map會提升。當降維比取16 時，模型參數(shù)與參數(shù)增加量取得了較好的平衡。

表6 不同降維比下的仿真結果

3 結束語

文中對于高等院校職業(yè)技能訓練智能化過程所需要的動態(tài)建模與智能感知方法進行了研究。在動態(tài)建模方面，引入了光照補償結構圖的光照自然均衡算法，提升視頻設備對于環(huán)境信息的采集能力；在智能感知方面，使用膠囊組建了非線性網(wǎng)絡，實現(xiàn)了復雜環(huán)境下的目標定位與動作識別。文中方法能夠達到業(yè)界的性能要求，并有所提升，可以進行推廣應用。