分类模型训练方法、轿厢内对象分类方法、设备及介质技术

本申请提供一种分类模型训练方法、轿厢内对象分类方法、设备及介质，涉及计算机视觉技术领域。该分类模型训练方法包括：首先根据每一层极限学习机的神经元节点数，采用自编码器处理轿厢内样本图像，得到堆栈式极限学习机中第一层极限学习机的初始系数矩阵。再根据上述信息以及轿厢内样本图像对应的初始分类标签矩阵、预设熵函数，得到第一层极限学习机的隐含层系数矩阵。通过对第一层极限学习机的隐含层系数矩阵进行优选，并得到更新后的系数矩阵和分类标签矩阵。在更新的基础上，采用目标函数，得到堆栈式极限学习机中第二层极限学习机的隐含层系数矩阵，直至达到堆栈式极限学习机的预设停止迭代条件，完成对分类模型的训练。完成对分类模型的训练。完成对分类模型的训练。

【技术实现步骤摘要】
分类模型训练方法、轿厢内对象分类方法、设备及介质


[0001]本专利技术涉及计算机视觉
，具体而言，涉及一种分类模型训练方法、轿厢内对象分类方法、设备及介质。

技术介绍

[0002]电梯在给人们带来便捷和方便的同时，也对乘梯人员的安全提出了新的挑战，由于电梯相对密闭的特性，在电梯内可能发生各类安全事件，例如冲突、突发疾病等。
[0003]目前，大多数的电梯的轿厢内都安装了视频监控装置，部分的视频监控同时可以对轿厢内的乘客行为或者物品进行自主安全监控。但是，当视频监控拍摄到有噪声的画面或者轿厢内光线条件较为复杂时，会大大影响识别算法的精确度，进而造成安全隐患，因此急需一种能够适应复杂噪声环境的轿厢内对象分类算法。

