[發(fā)明專利]目標(biāo)識(shí)別方法、目標(biāo)識(shí)別裝置、終端設(shè)備和目標(biāo)識(shí)別系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201610255052.2
• 申請(qǐng)日: 2016-04-22
• 公開（公告）號(hào): CN107305636A
• 公開（公告）日: 2017-10-31
• 發(fā)明（設(shè)計(jì)）人: 戴依若
• 申請(qǐng)（專利權(quán)）人: 株式會(huì)社日立制作所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 上海市華誠律師事務(wù)所31210
• 代理人: 談晨雯

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)識(shí)別技術(shù)，尤其涉及基于在線自動(dòng)深度學(xué)習(xí)的目標(biāo)識(shí)別方法、目標(biāo)識(shí)別裝置、終端設(shè)備和目標(biāo)識(shí)別系統(tǒng)。

背景技術(shù)

目標(biāo)識(shí)別技術(shù)在視頻監(jiān)控、機(jī)器人、智能交通等領(lǐng)域都有廣泛的應(yīng)用前景。但是由于目標(biāo)識(shí)別需要涉及到大量數(shù)據(jù)的計(jì)算和分析，外加光視角等環(huán)境因素的干擾，傳統(tǒng)識(shí)別算法無法提取到圖像的優(yōu)選特征，導(dǎo)致識(shí)別率有限。

目標(biāo)識(shí)別的一種方法可采用傳統(tǒng)的離線學(xué)習(xí)方法。但是，在傳統(tǒng)的離線學(xué)習(xí)方法中，利用離線分類器訓(xùn)練的分類模型只適用于特定的環(huán)境中的特定目標(biāo)。當(dāng)視頻圖像中的目標(biāo)大小和環(huán)境等與訓(xùn)練樣本嚴(yán)重不一致時(shí)，無法進(jìn)行精確的行為識(shí)別，可移植性不好。雖然通過大樣本訓(xùn)練分類器的方法在一定程度上可以彌補(bǔ)這一缺陷。然而，這類算法往往需要建立包括不同條件、不同場景的大樣本數(shù)據(jù)庫，同時(shí)需要對(duì)數(shù)據(jù)庫中的數(shù)據(jù)進(jìn)行手工標(biāo)記，從而帶來了巨大的工作量和諸多不便。

目標(biāo)識(shí)別的另一種方法是采用現(xiàn)有的在線學(xué)習(xí)方法。相比于傳統(tǒng)的離線學(xué)習(xí)方法，現(xiàn)有的在線學(xué)習(xí)方法不僅能以模型更新的方式保證模型的正確性，還能節(jié)約大量的存儲(chǔ)空間。在線學(xué)習(xí)方法可以大大弱化學(xué)習(xí)過程中手工標(biāo)注這一繁瑣的步驟，通常不需要啟動(dòng)數(shù)據(jù)，或只需啟動(dòng)少量數(shù)據(jù)，即，只需手工標(biāo)注一個(gè)較小的樣本集來用于分類器的初始訓(xùn)練。然后，該分類器在執(zhí)行分類任務(wù)時(shí)，能夠不斷地獲得新樣本，從而持續(xù)的自我訓(xùn)練和改進(jìn)，以提高分類精度。雖然可以采用現(xiàn)有的在線學(xué)習(xí)方法來解決部分問題，但是現(xiàn)有的在線學(xué)習(xí)方法需要對(duì)獲得的新樣本進(jìn)行類別的自動(dòng)標(biāo)注，否則無法實(shí)現(xiàn)識(shí)別系統(tǒng)的智能化，并且訓(xùn)練樣本標(biāo)注的正確與否決定了整個(gè)訓(xùn)練過程的有效性。因而，初始精度低的分類器極其不適用于響應(yīng)迅速且精度要求可靠的應(yīng)用。

在2015年7月1日公開的公告號(hào)為CN102915453B的中國專利中，提出了一種實(shí)時(shí)反饋更新的車輛識(shí)別方法，包括離線學(xué)習(xí)處理、實(shí)時(shí)識(shí)別處理和在線學(xué)習(xí)處理。首先，利用離線學(xué)習(xí)處理中得到的離線強(qiáng)分類器中對(duì)實(shí)時(shí)識(shí)別過程中采集到的第1～K幀圖片進(jìn)行分類，得到識(shí)別結(jié)果。然后，在在線學(xué)習(xí)處理中，根據(jù)得到的識(shí)別結(jié)果截取樣本，利 用在線強(qiáng)分類器進(jìn)行車輛識(shí)別，得到識(shí)別目標(biāo)。在線學(xué)習(xí)處理不斷對(duì)在線強(qiáng)分類器進(jìn)行更新。但是，在該專利文獻(xiàn)中，離線學(xué)習(xí)依賴于特征提取和分類器選擇。特征選取需要針對(duì)不同應(yīng)用作專門設(shè)計(jì)，并且使用的分類器AdaBoost又依賴于弱分類器初始選擇。而且，在線學(xué)習(xí)的訓(xùn)練樣本僅來源于第1～K幀圖片，數(shù)據(jù)類型不能模擬更多的場景。

