一种基于神经网络的目标识别方法及系统与流程

本发明实施例涉及目标识别技术领域，尤其涉及一种基于神经网络的目标识别方法及系统。

背景技术：

随着深度学习的兴起，越来越多的技术采用深度学习来实现图片或视频流的图像识别。相比于传统方法，深度学习避免了手动参数调节与人工特征选择的复杂性，通过搭建深层网络模型，对数据进行多层分析和抽象化特征提取，其具有高准确性、高可靠性、高适应性的特点。常见的图像识别应用涵盖了动作识别、人脸识别、目标识别、场景识别等。其中，目标识别与场景识别作为图像检索、图像分类、场景理解、环境感知的基础，在模式识别、机器学习等领域发挥着重要作用。

传统图像处理目前在各个领域的研究已经十分广泛，但真正用到实际生产中、为人类带来真正实惠的却并不多，原因在于使用成本过高，而且使用起来不是很方便。

技术实现要素：

本发明实施例提供一种基于神经网络的目标识别方法及系统，用以解决现有技术中传统的目标识别方法成本过高的问题。

第一方面，本发明实施例提供一种基于神经网络的目标识别方法，包括：

云平台获取训练后的神经网络，训练后的神经网络通过第一神经网络对训练样本集进行训练获得；

所述云平台将训练后的神经网络的模型参数发送至目标设备，以使得所述目标设备根据所述模型参数配置第二神经网络，并利用配置后的第二神经网络对待识别图像进行识别，获取所述待识别图像中所述目标物体的位置；

获取所述待识别图像中所述目标物体的识别误差，若所述识别误差在预设范围之外，在所述待识别图像中标识出所述目标物体，并将所述待识别图像发送至所述云平台，所述云平台将所述待识别图像加入至所述训练样本集中，并利用更新后的训练样本集对所述第一神经网络重新进行训练，重新获取训练后的神经网络。

第二方面，本发明实施例提供一种基于神经网络的目标识别系统，包括：

训练模块，用于云平台获取训练后的神经网络，训练后的神经网络通过第一神经网络对训练样本集进行训练获得；

识别模块，用于所述云平台将训练后的神经网络的模型参数发送至目标设备，以使得所述目标设备根据所述模型参数配置第二神经网络，并利用配置后的第二神经网络对待识别图像进行识别，获取所述待识别图像中所述目标物体的位置；

优化模块，用于获取所述待识别图像中所述目标物体的识别误差，若所述识别误差在预设范围之外，在所述待识别图像中标识出所述目标物体，并将所述待识别图像发送至所述云平台，所述云平台将所述待识别图像加入至所述训练样本集中，并利用更新后的训练样本集对所述第一神经网络重新进行训练，重新获取训练后的神经网络。

第三方面，本发明实施例提供一种电子设备，包括：

至少一个处理器、至少一个存储器、通信接口和总线；其中，

所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的一种基于神经网络的目标识别方法。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的一种基于神经网络的目标识别方法。

本发明实施例提供的一种基于神经网络的目标识别方法及系统，在云平台上进行神经网络的训练，并将训练好的神经网络参数发送至目标设备，利用目标设备对待识别图像进行识别，通过将神经网络的训练和目标识别分开，在云平台上实现神经网络的训练，由于云计算具有低成本、高性能、通用性强、利用率高的特点，与普通平台的训练相比，可以减少训练时间，提高训练效率，并且解决传统的目标识别方法成本较高的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一种基于神经网络的目标识别方法的流程图；

