[发明专利]目标识别方法、目标识别装置、终端设备和目标识别系统

说明书

技术领域

本发明涉及目标识别技术，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。

背景技术

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步骤，通常不需要启动数据，或只需启动少量数据，即，只需手工标注一个较小的样本集来用于分类器的初始训练。然后，该分类器在执行分类任务时，能够不断地获得新样本，从而持续的自我训练和改进，以提高分类精度。虽然可以采用现有的在线学习方法来解决部分问题，但是现有的在线学习方法需要对获得的新样本进行类别的自动标注，否则无法实现识别系统的智能化，并且训练样本标注的正确与否决定了整个训练过程的有效性。因而，初始精度低的分类器极其不适用于响应迅速且精度要求可靠的应用。

在2015年7月1日公开的公告号为CN102915453B的中国专利中，提出了一种实时反馈更新的车辆识别方法，包括离线学习处理、实时识别处理和在线学习处理。首先，利用离线学习处理中得到的离线强分类器中对实时识别过程中采集到的第1～K帧图片进行分类，得到识别结果。然后，在在线学习处理中，根据得到的识别结果截取样本，利 用在线强分类器进行车辆识别，得到识别目标。在线学习处理不断对在线强分类器进行更新。但是，在该专利文献中，离线学习依赖于特征提取和分类器选择。特征选取需要针对不同应用作专门设计，并且使用的分类器AdaBoost又依赖于弱分类器初始选择。而且，在线学习的训练样本仅来源于第1～K帧图片，数据类型不能模拟更多的场景。

发明内容

本发明针对现有技术中存在的不足之处，提出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。本发明的目标识别方法、目标识别装置、终端设备和目标识别系统，实现了高准确率的目标识别。

根据本发明的一个方面，提供了一种目标识别方法，所述目标识别方法基于在线自动深度学习，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。