CN101965578B - 集体学习的模式分类系统和方法 - Google Patents

Abstract

一种用于配置模式识别系统的方法，其通过从至少一个第一本地图像处理系统接收对象识别数据而开始。对象识别数据存储在至少一个全局数据库中。至少部分地基于从至少一个第一图像处理系统接收的对象识别数据，配置数据被确定用于第二本地图像处理系统，且然后被传送到第二本地图像处理系统。

Description

集体学习的模式分类系统和方法

技术领域

本发明一般涉及用于模式识别的方法和系统，且更具体地，涉及用于收集和汇编来自多个本地模式识别系统的数据的方法和系统，以适应本地环境中的变化以及配置安装在类似的环境中的其他本地系统。

背景技术

模式识别系统已被研究了很多年且已获得了一些应用的认可。但是，挡在更广泛的认可和使用的道路上的主要障碍之一是安装、配置和维护这些系统的困难。潜在的顾客常常选择不实施这些系统，因为启动和配置程序简直太复杂以致于无法有成本效益。这个困难来源于以下基本问题，即，模式分类系统仅仅与用于建立分类器的信息一样精确。

模式分类系统被设计为将传感器所需的数据的模式匹配到现有的分类数据库或“训练集”。训练集被编程到设备中，以提供属于要识别的一个或多个对象类的多种的模式例子。当数据的模式在一定的精度内匹配训练集时，被检测的数据被分类以归属于一定的类。模式识别系统精确地将被测量的数据进行分类的能力依赖于训练集的大小和差异。遗憾的是，当设计分类系统时，常常很难预测系统要测量的数据的变化。例如，类的成员的实际变化、来自传感器误差的测量的变化、传感器噪音、系统启动变化、系统噪音以及环境变化或环境噪音可因安装在现场中的每个系统的不同而不同。

由于这些变化，模式识别系统常通过监督或非监督学习来包含适应新的分类数据的能力。这个适应能力允许训练集扩展以包括在初始安装后所需的新的数据。另外，新的训练数据常从这些“现场训练”设备中被提取出并手动地包括在模式识别系统的将来的安装中。

但是，有若干问题与这个方法相关联。例如，如果系统是静态的，即，不使用带有学习的自适应分类算法，它就不适合与其本地环境相关联的实际变化，例如类的成员的变化、由于传感器误差、传感器噪音引起的测量的变化、系统启动变化、系统噪音、环境变化或环境噪音等。

在另一方面，如果系统使用依赖非监督学习的自适应分类算法，传感器设计者限制了分类训练集的最终状态的控制。这个控制的缺少具有不期望的影响，即，由于与由每个设备“学习”的不同的数据相关联的学习的非确定的特征，各个传感器将在相同的条件下表现不同。依赖这些非监督方法的系统还需要设备上的另外的计算资源和功率。

如果系统使用仅依赖监督学习的自适应算法，则设计者或安装者不得不监督现场中的每个设备的训练以适应新的调节。因此，安装者必须模仿尽可能多的类成员的变化和环境变化以训练系统。这个方法常常不实用并引起顾客对系统复杂性的抱怨。

为了克服上述的很多缺陷，系统设计者常试图通过指定增加系统的成本的高质量的部件来最小化变化。例如，高质量的传感器最小化传感器偏差和噪音；昂贵的硬件过滤器最小化传感器、系统和环境噪音；高速处理器可实施复杂的软件过滤器，并执行特征抽取和复杂的分类算法；且大量的系统存储器可存储大的训练集，允许实际类成员中的尽可能多的预期的变化，以及环境条件的变化。

另外，系统常常配置有高带宽的数据端连接，以允许安装者在安装期间直接监控传感器数据以及帮助设备的监督训练。在环境条件改变的情况下，系统性能常常被影响，导致安装者重新调整系统。

