[发明专利]卷积神经网络特征提取图像传感器

说明书

卷积神经网络特征提取图像传感器是在普通图像传感器之后增加基于深度学习的卷积神经网络用于提取图像特征。一个完整的卷积神经网络可以在卷积神经网络特征提取图像传感器上部署，也可以部分在卷积神经网络特征提取图像传感器上部署。该卷积神经网络可以针对特定图像监控需求训练，通过分类对场景及其变化给出监控结果，通过回归对场景特定目标实现追踪。这种卷积神经网络特征提取图像传感器在用于特定场景监控时，可以降低对传输带宽的需求，还可以避免直接传输图像所带来的隐私或泄密问题。

技术领域

本发明涉及图像处理、深度学习、卷积神经网络领域，特别是明涉及卷积神经网络特征提取图像传感器。

背景技术

图像监控通过图像来监控目标，在视频安防监控、电力、交通、金融、电信等行业实施大范围、远距离的集中监控服务方面已经得到了广泛的应用。但是，在某些应用场合，直接监控图像，涉及到隐私暴露和泄密的问题。例如，对居家养老老人活动的监控，对病人的呼吸监控、情绪监控等，都不希望看到清晰图像。而对于这些应用，只需要监控图像的特征变化就可以起到特定的监控效果。

另一方面，直接传输图像原始数据，文件太大，收到数据网络传输带宽的限制。如果不需要原始图像，只需要图像特征的场合，可以之传输图像特征，从而节省大量的带宽。

为解决以上问题，本发明提出了卷积神经网络特征提取图像传感器，经过卷积神经网络处理的信号，是图像特征而不是原始图像，可以用这些图像特征完成监控任务。

发明内容

本发明公开一种特征提取图像传感器。所述卷积神经网络特征提取图像传感器是在普通图像传感器之后增加基于深度学习的卷积神经网络用于提取图像特征。一个完整的卷积神经网络可以在卷积神经网络特征提取图像传感器上部署，也可以部分在卷积神经网络特征提取图像传感器上部署。该卷积神经网络可以针对特定图像监控需求训练，通过分类对场景及其变化给出监控结果，通过回归对场景特定目标实现追踪。这种卷积神经网络特征提取图像传感器在用于特定场景监控时，可以降低对传输带宽的需求，还可以避免直接传输图像所带来的隐私或泄密问题。

作为优选方案之一，所述的特征提取图像传感器由通用图像传感器、深度学习特征提取单元和输出单元组成。

优选地，所述的通用图像传感器是目前市面上普遍使用的CCD和CMOS图像传感器。

优选地，所述的深度学习特征提取单元是一个卷积神经网络（CNN），该CNN可以通过大数据训练，完成图像特定特征提取，满足特定图像监控需求。

作为优选方案之二，所述的卷积神经网络（CNN）至少有一个图像输入层、一个隐藏层和一个输出层组成。

优选地，所述的图像输入层用来接受由通用图像传感器采集的原始图像，其数字图像是一个二维矩阵。数字图像数据用矩阵来表示，例如，灰度图像的像素数据就是一个矩阵，矩阵的行对应图像的高（单位为像素），矩阵的列对应图像的宽（单位为像素），矩阵的元素对应图像的像素，矩阵元素的值就是像素的灰度值。

优选地，输出可以是隐藏层输出的图像特征值，也可以是分类结果。

作为优选方案之三，所述神经网络的隐藏层为深度层卷积层，包括至少一个(convolution,conv)，包括至少一个池化层(pooling,pool)。

优选地，多个卷积层与池化层配合，组成多个卷积组，逐层提取特征，CNN通过卷积来模拟特征区分，池化层主要是用于降低数据维度。

优选地，所述神经网络的隐藏层还可以包括激活层和全连接层等，分类问题最后通过输出层softmax完成分类等任务。

优选地，所述卷积神经网络的隐藏层可以采用其它的各种卷积神经网络结构，便于适应各种应用场景下的特征提取和分类。