[发明专利]生成用于基于机器学习的对象识别系统的训练图像

说明书

描述了由计算装置执行的用于生成用于基于机器学习的对象识别系统的训练图像数据的方法。该方法包括接收对象类型的通用图像数据，接收与对象类型相关的记录图像数据，以及相对于至少一个成像相关参数修改通用图像数据。该方法进一步包括确定修改的通用图像数据和记录图像数据之间的相似度，并且当确定的相似度满足相似性条件时，存储所修改的通用图像数据作为所生成的对象类型的训练图像数据。进一步描述了计算装置、计算机程序产品、系统和机动车辆。

技术领域

本公开通常涉及图像生成。特别涉及用于生成用于基于机器学习的对象识别系统的训练图像数据的方法。进一步涉及计算装置、计算机程序产品、系统和机动车辆。

背景技术

在现代驾驶员辅助系统以及同样在其它情况下，对象识别系统已成为重要的手段，例如提高驾驶员的便利性和安全性以及周围交通的安全性。对象识别系统是可用的，其不仅检测对象的存在，而且适合于基于记录图像数据在特定对象或对象类型之间进行识别和区分。

通过在典型的使用场景中改变成像条件，使得例如基于车载汽车相机的实况图像自动识别特定对象类型变得困难。该条件包括所使用的相机的技术性质和设置，以及可以记录对象的照明和天气条件的差异。此外，例如，由于每一个对象的个体阴影或取向的差异或由于个体图像背景，相同对象类型的对象可能呈现出差异。

因此，为了对象识别系统在典型的使用场景中可靠地识别对象，通常提供对象或对象类型的通用模型(诸如理想化的图像表示)是不充分的。相反，已知一种对象识别系统，其可以借助于基于较大数量的对象或对象类型的现实生活中的图像的机器学习进行训练。这种图像在可变的成像条件的范围内获取，并且然后被手动选择并标记为与对象类型相关。基于这种标记的现实生活训练图像，然后训练系统以在可能的成像条件的相应范围内识别对象类型。同时，通过提供在不同成像条件下记录的更大量的训练图像，通常提高了所描述的机器学习的效果。

对象识别系统通常需要适应新的对象类型。例如，这发生在当装备有对象识别系统的汽车的驾驶员从系统已经被训练的一个环境改变到系统未被训练的不同环境时。例如，驾驶员可以将他或她的位置改变为采用不同的与交通相关的标准的区域。这种不同通常涉及交通标志、路标、登记牌等的形式或风格。例如，被配置为自动识别和通知驾驶员关于特定交通标志的对象识别系统可能不再可靠地在新的环境中工作，因为它可能无法识别与在那里采用的不同标准对应的交通标志。因此，为了使基于机器学习的对象识别系统相对于这种新对象类型而进行训练，常规技术需要提供每一个新对象或对象类型的附加的训练图像集。根据上述，这要求每一个集合的图像已经在成像条件的相应范围内被记录，并且已被手动标记为与新的对象类型有关。

可以被计算机实现或者以计算机辅助的方式执行的图像分析的算法是已知的。此外，B.Scholkopf等人在麻省理工学院的神经计算(Neural Computation)(1998年第5期第10卷第1299-1319页)的“非线性成分分析作为核心特征值问题(Nonlinear ComponentAnalysis as a Kernel Eigenvalue Problem)”中描述了非线性成分分析(通常称为核主成分分析(KPCA))的方法。

提供与单独对象类型相关的记录的和手动标记的训练图像是消耗时间和资源的。

发明内容

因此，需要一种减轻或避免上述缺点的技术。

根据第一方面，提供了一种由计算装置执行的用于生成用于基于机器学习的对象识别系统的训练图像数据的方法。该方法包括接收对象类型的通用图像数据，接收与对象类型相关的记录图像数据，以及相对于至少一个成像相关参数修改通用图像数据。该方法进一步包括确定修改的通用图像数据和记录图像数据之间的相似度，并且当确定的相似度满足相似性条件时，存储修改的通用图像数据作为生成的对象类型的训练图像数据。

确定相似度可以包括对修改的通用图像数据和记录图像数据进行核主成分分析KPCA。修改的通用图像数据和记录图像数据可以彼此独立地进行KPCA。