如果最终顾客请求改变系统操作，例如对象或数据的新的类的识别，设计者必须创建新的分类训练集，且安装者必须重复安装程序以用新的类成员调整系统。

因此，需要用于收集和汇编来自多个本地图像处理系统的模式识别数据的系统和方法，以使得被收集的数据可用于更新本地处理系统，从而允许环境的变化以及配置和更新另外的图像处理系统。

发明内容

本发明有利地提供了用于配置和更新集体学习模式识别系统的本地图像处理系统的方法和系统。一般地，本发明使用从集体学习模式识别系统中的本地图像处理系统收集的信息，来自动地配置和更新位于类似环境中的其他本地图像处理系统。

本发明的一方面包括用于配置模式识别系统的方法，该方法通过从至少一个第一本地图像处理系统接收对象识别数据以及将对象识别数据存储到至少一个全局数据库中来实现。至少部分地基于从至少一个第一本地图像处理系统接收的对象识别数据，第二本地图像处理系统的配置数据被确定并发送到第二本地图像处理系统。

根据另一个方面，本发明提供了用于配置模式识别系统的方法，该方法被公开为发送第一组系统参数到集中式专家模式识别系统。作为响应，至少部分地基于从至少一个其他本地图像处理系统收集的第一组系统参数和对象识别数据，配置数据从集中式专家模式识别系统被接收。

根据又另一个方面，本发明提供了模式识别系统，其中有至少一个本地图像处理系统和至少一个集中式专家模式识别系统通信地耦合到至少一个本地图像处理系统中的每个本地图像处理系统。至少一个集中式专家模式识别系统接收来自至少第一个本地图像处理系统的对象识别数据，并将对象识别数据存储到至少一个全局数据库中。至少部分地基于从至少第一个本地图像处理系统接收到的对象识别数据，集中式模式识别系统即确定第二本地图像处理系统的配置数据，并发送配置数据到第二本地图像处理系统。

附图说明

结合附图考虑参考以下的详细描述，本发明的更加完整的理解以及其伴随的优势和特征将更加易于理解。其中：

图1是根据本发明的原理构建的示例性集体学习模式识别系统；

图2是根据本发明的原理构建的示例性本地图像处理系统；

图3是根据本发明的原理构建的示例性集中式专家系统；

图4是根据本发明的原理的本地图像处理系统配置过程的流程图；

图5是根据本发明的原理执行的模式识别数据收集过程的流程图；以及

图6是根据本发明的原理执行的图像处理系统优化过程的流程图。

具体实施方式

在描述符合本发明的详细示例性实施方式之前，应注意到实施方式主要在于装置部件和处理步骤的结合，其与实现用于收集和汇编来自多个边缘设备的模式识别数据以及使用所收集的数据配置和更新另外的边缘设备的系统和方法有关。因此，装置和方法部件已在附图中由常规符号适当表示，只示出了那些有关理解本发明的实施方式的指定细节，以便不使那些本领域技术人员显然容易知道的对本文中的描述有益的细节对本公开造成模糊。

在本文档中，关系术语例如“第一”和“第二”，“顶部”和“底部”等可被单独使用，以将一个实体或元件与另一个实体或元件区分而不一定要求或暗示这样的实体或元件之间的任何物理的或逻辑的关系或顺序。术语“传感器数据”包括从包括但不限于图像传感器的任何传感器接收的数据。

本发明的一个实施方式包括本地图像处理系统或边缘设备中的包含低复杂度、低成本结构的视频和/或数据模式识别和分类系统。本地系统与向低复杂度本地系统提供学习帮助的较高复杂度集中式专家系统通信。从低复杂度边缘设备发送的信息可包括但不限于由光学传感器捕捉的图像、其他的传感器数据和设备ID号码。专家系统使用其边缘设备硬件、软件和本地数据的知识来确认分类结果以及仲裁非可分类的结果。专家系统可按需要更新低复杂度设备所使用的分类和特征提取算法。