發(fā)明內(nèi)容

本發(fā)明針對(duì)現(xiàn)有技術(shù)中存在的不足之處，提出了基于在線自動(dòng)深度學(xué)習(xí)的目標(biāo)識(shí)別方法、目標(biāo)識(shí)別裝置、終端設(shè)備和目標(biāo)識(shí)別系統(tǒng)。本發(fā)明的目標(biāo)識(shí)別方法、目標(biāo)識(shí)別裝置、終端設(shè)備和目標(biāo)識(shí)別系統(tǒng)，實(shí)現(xiàn)了高準(zhǔn)確率的目標(biāo)識(shí)別。

根據(jù)本發(fā)明的一個(gè)方面，提供了一種目標(biāo)識(shí)別方法，所述目標(biāo)識(shí)別方法基于在線自動(dòng)深度學(xué)習(xí)，所述方法包括：

實(shí)時(shí)采集圖像數(shù)據(jù)；

利用存儲(chǔ)的第一分類器，對(duì)采集到的圖像數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別，以生成帶有類別標(biāo)簽的圖像數(shù)據(jù)，所述類別標(biāo)簽包含目標(biāo)類別以及目標(biāo)后驗(yàn)概率；

在所述目標(biāo)后驗(yàn)概率滿足預(yù)定存儲(chǔ)條件的情況下，按照所述目標(biāo)類別，將所述帶有類別標(biāo)簽的圖像數(shù)據(jù)存儲(chǔ)為訓(xùn)練樣本；以及

在預(yù)定啟動(dòng)條件被滿足的情況下，啟動(dòng)在線深度學(xué)習(xí)處理，所述在線深度學(xué)習(xí)處理包括基于所述存儲(chǔ)的第一分類器構(gòu)建網(wǎng)絡(luò)模型，并且將存儲(chǔ)的全部訓(xùn)練樣本輸入到構(gòu)建的網(wǎng)絡(luò)模型中進(jìn)行深度學(xué)習(xí)處理，以獲得第三分類器，并且用獲得的所述第三分類器來更新所述存儲(chǔ)的第一分類器。

進(jìn)一步地，所述存儲(chǔ)的第一分類器所采用的初始分類器是通過對(duì)類別標(biāo)簽由人工標(biāo)注的訓(xùn)練樣本進(jìn)行深度學(xué)習(xí)所獲得的離線深度學(xué)習(xí)分類器。

進(jìn)一步地，所述目標(biāo)識(shí)別方法進(jìn)一步包括：

定期將所述存儲(chǔ)的全部訓(xùn)練樣本經(jīng)由網(wǎng)絡(luò)傳輸給遠(yuǎn)端服務(wù)器，以進(jìn)行離線深度學(xué)習(xí)處理；以及

經(jīng)由所述網(wǎng)絡(luò)從所述遠(yuǎn)端服務(wù)器接收由所述遠(yuǎn)端服務(wù)器進(jìn)行所述離線深度學(xué)習(xí)處理所獲得的第二分類器，并且在接收到所述第二分類器時(shí)，用接收到的所述第二分類器來更新所述存儲(chǔ)的第一分類器。

進(jìn)一步地，在進(jìn)行目標(biāo)識(shí)別之前，所述方法進(jìn)一步包括對(duì)所述采集到的圖像數(shù)據(jù)進(jìn)行圖像預(yù)處理，以提高圖像清晰度，并從所述采集到的圖像數(shù)據(jù)中提取出感興趣區(qū)域圖 像數(shù)據(jù)；并且

在進(jìn)行目標(biāo)識(shí)別時(shí)，對(duì)所述采集到的圖像數(shù)據(jù)中的所述感興趣區(qū)域圖像數(shù)據(jù)進(jìn)行目標(biāo)識(shí)別。

進(jìn)一步地，在進(jìn)行深度學(xué)習(xí)之前，所述在線深度學(xué)習(xí)處理進(jìn)一步包括對(duì)所述存儲(chǔ)的全部訓(xùn)練樣本進(jìn)行圖像預(yù)處理，以提高圖像清晰度。