技术实现思路

[0004]本专利技术的目的在于，针对上述现有技术中的不足，提供一种分类模型训练方法、轿厢内对象分类方法、设备及介质，以便搭建在复杂噪声环境下的电梯轿厢内的分类模型。
[0005]为实现上述目的，本申请实施例采用的技术方案如下：
[0006]第一方面，本申请实施例提供了一种分类模型训练方法，所述分类模型包括：自编码器和堆栈式极限学习机，所述方法包括：
[0007]根据每一层极限学习机的神经元节点数，采用自编码器处理轿厢内样本图像，得到所述堆栈式极限学习机中第一层极限学习机的初始系数矩阵H1；根据所述初始系数矩阵H1、所述轿厢内样本图像对应的初始分类标签矩阵T1以及预设熵函数V，采用所述堆栈式极限学习机的目标函数，得到第一层极限学习机的隐含层系数矩阵β1，其中所述目标函数为：
[0008][0009]对所述第一层极限学习机的隐含层系数矩阵进行优选，得到优选后的隐含层系数矩阵其中，所述优选后的隐含层系数矩阵对应的神经节点数少于所述初始系数矩阵对应的神经节点数；
[0010]根据所述优选后的隐含层系数矩阵计算特征向量根据所述优选后的隐含层系数矩阵和所述特征向量更新所述初始系数矩阵，得到更新后的系数矩阵β
′1，并更新所述初始分类标签矩阵得到新的分类标签矩阵；其中：
[0011][0012]根据所述更新后的系数矩阵、所述轿厢内样本图像、所述分类标签矩阵以及所述预设熵函数，采用所述目标函数，得到所述堆栈式极限学习机中第二层极限学习机的隐含层系数矩阵，直至达到所述堆栈式极限学习机的预设停止迭代条件。
[0013]可选的，所述根据每一层极限学习机的神经元节点数，采用自编码器处理轿厢内
样本图像，得到第一层极限学习机的初始系数矩阵，包括：
[0014]采用所述轿厢内样本图像，得到所述自编码器的重建矩阵；
[0015]根据所述轿厢内样本图像、预设激活函数以及所述神经元节点数、所述重建矩阵，计算所述初始系数矩阵。
[0016]可选的，所述根据所述初始系数矩阵、所述轿厢内样本图像对应的初始分类标签矩阵以及预设熵函数，采用所述堆栈式极限学习机的目标函数，得到所述堆栈式极限学习机中第一层极限学习机的隐含层系数矩阵，包括：
[0017]根据所述初始系数矩阵、所述初始分类标签矩阵以及所述预设熵函数，采用所述目标函数，得到所述第一层极限学习机的隐含层系数矩阵，其中所述预设熵函数为相关熵函数。
[0018]可选的，所述对所述第一层极限学习机的隐含层系数矩阵进行优选，得到优选后的隐含层系数矩阵，包括：
[0019]计算所述第一层极限学习机的隐含层系数矩阵的协方差矩阵；
[0020]计算所述协方差矩阵的至少一个特征值和各特征值对应的特征向量；
[0021]对所述至少一个特征值进行筛选；
[0022]根据筛选后的目标特征值对应的特征向量，以及所述第一层极限学习机的隐含层系数矩阵，得到所述优选后的隐含层系数矩阵。
[0023]可选的，所述根据所述优选后的隐含层系数矩阵和所述特征向量，更新所述初始系数矩阵，得到更新后的系数矩阵β
′1，并更新所述初始分类标签矩阵得到新的分类标签矩阵，包括：
[0024]根据所述第一层极限学习机得到的初始系数矩阵和所述目标特征值对应的特征向量，得到中间系数矩阵；
[0025]根据所述中间系数矩阵，得到所述更新后的系数矩阵，所述更新后的系数矩阵对应的神经节点数等于所述初始系数矩阵对应的神经节点数；
[0026]根据所述更新后的系数矩阵和所述优选后的隐含层系数矩阵，得到所述新的分类标签矩阵。
[0027]可选的，若所述初始分类标签矩阵包括：至少一类目标对象的类别标签，所述采用所述堆栈式极限学习机的目标函数，得到第一层极限学习机的隐含层系数矩阵之前，所述方法还包括：
[0028]在所述轿厢内样本图像上为至少一类目标对象添加的类别标签。
[0029]可选的，若所述初始分类标签矩阵包括：预设目标对象的姿态标签，所述采用所述堆栈式极限学习机的目标函数，得到第一层极限学习机的隐含层系数矩阵之前，所述方法还包括：
[0030]根据所述预设目标对象的关键点模型，识别所述轿厢内样本图像，得到关键点位置；
[0031]根据所述关键点位置，生成所述姿态标签。
[0032]第二方面，本申请实施例还提供了一种轿厢内对象分类方法，所述方法包括：
[0033]获取预设电梯的轿厢内图像；
[0034]根据上述任一所述分类模型训练方法训练得到的分类模型，对所述轿厢内图像进
行处理，得到所述预设电梯内的对象类别。
[0035]第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行时执行如第一方面任一所述的分类模型训练方法的步骤。
[0036]第四方面，本申请实施例还提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的分类模型训练方法的步骤。
[0037]本申请的有益效果是：本申请实施例提供一种分类模型训练方法，分类模型包括自编码器和堆栈式极限学习机，该方法首先根据每一层极限学习机的神经元节点数，采用自编码器处理轿厢内样本图像，得到堆栈式极限学习机中第一层极限学习机的初始系数矩阵。再根据初始系数矩阵、轿厢内样本图像对应的初始分类标签矩阵以及预设熵函数，采用堆栈式极限学习机的目标函数，得到第一层极限学习机的隐含层系数矩阵。通过对第一层极限学习机的隐含层系数矩阵进行优选，得到的优选后的隐含层系数矩阵，根据优选后的隐含层系数矩阵，计算特征向量，再根据优选后的隐含层系数矩阵和特征向量，更新初始系数矩阵得到更新后的系数矩阵，并更新初始分类标签矩阵得到新的分类标签矩阵。根据更新后的系数矩阵、轿厢内样本图像、新的分类标签矩阵以及预设熵函数，采用目标函数，得到堆栈式极限学习机中第二层极限学习机的隐含层系数矩阵，直至达到堆栈式极限学习机的预设停止迭代条件，完成对分类模型的训练。其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分类模型训练方法，其特征在于，所述分类模型包括：自编码器和堆栈式极限学习机，所述方法包括：根据每一层极限学习机的神经元节点数，采用自编码器处理轿厢内样本图像，得到所述堆栈式极限学习机中第一层极限学习机的初始系数矩阵H1；根据所述初始系数矩阵H1、所述轿厢内样本图像对应的初始分类标签矩阵T1以及预设熵函数V，采用所述堆栈式极限学习机的目标函数，得到第一层极限学习机的隐含层系数矩阵β1，其中所述目标函数为：对所述第一层极限学习机的隐含层系数矩阵进行优选，得到优选后的隐含层系数矩阵其中，所述优选后的隐含层系数矩阵对应的神经节点数少于所述初始系数矩阵对应的神经节点数；根据所述优选后的隐含层系数矩阵计算特征向量根据所述优选后的隐含层系数矩阵和所述特征向量更新所述初始系数矩阵，得到更新后的系数矩阵β1′
，并更新所述初始分类标签矩阵得到新的分类标签矩阵；其中：根据所述更新后的系数矩阵、所述轿厢内样本图像、所述新的分类标签矩阵以及所述预设熵函数，采用所述目标函数，得到所述堆栈式极限学习机中第二层极限学习机的隐含层系数矩阵，直至达到所述堆栈式极限学习机的预设停止迭代条件。2.如权利要求1所述的方法，其特征在于，所述根据每一层极限学习机的神经元节点数，采用自编码器处理轿厢内样本图像，得到第一层极限学习机的初始系数矩阵，包括：采用所述轿厢内样本图像，得到所述自编码器的重建矩阵；根据所述轿厢内样本图像、预设激活函数以及所述神经元节点数、所述重建矩阵，计算所述初始系数矩阵。3.如权利要求1所述的方法，其特征在于，所述根据所述初始系数矩阵、所述轿厢内样本图像对应的初始分类标签矩阵以及预设熵函数，采用所述堆栈式极限学习机的目标函数，得到所述堆栈式极限学习机中第一层极限学习机的隐含层系数矩阵，包括：根据所述初始系数矩阵、所述初始分类标签矩阵以及所述预设熵函数，采用所述目标函数，得到所述第一层极限学习机的隐含层系数矩阵，其中所述预设熵函数为相关熵函数。4.如权利要求2所述的方法，其特征在于，所述对所述第一层极限学习机的隐含层系数矩阵进行优选，得到优选后的隐含层系数矩阵，包括：计算所述第一层极限学习机的隐含层系数矩阵的协方差矩阵；计算所述协方差矩阵的至少一个...

【专利技术属性】
技术研发人员：杨志新，王继坤，杨朝旭，
申请(专利权)人：澳门大学，
类型：发明
国别省市：