另外，专家系统可收集来自很多低复杂度边缘设备的数据并使用这信息改进其系统效率的全局知识。专家系统即可学习边缘设备的每个安装所使用的最好的算法和分类技术。这个信息使得新安装的低复杂度边缘设备从之前安装的设备的知识获得利益。当安装时，安装者可参考安装的环境特征预先选择优选的算法，当低复杂度边缘设备在网络上注册时可利用该算法被编程，使得边缘设备可包含通过在类似环境中之前安装的设备获取的知识，作为后安装训练之前的开始点。这样的系统可与安全系统或作为安全系统的一部分使用。

现参考附图，其中相同的参考指示符意指相同的元件，图1中示出了根据本发明的原理构建的集体学习模式识别系统并被指定为“10”。系统10包括集中式专家系统12，其可包含由从多个本地图像处理系统16(示出两个)接收的信息构建的全局模式识别数据库14。集中式专家系统12通过互联网18或其他通信网络直接或非直接地使用例如网络服务20与本地图像处理系统16通信。信息直接地或通过网关或传感器网络装置22被路由到或路由自每个本地图像处理系统16。

图2描述了根据本发明的原理构建的示例性本地图像处理系统16的框图。图像传感器24捕捉视频图像数据并发送该信息到本地控制面板26。有线或无线数据通信的协议例如TCP/IP是已知的。本地控制面板26使用网络通信接口28接收来自图像传感器24的视频数据，网络通信接口28可以是有线的、无线的、或有线和无线设备的组合。本地控制面板26还可接收来自声音传感器30(示出一个)、无源红外传感器32(示出一个)和各种其他传感器34的辅助信息，以帮助以更高的精确度确定可识别模式。例如，来自声音传感器30的警报的激活可触发本地图像处理系统16开始捕捉和处理图像数据。图像传感器24、声音传感器30、无源红外传感器32和其他传感器可与单个的低复杂度边缘设备中的单个控制面板26共同位置定位，或被远程定位，但在控制面板26的通信范围内。

示例性控制面板26还可包括处理器36，其监督和执行包括本文中所描述的那些的控制面板的各种功能。处理器36通信地耦合到通信接口28和非易失性存储器38。非易失性存储器38可包括数据存储器40和程序存储器42。数据存储器40和程序存储器42可包含要被单独使用的可执行模式识别程序和数据库的本地版本，以用于本地图像处理系统16中的模式识别。数据存储器40可包括本地数据库以用于模式识别和分类例如本地分类知识库44、本地行为知识库46，以及本地规则推断知识库48。程序存储器42可包括简单的特征提取引擎50、简单的分类引擎52、简单的行为建模引擎54和规则推断引擎56。

本地数据库44、46、48和本地模式识别程序50、52、54、56可根据从集中式专家系统12接收到的信息定期更新和修改。每个模式识别程序可按需要被处理器36调用以用于处理图像数据集。例如，简单的特征提取引擎50提取从图像传感器24收集的包括在图像数据集中式突出(salient)的特征数据。简单的分类引擎52使用本地分类知识库44来分类和确定每个突出的特征集的对象类。简单的行为建模引擎54跟踪一段时间内的图像传感器24的视野中的对象，以随时间的过去来分类对象的行为以创建对象行为的模型，并将这些模型存储到本地行为知识库46中。简单的规则推断引擎56将被识别的行为与包含在本地规则推断知识库48中的一组行为规则相比较，以确定警报条件是否存在。

图3示出了示例性集中式专家系统12的框图。专家系统12可包含用于控制集中式专家系统的功能的处理器58，其通信地耦合到有线或无线网络通信接口60以用于维持与本地图像处理系统16的通信。处理器58通信地耦合到包含数据存储器64和程序存储器66的非易失性存储器62。数据存储器64可包含广泛的数据库，例如，全局分类知识库68、全局行为知识库70以及全局规则推断知识库72，其包含从整个模式识别系统100中的每个本地图像处理系统收集和汇编的信息。这些全局数据库68、70、72类似于对应的本地数据库44、46、48，但一般更大且更广泛。集中式专家系统12还能够基于来自每个本地图像处理系统16来增加全局数据库68、70、72。另外，程序存储器66可包含高级的模式识别和分类程序，例如，强特征提取引擎74、专家分类引擎76、专家行为建模引擎78以及自动装置推断引擎80，其分别类似于对应的本地模式识别和分类程序50、52、54、56，但一般更加复杂、需要更多的处理能力。

