[发明专利]一种导入SDL模型的图像抽出的方法

说明书

本发明涉及信息处理领域中的一种导入SDL模型的图像抽出的方法，其特征在于：在计算机数据上，针对目标数据人为的进行复数次标注。复数次被标注的将要抽出的目标数据，通过机器学习得到构成目标数据的各个参数的最大的概率值，最大概率的尺度。按照上述所得到的最大的概率值，或最大概率的尺度的范围，就可从样本计算机数据中得到目标数据。本方法的实施效果是：可以从一个图像中任意地抽出所需要的图像，可排除影响图像识别结果的背景图像的干扰，可提高图像处理的效果，有益于提高图像识别的精度，是颠覆传统的二值化的新的图像处理算法。

【技术领域】

本发明属于人工智能领域中的一种导入SDL模型的图像抽出的方法。

【背景技术】

自动驾驶汽车是人工智能的主战场，但是遗憾的是针对自动驾驶汽车的控制问题应用的专用的机器学习的研究成果甚少，至今仍没有引起广泛的注意。

日本著名的丰田公司发表了“驾驶指向推定装置”的专利(专利文献1)，该专利提出根据汽车自动驾驶过程中，针对突发的情况，即使驾驶员没有反映的情况下，通过人工智能的逆传递神经网络的机器学习算法，自动的选择驾驶状态，以避免行车事故的发生等。

2016年10月9日日本NHK由解说委员室山哲也所讲解的“如何跨越自动驾驶的壁垒”(非专利文献1)。在这个专题上，室山哲也提出了在自动驾驶系统中目前还解决不了的几个问题：

人机判断冲突疑难：今年2月在谷歌进行自动驾驶的实验，当谷歌车右拐时，前面有一沙堆的障碍物，谷歌车急向右车道闪去，正好这时右车道后面来了一辆大巴，大巴的驾驶员认为谷歌车会迅速刹车，没想到会往右车道躲闪，因此出现了撞车的严重事故。

车距选择的人机感觉融合的疑难：按某公司的调查，路上遇到自动驾驶汽车时，有41％的驾驶员是认为离这辆自动驾驶汽车越远越好，但是也有人认为跟着固定距离比较好，或认为接近一点好，还有人抱有好奇心要追上前面的自动驾驶汽车。这是作为自动驾驶汽车如何解决人机感觉融合问题，以及如何选择最接近于人的驾驶问题，这成为了复杂的自动控制疑难。

人机权限转让问题：在人机操作的转换阶段，人机之间的意识是不能传递的。例如在紧急情况下，需由自动驾驶马上切换到人工驾驶的瞬间，自动驾驶当时所选的应急方案与人工驾驶不同，容易造成事故，或贻误时机。

Trolley问题：在遇到紧急时刻，如何使牺牲者的数量降至最少？这是有名的Trolley问题，既涉及复杂的伦理疑难，也是技术难点。在机器学习的自动驾驶理论中，目前尚没有人提出过有价值的解决方案。

2018年3月Uber自动驾驶汽车出现了撞人事件，暴露了在自动驾驶汽车的开发中如何解决安全行使与舒适行使的矛盾，以及解决判定障碍物时的阀值设定问题。(非专利文献2)

路侧里程已经绕地球一圈，被寄望于颠覆世界，即将投入商业运营的Google无人车，现在(2018年8月)在家门口又暴露连转弯都有问题。(非专利文献3)

由日立大岛弘安发表的“用模糊预测控制实现列车自动驾驶”的论文(非专利文献4)，该论文提出通过模糊推论的规则库可以实现列车的自动驾驶。

由筑波大学安信诚二发表的“采用预测模糊控制的列车自动驾驶系统”(非专利文献5)，提出传统的PID调节虽然可以准确的控制列车自动驾驶的走行，但圆滑的行走是自动驾驶的关键，也是乘者感到舒适的关键。以及自动驾驶的核心问题是一个需要考虑安全性，走行速度，车站间的走行时间，舒适感，消耗电力，以及停止精度的多目的控制问题。

【专利文献】

【专利文献1】(特开2008-225923)

【非专利文献1】http：//www.nhk.or.jp/kaisetsu-blog/100/255089.html