[發明專利]分類模型訓練方法、轎廂內對象分類方法、設備及介質

在審

• 申請號: 202210348476.9
• 申請日: 2022-04-01
• 公開（公告）號: CN114580570A
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 楊志新;王繼坤;楊朝旭
• 申請（專利權）人: 澳門大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/06;G06N3/08;G06V10/764;G06V10/774;G06V10/82
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 舒淼

本申請提供一種分類模型訓練方法、轎廂內對象分類方法、設備及介質，涉及計算機視覺技術領域。該分類模型訓練方法包括：首先根據每一層極限學習機的神經元節點數，采用自編碼器處理轎廂內樣本圖像，得到堆棧式極限學習機中第一層極限學習機的初始系數矩陣。再根據上述信息以及轎廂內樣本圖像對應的初始分類標簽矩陣、預設熵函數，得到第一層極限學習機的隱含層系數矩陣。通過對第一層極限學習機的隱含層系數矩陣進行優選，并得到更新后的系數矩陣和分類標簽矩陣。在更新的基礎上，采用目標函數，得到堆棧式極限學習機中第二層極限學習機的隱含層系數矩陣，直至達到堆棧式極限學習機的預設停止迭代條件，完成對分類模型的訓練。

技術領域

本發明涉及計算機視覺技術領域，具體而言，涉及一種分類模型訓練方法、轎廂內對象分類方法、設備及介質。

背景技術

電梯在給人們帶來便捷和方便的同時，也對乘梯人員的安全提出了新的挑戰，由于電梯相對密閉的特性，在電梯內可能發生各類安全事件，例如沖突、突發疾病等。

目前，大多數的電梯的轎廂內都安裝了視頻監控裝置，部分的視頻監控同時可以對轎廂內的乘客行為或者物品進行自主安全監控。但是，當視頻監控拍攝到有噪聲的畫面或者轎廂內光線條件較為復雜時，會大大影響識別算法的精確度，進而造成安全隱患，因此急需一種能夠適應復雜噪聲環境的轎廂內對象分類算法。

發明內容

本發明的目的在于，針對上述現有技術中的不足，提供一種分類模型訓練方法、轎廂內對象分類方法、設備及介質，以便搭建在復雜噪聲環境下的電梯轎廂內的分類模型。

為實現上述目的，本申請實施例采用的技術方案如下：

第一方面，本申請實施例提供了一種分類模型訓練方法，所述分類模型包括：自編碼器和堆棧式極限學習機，所述方法包括：

根據每一層極限學習機的神經元節點數，采用自編碼器處理轎廂內樣本圖像，得到所述堆棧式極限學習機中第一層極限學習機的初始系數矩陣H₁；根據所述初始系數矩陣H₁、所述轎廂內樣本圖像對應的初始分類標簽矩陣T₁以及預設熵函數V，采用所述堆棧式極限學習機的目標函數，得到第一層極限學習機的隱含層系數矩陣β₁，其中所述目標函數為：

對所述第一層極限學習機的隱含層系數矩陣進行優選，得到優選后的隱含層系數矩陣其中，所述優選后的隱含層系數矩陣對應的神經節點數少于所述初始系數矩陣對應的神經節點數；

根據所述優選后的隱含層系數矩陣計算特征向量根據所述優選后的隱含層系數矩陣和所述特征向量更新所述初始系數矩陣，得到更新后的系數矩陣β′₁，并更新所述初始分類標簽矩陣得到新的分類標簽矩陣；其中：

根據所述更新后的系數矩陣、所述轎廂內樣本圖像、所述分類標簽矩陣以及所述預設熵函數，采用所述目標函數，得到所述堆棧式極限學習機中第二層極限學習機的隱含層系數矩陣，直至達到所述堆棧式極限學習機的預設停止迭代條件。

可選的，所述根據每一層極限學習機的神經元節點數，采用自編碼器處理轎廂內樣本圖像，得到第一層極限學習機的初始系數矩陣，包括：

采用所述轎廂內樣本圖像，得到所述自編碼器的重建矩陣；

根據所述轎廂內樣本圖像、預設激活函數以及所述神經元節點數、所述重建矩陣，計算所述初始系數矩陣。

可選的，所述根據所述初始系數矩陣、所述轎廂內樣本圖像對應的初始分類標簽矩陣以及預設熵函數，采用所述堆棧式極限學習機的目標函數，得到所述堆棧式極限學習機中第一層極限學習機的隱含層系數矩陣，包括：