参考图4，提供了示例性操作流程图，其描述了由本地图像处理系统16执行的步骤，其用于使用由集中式专家系统从多个本地图像处理系统收集的模式识别数据来配置和更新本地图像处理系统16。当安装者将本地图像处理系统16安装(步骤S102)在指定位置时，程序开始。安装者输入由本地图像处理系统16接收和/或存储的安装参数(步骤S104)。安装参数可包括这样的特征如系统的位置，例如ABCCorp.Store#456，前面入口(Front Entrance)；期望的功能，例如流量监控、人数计数、干扰检测等，以及一般环境特征例如室内对室外、窗口对非窗口、地毯地板对瓷砖地板等。例如，当连接到网络并建立与集中式专家系统12的通信时，本地图像处理系统16随即向集中式专家系统12注册其自身(步骤S106)。本地图像处理系统16可例如通过发送包括设备或系统ID和一个或多个其他安装参数的本地图像处理系统参数到专家系统12的方式注册。

本地图像处理系统16接收来自专家系统12的基于所接收的系统参数为指定的本地图像处理系统定制的配置数据(步骤S108)。配置数据可包括对于具体为具有所接收的系统参数的本地系统设计的特征提取、分类、行为建模和规则推断的更新后的算法。

在本地图像处理系统16被配置之后，其开始收集和分析图像数据。低复杂度(一般与集中式专家系统12相比较)本地图像处理系统16传送系统或设备ID以及一个或多个以下数据到专家系统12以用于分析：图像、图像的转换后的表示、特征向量、传感器数据、特征提取算法的结果、分类算法的结果、行为建模的结果以及规则推断确定的结果(步骤S110)。从本地图像处理系统16发送的传感器数据可以是包含全数据集的减小后的集的低带宽数据，该全数据集由本地图像处理系统16捕捉。例如，由本地图像处理系统16发送的数据可只包含由专家系统12所需的突出信息，以分类和识别图像模式。于2008年1月31日递交的名称为“Video Sensor and Alarm System withObject and Event Classification”的对Stewart E.Hall的第12/023,651号美国专利申请公开了使用低复杂度终端设备从图像数据提取突出特征的一种方法且因此通过引用并入本文。

本地图像处理系统16即可从专家系统12接收对其本地数据库例如本地分类知识库44、本地行为知识库46、本地规则推断知识库48、和/或模式识别程序例如简单的特征提取引擎42、简单的分类引擎52、简单的行为建模引擎54、规则推断引擎56的更新，以修改和改进其性能(步骤S112)。被更新的数据库和/或模式识别程序可基于从位于类似环境中的其他本地图像处理系统收集和学习的数据。

图5是示例性操作流程图，其描述了由集中式专家系统12执行以收集和汇编来自多个本地图像处理系统16的模式识别数据以及使用所收集的数据来配置和更新另外的图像处理系统的过程。在操作中，集中式专家系统12接收包括来自新安装的本地图像处理系统16的本地图像处理系统参数的注册数据(步骤S116)。专家系统12分析所接收的本地图像处理系统参数并将配置数据基于所接收的参数传送回本地图像处理系统16(步骤S118)。配置数据可包括对于用于特征提取、分类、行为建模和规则推断的本地数据库和/或算法的更新。

专家系统12随即接收关于被压缩的图像和图像/对象识别的数据或转换后的图像表示以及其他的传感器数据。数据可被用于评价背景图像的特征，例如，背景图像亮度的变化、图像内的移动、传感器数据的变化等。数据还可包含要被分类的特征和对象，以便评估本地图像处理系统的模式识别算法的有效性。

