目标识别方法、目标识别装置、终端设备和目标识别系统制造方法及图纸

本发明专利技术提供了基于在线自动深度学习的目标识别方法、目标识别装置、终端设备和目标识别系统。其中，该方法包括：实时采集图像数据；利用存储的第一分类器，对采集到的图像数据进行目标识别，以生成带有类别标签的图像数据，类别标签包含目标类别以及目标后验概率；在目标后验概率满足预定存储条件的情况下，按照目标类别，存储为训练样本；以及在预定启动条件被满足的情况下，启动在线深度学习处理，以获得第三分类器，并且用获得的第三分类器来更新存储的第一分类器。通过采用本发明专利技术的上述方法，能够实现高准确率的目标识别。

Target recognition method, target recognition device, terminal equipment and target recognition system

The invention provides a target recognition method, a target recognition device, a terminal device and a target recognition system based on an online automatic depth learning. Among them, the method includes: real-time image data collected by the first classifier; storage, target identification of collected image data, image data to generate with category labels, labels containing the target categories and the target in the target posterior probability; posterior probability satisfies a predetermined storage conditions, in accordance with the target category storage, as the training sample; and be satisfied in a predetermined starting conditions, start online deep learning processing, in order to obtain the third classifiers, the first classifier and to update the classifier with third storage. By adopting the above mentioned method, the target recognition with high accuracy can be realized.

【技术实现步骤摘要】
目标识别方法、目标识别装置、终端设备和目标识别系统
本专利技术涉及目标识别技术，尤其涉及基于在线自动深度学习的目标识别方法、目标识别装置、终端设备和目标识别系统。
技术介绍
目标识别技术在视频监控、机器人、智能交通等领域都有广泛的应用前景。但是由于目标识别需要涉及到大量数据的计算和分析，外加光视角等环境因素的干扰，传统识别算法无法提取到图像的优选特征，导致识别率有限。目标识别的一种方法可采用传统的离线学习方法。但是，在传统的离线学习方法中，利用离线分类器训练的分类模型只适用于特定的环境中的特定目标。当视频图像中的目标大小和环境等与训练样本严重不一致时，无法进行精确的行为识别，可移植性不好。虽然通过大样本训练分类器的方法在一定程度上可以弥补这一缺陷。然而，这类算法往往需要建立包括不同条件、不同场景的大样本数据库，同时需要对数据库中的数据进行手工标记，从而带来了巨大的工作量和诸多不便。目标识别的另一种方法是采用现有的在线学习方法。相比于传统的离线学习方法，现有的在线学习方法不仅能以模型更新的方式保证模型的正确性，还能节约大量的存储空间。在线学习方法可以大大弱化学习过程中手工标注这一繁琐的本文档来自技高网...

【技术保护点】
一种目标识别方法，所述目标识别方法基于在线自动深度学习，其特征在于，所述方法包括：实时采集图像数据；利用存储的第一分类器，对采集到的图像数据进行目标识别，以生成带有类别标签的图像数据，所述类别标签包含目标类别以及目标后验概率；在所述目标后验概率满足预定存储条件的情况下，按照所述目标类别，将所述带有类别标签的图像数据存储为训练样本；以及在预定启动条件被满足的情况下，启动在线深度学习处理，所述在线深度学习处理包括基于所述存储的第一分类器构建网络模型，并且将存储的全部训练样本输入到构建的网络模型中进行深度学习处理，以获得第三分类器，并且用获得的所述第三分类器来更新所述存储的第一分类器。