图2为本发明实施例一种基于神经网络的目标识别系统的结构示意图；

图3示例了一种电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例一种基于神经网络的目标识别方法的流程图，如图1所示，该方法包括：

s1，云平台获取训练后的神经网络，训练后的神经网络通过第一神经网络对训练样本集进行训练获得；

s2，所述云平台将训练后的神经网络的模型参数发送至目标设备，以使得所述目标设备根据所述模型参数配置第二神经网络，并利用配置后的第二神经网络对待识别图像进行识别，获取所述待识别图像中所述目标物体的位置；

s3，获取所述待识别图像中所述目标物体的识别误差，若所述识别误差在预设范围之外，在所述待识别图像中标识出所述目标物体，并将所述待识别图像发送至所述云平台，所述云平台将所述待识别图像加入至所述训练样本集中，并利用更新后的训练样本集对所述第一神经网络重新进行训练，重新获取训练后的神经网络。

需要说明的是，顾名思义，云平台是一种平台，这种平台允许开发者们或是将写好的程序放在“云”里运行，或是使用“云”里提供的服务，或二者皆是。至于这种平台的名称，现在我们可以听到不止一种称呼，比如按需平台、平台即服务等等。但无论称呼它什么，这种新的支持应用的方式有着巨大的潜力。

首先云平台通过第一神经网络对训练样本集进行训练，得到训练后的神经网络，训练样本集中包含多个训练样本，每个训练样本中都包含目标物体，并且目标物体在训练样本中都已经被标定出来了，也就是说目标物体在每个训练样本中的位置时已知的。

第一神经网络的训练过程，就是确定第一神经网络模型参数的过程，通过训练，可以逐步调整第一神经网络的模型参数，使得得到的训练后的神经网络是适用于本次目标识别的，云平台将训练后的神经网络的模型参数发送至目标设备中，目标设备接收该模型参数，并根据该模型参数对第二神经网络进行配置，由于第二神经网络与第一神经网络属于相同结构的神经网络模型，而训练后的神经网络是由第一神经网络训练得到，也就是第二神经网络与训练后的神经网络具有相同结构，将训练后的神经网络中的模型参数值赋予到第二神经网络中相应位置处的模型参数，是的目标设备中的第二神经网络与云平台中训练后的神经网络相同，上述就是配置第二神经网络的过程。

最后目标设备利用配置后的神经网络对待识别图像进行识别，得到待识别图像中的目标物体。

计算待识别图像中目标物体的识别误差，如果该识别误差在预设范围之外，说明通过该方法识别出来的目标物体的误差较大，也就是说明训练后的神经网络的识别误差较大，在待识别图像中人工标识出目标物体的位置，并将标识出目标物体位置的待识别图像发送至云平台，云平台将该待识别图像加入至训练样本集中，使得该待识别图像也成为一个训练样本，对训练样本集进行更新，利用更新后的训练样本集对第一神经网络重新进行训练，重新获得训练后的神经网络，然后云平台经重新获得的训练后的神经网络的模型参数发送至目标设备，以对待识别图像进行目标识别。

本发明实施例提供的一种基于神经网络的目标识别方法，在云平台上进行神经网络的训练，并将训练好的神经网络参数发送至目标设备，利用目标设备对待识别图像进行识别，在云平台上实现神经网络的训练，在目标设备上实现目标识别，由于云计算具有低成本、高性能、通用性强、利用率高的特点，与在普通平台上进行神经网络的训练相比，可以提高训练效率，减少训练时间，并且解决传统的目标识别方法成本较高的问题。

在上述实施例的基础上，优选地，还包括：

获取所述待识别图像中所述目标物体识别错误的次数，若识别错误的次数大于预设数值，使得所述云平台利用所述训练样本集重新对所述第一神经网络进行训练，重新获得训练后的神经网络。

同样地，计算目标识别错误的次数，如果识别错误的次数过多，利用云平台重新对第一神经网络进行训练，重新获得训练后的神经网络，然后云平台经重新获得的训练后的神经网络的模型参数发送至目标设备，以对待识别图像进行目标识别。

在上述实施例的基础上，优选地，所述第一神经网络为卷积神经网络。

需要说明的是，卷积神经网络是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。卷积神经网络包括卷积层和池化层。