专家系统12还可接收本地图像处理系统的特征提取引擎42、分类引擎52、行为建模引擎54和/或规则推断引擎56的直接输出。专家系统12即可使用从单个的本地图像处理系统16接收的数据，以修改和改进在类似的环境或用于类似的任务的一组本地图像处理系统即具有至少一个共用系统参数的一组本地图像处理系统的性能(步骤S122)。

该数据还可用于评估和验证本地图像处理算法的效果并确定是否需要改变这些算法。例如，如图6中所示，专家系统12基于至少一个模式识别算法接收来自至少一个本地图像处理系统16例如特征提取引擎50、分类引擎52、行为建模引擎54和规则推断引擎56以及初始对应图像数据的识别结果(步骤S128)。专家系统12即可通过对其原始图像数据执行其自身的对应模式识别算法例如强特征提取引擎74、专家分类引擎76、专家的行为建模引擎78/以及自动装置规则推断引擎80以及将结果与从本地图像处理系统16接收的输出结果相比较，来评价本地图像处理系统16的性能(步骤S130)。如果性能被认为是令人满意的(步骤S132)，专家系统12不采取其他操作并简单地等待接收另外的结果。但是，如果数据中有任何差异，专家系统12可确定需要更新本地图像处理系统16。

专家系统12根据本地环境特征和制定的分类、行为检测和规则推断需要，通过对本地图像处理系统16进行分组，执行系统优化(步骤S134)。专家系统12随即可评价在本地图像处理系统16的组上通过改变每个组的本地图像处理和分类程序来实现的潜在的性能改进(步骤S136)。专家系统12还评价变化对总的系统复杂度的影响，并确定系统16是否被优化。如果总的系统16未被优化(步骤S138)，专家系统返回到步骤S134并继续优化程序。如果总的系统16被优化(步骤S138)，专家系统12汇编对每个本地图像处理系统组中的处理和分类程序的建议的改变(步骤S140)。建议的改变可以可选地在实施之前要求来自系统管理者的认可。

专家系统12安排和发送更新到包含改进的模式识别算法和/或训练集数据库的本地图像处理系统16(步骤S142)。由专家系统12的这个集体学习功能是本发明的优势特征。

返回图5，专家系统12还可与其他的专家系统(未示出)通信(步骤S124)，以共享从边缘设备即本地图像处理系统接收的结果。另外，专家系统12可请求(步骤S126)和/或接收人员专家的介入，以确定在没有人员介入就不能被分类的不确定数据的真实情况(ground truth)。这个特征提高了专家系统12的学习能力，其即被不间断地传送到本地图像处理系统16而不需要在每个地点有人员介入。

本发明相对于现有技术的优势是编程和重新编程基于类似本地图像处理的系统作为单个组的能力。例如，多数连锁零售百货商店被设计为每个商店都具有一定的类似的外观和感觉。因此，位于每个商店中的本地图像处理系统16一定位于类似的环境中。新商店中的新系统的安装非常简单。安装者从由已知的性质例如位置，例如连锁商店的名字以及安装地点的指定特征例如地毯、室内情况而确定的基本参数集开始。专家系统只需要学习一个位置并可假设具有类似参数的其他本地系统是相同的，例如，所有的商店“X”正面是相同的。这个分组学习允许专家系统在本地系统平稳安装之前“预学习”。当起作用时，系统学习本地系统的其他指定特征，例如精确的检测所需的照明。所有的本地系统能够获得从每个单个的系统学到的自适应知识的益处。

本地系统性能的优化以系统复杂度为代价——每个本地图像处理系统具有与其近邻不同的决策过程的能力。为了同时优化系统性能和系统复杂度，专家系统可对具有类似操作特征的本地设备进行分组，并以相同的决策过程对组的所有成员编程。这以单个设备性能为代价来实现。一旦设备的优化分组被确定后，专家系统使用这个优化系统配置，按需要为每个本地设备提供新的训练数据，以改进总系统的操作。另外，专家系统即修改指令的基本状态并训练其将提供到将来要注册的新设备的数据，以使得合并到集体全局知识库中的单个的本地设备的“经验”可被立即使用而不需每个新的设备自学。

