[发明专利]集体学习的模式分类系统和方法

说明书

技术领域

本发明一般涉及用于模式识别的方法和系统，且更具体地，涉及用于收集和汇编来自多个本地模式识别系统的数据的方法和系统，以适应本地环境中的变化以及配置安装在类似的环境中的其他本地系统。

背景技术

模式识别系统已被研究了很多年且已获得了一些应用的认可。但是，挡在更广泛的认可和使用的道路上的主要障碍之一是安装、配置和维护这些系统的困难。潜在的顾客常常选择不实施这些系统，因为启动和配置程序简直太复杂以致于无法有成本效益。这个困难来源于以下基本问题，即，模式分类系统仅仅与用于建立分类器的信息一样精确。

模式分类系统被设计为将传感器所需的数据的模式匹配到现有的分类数据库或“训练集”。训练集被编程到设备中，以提供属于要识别的一个或多个对象类的多种的模式例子。当数据的模式在一定的精度内匹配训练集时，被检测的数据被分类以归属于一定的类。模式识别系统精确地将被测量的数据进行分类的能力依赖于训练集的大小和差异。遗憾的是，当设计分类系统时，常常很难预测系统要测量的数据的变化。例如，类的成员的实际变化、来自传感器误差的测量的变化、传感器噪音、系统启动变化、系统噪音以及环境变化或环境噪音可因安装在现场中的每个系统的不同而不同。

由于这些变化，模式识别系统常通过监督或非监督学习来包含适应新的分类数据的能力。这个适应能力允许训练集扩展以包括在初始安装后所需的新的数据。另外，新的训练数据常从这些“现场训练”设备中被提取出并手动地包括在模式识别系统的将来的安装中。

但是，有若干问题与这个方法相关联。例如，如果系统是静态的，即，不使用带有学习的自适应分类算法，它就不适合与其本地环境相关联的实际变化，例如类的成员的变化、由于传感器误差、传感器噪音引起的测量的变化、系统启动变化、系统噪音、环境变化或环境噪音等。

在另一方面，如果系统使用依赖非监督学习的自适应分类算法，传感器设计者限制了分类训练集的最终状态的控制。这个控制的缺少具有不期望的影响，即，由于与由每个设备“学习”的不同的数据相关联的学习的非确定的特征，各个传感器将在相同的条件下表现不同。依赖这些非监督方法的系统还需要设备上的另外的计算资源和功率。

如果系统使用仅依赖监督学习的自适应算法，则设计者或安装者不得不监督现场中的每个设备的训练以适应新的调节。因此，安装者必须模仿尽可能多的类成员的变化和环境变化以训练系统。这个方法常常不实用并引起顾客对系统复杂性的抱怨。

为了克服上述的很多缺陷，系统设计者常试图通过指定增加系统的成本的高质量的部件来最小化变化。例如，高质量的传感器最小化传感器偏差和噪音；昂贵的硬件过滤器最小化传感器、系统和环境噪音；高速处理器可实施复杂的软件过滤器，并执行特征抽取和复杂的分类算法；且大量的系统存储器可存储大的训练集，允许实际类成员中的尽可能多的预期的变化，以及环境条件的变化。

另外，系统常常配置有高带宽的数据端连接，以允许安装者在安装期间直接监控传感器数据以及帮助设备的监督训练。在环境条件改变的情况下，系统性能常常被影响，导致安装者重新调整系统。

如果最终顾客请求改变系统操作，例如对象或数据的新的类的识别，设计者必须创建新的分类训练集，且安装者必须重复安装程序以用新的类成员调整系统。

因此，需要用于收集和汇编来自多个本地图像处理系统的模式识别数据的系统和方法，以使得被收集的数据可用于更新本地处理系统，从而允许环境的变化以及配置和更新另外的图像处理系统。

发明内容

本发明有利地提供了用于配置和更新集体学习模式识别系统的本地图像处理系统的方法和系统。一般地，本发明使用从集体学习模式识别系统中的本地图像处理系统收集的信息，来自动地配置和更新位于类似环境中的其他本地图像处理系统。

本发明的一方面包括用于配置模式识别系统的方法，该方法通过从至少一个第一本地图像处理系统接收对象识别数据以及将对象识别数据存储到至少一个全局数据库中来实现。至少部分地基于从至少一个第一本地图像处理系统接收的对象识别数据，第二本地图像处理系统的配置数据被确定并发送到第二本地图像处理系统。

根据另一个方面，本发明提供了用于配置模式识别系统的方法，该方法被公开为发送第一组系统参数到集中式专家模式识别系统。作为响应，至少部分地基于从至少一个其他本地图像处理系统收集的第一组系统参数和对象识别数据，配置数据从集中式专家模式识别系统被接收。