[发明专利]一种图像识别算法的自成长方法

说明书

本发明公开了一种图像识别算法的自成长方法，包括：A：采用不同原生图像识别算法对预处理后的未知图像样本进行多次测试并计算每次测试的识别准确率，确定出原生图像识别算法的种类和数量；B：对得到的原生图像识别算法进行加权以协同判别正确的未知图像样本，得到集成决策算法；C：通过跟踪算法识别未知图像样本并获取伪标签，通过集成决策算法识别未知图像样本并获取判别标签，基于伪标签与判别标签的比较结果更新算法，实现图像识别算法的自成长。该方法先通过协同训练原生图像识别算法集成技术实现判别正确的未知图像样本协同更新，再通过协同训练优化更新技术实现自成长算法的协同或自更新，提高了原生图像识别算法的精度和泛化能力。

技术领域

本发明属于图像处理技术领域，具体涉及一种图像识别算法的自成长方法，该方法通过协同训练算法集成以及优化更新的技术来实现实际场景中原生图像识别算法精度的提升。

背景技术

图像识别技术发展至今，已经出现种类繁多的优秀的特征提取和识别方法。目前常见的图像识别算法主要有：BRIEF算法、BRISK算法以及ORB算法等。其中，BRIEF算法的主要思想是：在特征点周围邻域内选取若干个像素点对，通过对这些点对的灰度值比较，将比较的结果组合成一个二进制字符串用来描述特征点，最后使用汉明距离来计算特征描述子是否匹配。BRISK算法原理与BRIEF算法类似，采用邻域采样模式，然后围绕特征点旋转角度，对所有的特征点对进行灰度值比较。ORB算法在BRIEF算法基础上引入了方向的计算方法，并在点对的挑选上使用贪婪搜索算法，挑出了一些区分性强的点对用来描述图像特征。然而，未来图像识别技术应用的环境将更加复杂，单独使用某一类技术会存在一定的局限性，如在目标在图像中的颜色与背景颜色一致、多个目标在图像中重叠在一起、识别的目标在图像中遮挡严重等极端环境下将导致目标的识别率大幅下降。且在实际场景中，目标识别过程千变万化，致使没有哪一种方法是万能的，无论建立的学习模型与实际情况多接近还是考虑有多全面，总会有考虑不周的地方。

限于以上原因，单独使用某一种优秀的图像识别算法在实际应用中识别效果往往差强人意。所以，迫切需要一种新的图像识别技术，以改善和优化原生图像识别算法的泛化能力，提高图像的识别准确率。

发明内容

本发明的目的在于克服现有技术中存在的上述技术问题，提供了一种图像识别算法的自成长方法，该方法采用集成学习技术与协同优化技术相结合，针对实际场景中单一图像识别优秀算法的集成决策，先通过协同训练原生图像识别算法集成技术实现判别正确的未知图像样本协同更新，再通过协同训练优化更新技术实现自成长算法的协同更新或者自更新，以提高实际场景中原生图像识别算法的精度和泛化能力。

为实现上述目的，本发明采用的技术方案如下：

一种图像识别算法的自成长方法，其特征在于包括如下步骤：

A：对未知图像样本进行预处理，针对预处理后的未知图像样本，采用不同原生图像识别算法进行多次测试并计算每次测试的识别准确率，然后根据识别准确率确定出大于设定阈值的原生图像识别算法的种类和数量；

B：采用加权集成机制对步骤A得到的原生图像识别算法进行加权以协同判别正确的未知图像样本，加权完成后得到集成决策算法；

C：通过跟踪算法识别未知图像样本并获取伪标签，通过集成决策算法识别未知图像样本并获取判别标签，基于伪标签与判别标签的比较结果更新算法，实现图像识别算法的自成长。

步骤A中，确定原生图像识别算法的种类和数量的具体方法为：针对预处理后的未知图像样本，采用随机组合原生图像识别算法的方式对未知图像样本进行多次测试，每种原生图像识别算法至少被组合一次，计算每次测试的平均识别准确率，然后根据平均识别准确率确定出大于设定阈值的原生图像识别算法的种类和数量。

步骤A中，所述的对未知图像样本进行预处理是指对未知图像样本进行去噪处理，最大限度地遏制噪声对未知图像样本中目标的边缘和纹理信息的干扰。