另外地，本地系统可作为组而不是以单个为基础而被重新编程。例如，商店“X”店铺的所有雇员穿相同颜色的衣服。假如商店“X”决定其需要在任意给定的时间跟踪地板上的雇员的数量，属于商店“X”的所有本地图像处理系统可能被同时重新编程，以开始跟踪被识别为穿确定的颜色衣服的人的数量。

本发明的实施方式使用允许本地图像处理系统或边缘设备算法中的变化的自适应方法，以使得本地系统可被改变，以适应类成员的实际变化或由传感器误差、传感器噪音、系统启动变化、系统噪音、环境的变化或环境噪音引起的测量数据的变化。但是，本地系统的改变由集中式专家系统监督以最小化变化和与非监督学习一起出现的不受控制的学习。

因为本发明使用由专家系统监督并最终由人员操作者控制的自适应训练算法，本地系统可被安装而不需要在安装的同时进行大量训练。因为为了精确度边缘设备被连续评估，所以不需要预见边缘设备可能遇到的所有的变化。因为专家系统可能从很多本地系统收集数据，所以可能使用来自之前的安装的训练数据在新的安装的初始设置中使用。

另外地，如果环境条件改变本地系统性能，专家系统可补偿很多这些改变而不需要安装者重新调整本地系统。对于系统操作的新请求的改变，例如新的对象类或数据类的识别，新的分类训练集可被远程开发和更新而不需要安装者重新训练每个边缘设备。

可选的实施方式可消除不需要的行为建模或规则推断引擎。另外地，块的功能可在不改变本发明的基本观点的情况下组合到一起。

总之，根据本发明的原理，“经验”被本地收集，而学习被全局地实现。本地数据库允许在不在全局水平上进行信息转换和作出决定的情况下快速操作。但是任何学习，即对决策过程的改变，都在专家系统水平上实现。决策过程的这些改变通过专家系统改变一个或多个本地设备上的本地数据库来实现。

尽管本文所讨论的实施方式主要集中式在视频模式分类的使用上，可预期来自其他传感器的数据可替代视频传感器或作为附加地用于视频传感器而不改变本发明的总思想。本发明可用于很多应用，其中低成本、低复杂度边缘设备可基于所述数据的分类用于分类数据和提供有用的信息。一些例子包括人数计数、各级负责管理(linemanagement)、零售购买者跟踪、购物车跟踪、交通工具跟踪、人员识别、成人与儿童检测等。

本领域技术人员应意识到本发明不限于本文以上特定的示出和描述。另外，除非以上提到了与此相反的，应注意到所有的附图都不是按比例绘制的。根据以上的说明可作出各种修改和改变而不偏离仅由以下的权利要求所限制的本发明的范围和精神。

Claims (20)

1.一种用于配置模式识别系统的方法，所述方法包括： 

从至少一个第一本地图像处理系统接收对象识别数据； 

将所述对象识别数据存储到至少一个全局数据库中； 

确定对于第二本地图像处理系统的配置数据，所述配置数据至少部分地基于从所述至少一个第一本地图像处理系统接收的所述对象识别数据；以及 

将所述配置数据发送到所述第二本地图像处理系统， 

所述方法还包括： 

从所述至少一个本地图像处理系统接收图像数据； 

基于第一模式识别算法接收第一模式识别数据集； 

对所接收的图像数据执行第二模式识别算法，以生成第二模式识别数据集； 

将所述第一模式识别数据集与所述第二模式识别数据集比较,以揭示任何差异；以及 

响应于发现差异，发送更新到第一模式识别算法和所述至少一个本地图像处理系统的数据库中的至少一个。 

2.如权利要求1所述的方法，还包括： 

从所述第二本地图像处理系统接收第一组系统参数；以及 

至少部分地基于所述第一组系统参数确定所述配置数据。 

3.如权利要求2所述的方法，其中所述一组系统参数包括设备ID、系统ID、位置、期望的功能和环境特征中的至少一个。 

4.如权利要求2所述的方法，还包括： 

从所述至少一个第一本地图像处理系统接收第二组系统参数，其中来自从所述第二本地图像处理系统接收的所述第一组系统参数的至 少一个参数与来自从所述至少一个第一本地图像处理系统接收的所述第二组系统参数的至少一个参数相同。 

