[发明专利]基于深度学习架构的图像辨识方法及系统

说明书

技术领域

本公开涉及一种图像辨识方法及系统，且特别是涉及一种基于深度学习(deep learning)架构的图像辨识方法及系统。

背景技术

深度学习是机器学习的一个分支，其概念源自于人工神经网络(Artificial Neural Network)的研究。简单来说，深度学习是试图使用包含复杂结构或由多重非线性变换构成的多个处理层来对数据进行高层抽象的算法。因此，目前最好的计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等，大多则是以深度学习技术来完成。

另外一方面，针对已发展的几种深度学习架构而言，深度卷积神经网络(Convolutional Neural Network，CNN)引擎则是最为被广泛地应用在图像辨识领域之上，并且其也已经取得了极好的运用效果。然而，目前的深度卷积神经网络引擎在训练阶段中，往往则是以采用高画质模式的样本图像群组来进行建模。但在实务的应用上，因为环境或影像传感器的因素，常常会导致所撷取得到的测试图像实为一低画质模式，故由此将进而影响到图像辨识的准确性。因此，所属领域中亟需一种能够解决以上问题的技术方案。

发明内容

有鉴于此，本公开实施例提供一种图像辨识方法及系统，且特别是涉及一种基于深度学习架构的图像辨识方法及系统。

本公开实施例提供一种基于深度学习架构的图像辨识方法。所述图像辨识方法的步骤如下。利用影像传感器撷取得到一测试图像，并且利用判断引擎，根据影像传感器撷取此测试图像时的至少一参数来判断此测试图像为高画质模式或低画质模式。当此测试图像被判断为高画质模式时，则利用第一辨识引擎来对此测试图像进行辨识。当此测试图像被判断为低画质模式时，则利用第二辨识引擎来对此测试图像进行辨识，其中第一及第二辨识引擎互为并不完全相同的学习算法(Learning algorithm)引擎。

优选地，所述参数包括影像传感器于撷取得到此测试图像时的一增益(gain)值或一曝光时间(exposure time)，且所述判断引擎为一情境感知(Context-Awareness)器引擎。

本公开实施例另提供一种基于深度学习架构的图像辨识系统。所述图像辨识系统包括一影像传感器、一判断引擎、一第一辨识引擎及一第二辨识引擎。影像传感器用以撷取一测试图像。判断引擎根据影像传感器撷取此测试图像时的至少一参数来判断此测试图像为高画质模式或低画质模式。当此测试图像被判断为高画质模式时，第一辨识引擎则用以来对此测试图像进行辨识。当此测试图像被判断为低画质模式时，第二辨识引擎则用以来对此测试图像进行辨识，其中第一及第二辨识引擎互为并不完全相同的学习算法引擎。

优选地，所述参数包括影像传感器于撷取得到此测试图像时的一增益值或一曝光时间，且所述判断引擎为一情境感知器引擎。

综上所述，本公开实施例所提供的基于深度学习架构的图像辨识方法及系统，主要是利用判断引擎来判断出测试图像属于为高画质模式或低画质模式，因而选择使用所合适的辨识引擎来进行图像辨识，以有效提升图像辨识方法及系统在不同环境下的准确度。

为使能更进一步了解本公开的特征及技术内容，请参阅以下有关本公开的详细说明与附图，但是这些说明与附图说明书附图仅是用来说明本公开，而非对本公开的权利要求范围作任何的限制。

附图说明

图1是本公开实施例所提供的采用深度卷积神经网络引擎执行图像辨识原理的示意图。

图2是本公开实施例所提供的基于深度学习架构的图像辨识方法的流程示意图。

图3是本公开实施例所提供的基于深度学习架构的图像辨识系统的功能方块图。

图4是本公开另一实施例所提供的基于深度学习架构的图像辨识系统的功能方块图。

图5是本公开另一实施例所提供的基于深度学习架构的图像辨识方法的流程示意图。

图6是本公开另一实施例所提供的基于深度学习架构的图像辨识系统的功能方块图。

图7是本公开另一实施例所提供的基于深度学习架构的图像辨识方法的流程示意图。

图8是本公开另一实施例所提供的基于深度学习架构的图像辨识系统的功能方块图。

图9是本公开另一实施例所提供的基于深度学习架构的图像辨识方法的流程示意图。

图10是本公开另一实施例所提供的基于深度学习架构的图像辨识方法的流程示意图。

具体实施方式