卷积神经网络包括一维卷积神经网络、二维卷积神经网络以及三维卷积神经网络。一维卷积神经网络常应用于序列类的数据处理；二维卷积神经网络常应用于图像类文本的识别；三维卷积神经网络主要应用于医学图像以及视频类数据识别。

图2为本发明实施例一种基于神经网络的目标识别系统的结构示意图，如图2所示，该系统包括训练模块201、识别模块202和优化模块203，其中：

训练模块201用于云平台根据第一神经网络和训练样本集，获取训练后的神经网络，所述训练样本集中包括若干个训练样本，每一训练样本中包含目标物体；

识别模块202用于所述云平台将训练后的神经网络的模型参数发送至目标设备，以使得所述目标设备根据所述模型参数配置第二神经网络，并利用配置后的第二神经网络对待识别图像进行识别，获取所述待识别图像中所述目标物体的位置。

优化模块203用于获取所述待识别图像中所述目标物体的识别误差，若所述识别误差在预设范围之外，在所述待识别图像中标识出所述目标物体，并将所述待识别图像发送至所述云平台，所述云平台将所述待识别图像加入至所述训练样本集中，并利用更新后的训练样本集对所述第一神经网络重新进行训练，重新获取训练后的神经网络。

首先训练模块201利用云平台，根据训练样本集对第一神经网络进行训练，得到训练后的神经网络，训练样本集中包含多个训练样本，每个训练样本中都包含目标物体，并且目标物体在训练样本中都已经被标定出来了。

识别模块202目标设备接收云平台发送过来的训练后的神经网络的模型参数，目标设备根据模型参数配置第二神经网络，使得目标设备中配置后的神经网络与云平台中训练后的神经网络相同，利用配置后的神经网络对待识别图像进行识别，得到待识别图像中的目标物体。

优化模块203计算待识别图像中目标物体的识别误差，如果该识别误差在预设范围之外，说明通过该方法识别出来的目标物体的误差较大，也就是说明训练后的神经网络的识别误差较大，在待识别图像中人工标识出目标物体的位置，并将标识出目标物体位置的待识别图像发送至云平台，云平台将该待识别图像加入至训练样本集中，使得该待识别图像也成为一个训练样本，对训练样本集进行更新，利用更新后的训练样本集对第一神经网络重新进行训练，重新获得训练后的神经网络，然后云平台经重新获得的训练后的神经网络的模型参数发送至目标设备，以对待识别图像进行目标识别。

本发明实施例提供的一种基于神经网络的目标识别系统，在云平台上进行神经网络的训练，并将训练好的神经网络参数发送至目标设备，利用目标设备对待识别图像进行识别，实现了神经网络的训练和目标识别分开的功能，由于云计算具有低成本、高性能、通用性强、利用率高的特点，它的出现可以解决传统的目标识别方法成本较高的问题。

图3示例了一种电子设备的实体结构示意图，如图3所示，该服务器可以包括：处理器(processor)310、通信接口(communicationsinterface)320、存储器(memory)330和总线340，其中，处理器310，通信接口320，存储器330通过总线340完成相互间的通信。通信接口340可以用于服务器与智能电视之间的信息传输。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：接收智能电视发送的电视节目的节目信息和实时心率信息，所述节目信息包括：

云平台获取训练后的神经网络，训练后的神经网络通过第一神经网络对训练样本集进行训练获得；

所述云平台将训练后的神经网络的模型参数发送至目标设备，以使得所述目标设备根据所述模型参数配置第二神经网络，并利用配置后的第二神经网络对待识别图像进行识别，获取所述待识别图像中所述目标物体的位置。

此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：

云平台获取训练后的神经网络，训练后的神经网络通过第一神经网络对训练样本集进行训练获得；

所述云平台将训练后的神经网络的模型参数发送至目标设备，以使得所述目标设备根据所述模型参数配置第二神经网络，并利用配置后的第二神经网络对待识别图像进行识别，获取所述待识别图像中所述目标物体的位置。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。