5.如权利要求1所述的方法，其中所述配置数据包括对本地图像处理系统数据库、特征提取器、对象分类器、行为建模引擎和规则推断引擎的更新中的至少一个。 

6.如权利要求1所述的方法，其中所述对象识别数据包括图像、图像的压缩后的表示、图像的转换后的表示、传感器数据、突出特征、分类对象、来自行为建模引擎的输出和来自规则推断引擎的输出中的至少一个。 

7.如权利要求1所述的方法，其中所述全局数据库包括分类知识库、行为知识库和规则推断知识库中的至少一个。 

8.如权利要求1所述的方法，其中所述第二模式识别算法是特征提取器、对象分类器、行为建模器以及规则推断引擎中的至少一个。 

9.如权利要求8所述的方法，其中所述第二模式识别算法参考所述至少一个全局数据库以生成所述第二模式识别数据集。 

10.如权利要求6所述的方法，其中接收对象识别数据的步骤还包括从集中式专家模式识别系统接收对象识别数据。 

11.一种用于配置模式识别系统的设备，所述设备包括： 

从至少一个第一本地图像处理系统接收对象识别数据的装置； 

将所述对象识别数据存储到至少一个全局数据库中的装置； 

确定对于第二本地图像处理系统的配置数据的装置，所述配置数据至少部分地基于从所述至少一个第一本地图像处理系统接收的所述 对象识别数据；以及 

将所述配置数据发送到所述第二本地图像处理系统的装置， 

所述设备还包括： 

从所述至少一个本地图像处理系统接收图像数据的装置； 

基于第一模式识别算法接收第一模式识别数据集的装置； 

对所接收的图像数据执行第二模式识别算法，以生成第二模式识别数据集的装置； 

将所述第一模式识别数据集与所述第二模式识别数据集比较，以揭示任何差异的装置；以及 

响应于发现差异，发送更新到第一模式识别算法和所述至少一个本地图像处理系统的数据库中的至少一个的装置。 

12.如权利要求11所述的设备，还包括： 

从所述第二本地图像处理系统接收第一组系统参数的装置；以及 

至少部分地基于所述第一组系统参数确定所述配置数据的装置。 

13.如权利要求12所述的设备，其中所述一组系统参数包括设备ID、系统ID、位置、期望的功能和环境特征中的至少一个。 

14.如权利要求12所述的设备，还包括： 

从所述至少一个第一本地图像处理系统接收第二组系统参数的装置，其中来自从所述第二本地图像处理系统接收的所述第一组系统参数的至少一个参数与来自从所述至少一个第一本地图像处理系统接收的所述第二组系统参数的至少一个参数相同。 

15.如权利要求11所述的设备，其中所述配置数据包括对本地图像处理系统数据库、特征提取器、对象分类器、行为建模引擎和规则推断引擎的更新中的至少一个。 

16.如权利要求11所述的设备，其中所述对象识别数据包括图像、图像的压缩后的表示、图像的转换后的表示、传感器数据、突出特征、分类对象、来自行为建模引擎的输出和来自规则推断引擎的输出中的至少一个。 

17.如权利要求11所述的设备，其中所述全局数据库包括分类知识库、行为知识库和规则推断知识库中的至少一个。 

18.如权利要求11所述的设备，其中所述第二模式识别算法是特征提取器、对象分类器、行为建模器以及规则推断引擎中的至少一个。 

19.如权利要求18所述的设备，其中所述第二模式识别算法参考所述至少一个全局数据库以生成所述第二模式识别数据集。 

20.如权利要求16所述的设备，其中从至少一个第一本地图像处理系统接收对象识别数据的装置还包括从集中式专家模式识别系统接收对象识别数据的装置。