【技术特征摘要】
1.一种目标识别方法，所述目标识别方法基于在线自动深度学习，其特征在于，所述方法包括：实时采集图像数据；利用存储的第一分类器，对采集到的图像数据进行目标识别，以生成带有类别标签的图像数据，所述类别标签包含目标类别以及目标后验概率；在所述目标后验概率满足预定存储条件的情况下，按照所述目标类别，将所述带有类别标签的图像数据存储为训练样本；以及在预定启动条件被满足的情况下，启动在线深度学习处理，所述在线深度学习处理包括基于所述存储的第一分类器构建网络模型，并且将存储的全部训练样本输入到构建的网络模型中进行深度学习处理，以获得第三分类器，并且用获得的所述第三分类器来更新所述存储的第一分类器。2.如权利要求1所述的方法，其特征在于，所述存储的第一分类器所采用的初始分类器是通过对类别标签由人工标注的训练样本进行深度学习所获得的离线深度学习分类器。3.如权利要求2所述的方法，其特征在于，所述目标识别方法进一步包括：定期将所述存储的全部训练样本经由网络传输给远端服务器，以进行离线深度学习处理；以及经由所述网络从所述远端服务器接收由所述远端服务器进行所述离线深度学习处理所获得的第二分类器，并且在接收到所述第二分类器时，用接收到的所述第二分类器来更新所述存储的第一分类器。4.如权利要求3所述的方法，其特征在于，在进行目标识别之前，所述方法进一步包括对所述采集到的图像数据进行图像预处理，以提高图像清晰度，并从所述采集到的图像数据中提取出感兴趣区域图像数据；并且在进行目标识别时，对所述采集到的图像数据中的所述感兴趣区域图像数据进行目标识别。5.如权利要求4所述的方法，其特征在于，在进行深度学习之前，所述在线深度学习处理进一步包括对所述存储的全部训练样本进行图像预处理，以提高图像清晰度。6.如权利要求1-5中任一项所述的方法，其特征在于，当属于所述目标类别的所述存储的训练样本的数量尚未达到预定数量时，所述预定存储条件采用第一存储条件，所述第一存储条件为所述目标后验概率大于等于预定阈值；当属于所述目标类别的所述存储的训练样本的数量已经达到所述预定数量时，所述预定存储条件采用第二存储条件，所述第二存储条件为所述目标后验概率大于等于所述预定阈值，并且所述目标后验概率大于属于所述目标类别的所述存储的训练样本的最低目标后验概率；并且当所述目标后验概率满足所述第二存储条件时，所述目标识别方法进一步包括，删除最早存储的属于所述目标类别的具有最低目标后验概率的训练样本。7.如权利要求6所述的方法，其特征在于，所述预定启动条件为使用所述目标识别方法的设备处于空闲状态，并且每个目标类别的所述存储的训练样本的数量均达到所述预定数量。8.如权利要求7所述的方法，其特征在于，所述预定数量为所述网络模型的网络参数个数的总数×10/要被训练的目标类别的总数。9.一种目标识别装置，所述目标识别装置基于在线自动深度学习，其特征在于，所述目标识别装置包括：实时检测装置、第一存储装置以及在线学习装置，其中所述实时检测装置包括：图像数据采集单元，所述图像数据采集单元实时采集图像数据；目标识别单元，所述目标识别单元利用存储在所述第一存储装置中的第一分类器，对采集到的图像数据进行目标识别，以生成带有类别标签的图像数据，所述类别标签包含目标类别以及目标后验概率；所述第一存储装置包括：第一分类器存储单元，所述第一分类器存储单元存储所述第一分类器；以及第一训练样本存储单元，所述第一训练样本存储单元在所述目标后验概率满足预定存储条件的情况下，按照所述目标类别，将所述带有类别标签的图像数据存储为训练样本；所述在线学习装置包括：在线学习启动单元，所述在线学习启动单元在预定启动条件被满足的情况下，启动在线深度学习处理；以及在线深度学习单元，当所述在线学习启动单元启动所述在线深度学习处理时，所述在线深度学习单元基于存储在所述第一分类器存储单元中的所述第一分类器构建网络模型，并且将存储在所述第一训练样本存储单元中的全部训练样本输入到构建的网络模型中进行深度学习处理，以获得第三分类器，并且用获得的所述第三分类器来更新存储在所述第一分类器存储单元中的所述第一分类器。10.如权利要求9所述的装置，其特征在于，存储在所述第一分类器存储单元中的所述第一分类器所采用的初始分类器是通过对类别标签由人工标注的训练样本进行深度学习所获得的离线深度学习分类器。11.如权利要求10所述的装置，其特征在于，进一步包括第一数据传输装置，其...

【专利技术属性】
技术研发人员：戴依若，
申请(专利权)人：株式会社日立制作所，
类型：发明
国别省市：日本,JP