CN108431826A - 自动检测视频图像中的对象 - Google Patents

Abstract

一种机器学习模型被配置成从视频图像中检测对象。系统监视视频图像以标识特定对象。利用深度学习过程来学习基线模式。使用深度学习处理来自主地检测因视野内的移动而引起的变化。基于检测到的变化来执行动作。

Description

自动检测视频图像中的对象

相关申请的交叉引用

本申请要求于2015年12月28日提交的题为“Automatic Detection of Objectsin Video Images(自动检测视频图像中的对象)”的美国临时专利申请No.62/271,750的权益，其公开内容通过援引全部明确纳入于此。

背景

领域

本公开的某些方面一般涉及机器学习，尤其涉及用于自动检测视频图像中的对象的深度学习处理。

背景技术

可以包括一群互连的人工神经元(例如，神经元模型)的人工神经网络是一种计算设备或者表示将由计算设备执行的方法。

卷积神经网络是一种前馈人工神经网络。卷积神经网络可以包括神经元集合，其中每个神经元具有感受野并且共同地拼出一输入空间。卷积神经网络(CNN)具有众多应用。具体而言，CNN已被广泛使用于模式识别和分类领域。

深度学习架构(诸如深度置信网络和深度卷积网络)是分层神经网络架构，其中第一层神经元的输出变成第二层神经元的输入，第二层神经元的输出变成第三层神经元的输入，依此类推。深度神经网络可被训练以识别特征阶层并且因此它们已被越来越多地用于对象识别应用。类似于卷积神经网络，这些深度学习架构中的计算可分布在处理节点群体上，其可被配置在一个或多个计算链中。这些多层架构可每次训练一层并可使用后向传播微调。

其他模型也可用于对象识别。例如，支持向量机(SVM)是可被应用于分类的学习工具。支持向量机包括对数据进行归类的分离超平面(例如，决策边界)。该超平面由监督式学习来定义。期望的超平面增加训练数据的裕量。换言之，超平面应该具有到训练示例的最大的最小距离。

尽管这些解决方案在数个分类基准上达到了优异的结果，但它们的计算复杂度可能极其高。另外，模型的训练可能是有挑战性的。

概述

在一个方面，公开了一种基于深度学习处理来从视频图像中检测对象的方法。该方法包括使用深度学习处理来学习基线模式。该方法还包括使用深度学习处理来自主地检测因视野内的移动而引起的变化。该方法还包括基于检测到的变化来执行动作。

另一方面公开了一种用于基于深度学习处理来从视频图像中检测对象的装置。该装置具有存储器以及耦合到该存储器的至少一个处理器。(诸)处理器被配置成使用深度学习处理来学习基线模式。(诸)处理器还被配置成使用深度学习处理来自主地检测因视野内的移动而引起的变化。(诸)处理器被进一步配置成基于检测到的变化来执行动作。

另一方面公开了一种其上记录有非瞬态程序代码的非瞬态计算机可读介质，该非瞬态程序代码在由(诸)处理器执行时，使(诸)处理器执行使用深度学习处理来学习基线模式的操作。该程序代码还使(诸)处理器使用深度学习处理来自主地检测因视野内的移动而引起的变化。该程序代码进一步使(诸)处理器基于检测到的变化来执行动作。

另一方面公开了一种用于基于深度学习处理来从视频图像中检测对象的设备。该设备包括用于使用深度学习处理来学习基线模式的装置。该设备还包括用于使用深度学习处理来自主地检测因视野内的移动而引起的变化的装置。该设备进一步包括用于基于检测到的变化来执行动作的装置。

本公开的附加特征和优点将在下文描述。本领域技术人员应当领会，本公开可容易地被用作修改或设计用于实施与本公开相同的目的的其他结构的基础。本领域技术人员还应认识到，这样的等效构造并不脱离所附权利要求中所阐述的本公开的教导。被认为是本公开的特性的新颖特征在其组织和操作方法两方面连同进一步的目的和优点在结合附图来考虑以下描述时将被更好地理解。然而，要清楚理解的是，提供每一幅附图均仅用于解说和描述目的，且无意作为对本公开的限定的定义。

附图简述

在结合附图理解下面阐述的详细描述时，本公开的特征、本质和优点将变得更加明显，在附图中，相同附图标记始终作相应标识。

图1解说了根据本公开的某些方面的使用片上系统(SOC)(包括通用处理器)来设计神经网络的示例实现。

图2解说了根据本公开的各方面的系统的示例实现。

图3A是解说根据本公开的各方面的神经网络的示图。

图3B是解说根据本公开的各方面的示例性深度卷积网络(DCN)的框图。

图4是解说根据本公开的各方面的可将人工智能(AI)功能模块化的示例性软件架构的框图。

图5是解说根据本公开的各方面的智能手机上的AI应用的运行时操作的框图。

图6解说了根据本公开的各方面的用以训练摄像机以确定基线的示例图像。

图7示出了根据本公开的各方面的解说当人进入帧时的示例图像。

图8示出了根据本公开的各方面的解说当人离开帧时的示例图像。

图9解说了根据本公开的各方面的当对象进入帧和离开帧时的变化分类得分。

图10解说了根据本公开的各方面的示例流程图。

图11解说了根据本公开的各方面的用于在视频图像中检测对象的示例流程图。

图12解说了根据本公开的各方面的用于在视频图像中检测对象的示例流程图。

详细描述

以下结合附图阐述的详细描述旨在作为各种配置的描述，而无意表示可实践本文中所描述的概念的仅有配置。本详细描述包括具体细节以便提供对各种概念的透彻理解。然而，对于本领域技术人员将显而易见的是，没有这些具体细节也可实践这些概念。在一些实例中，以框图形式示出众所周知的结构和组件以避免湮没此类概念。

基于本教导，本领域技术人员应领会，本公开的范围旨在覆盖本公开的任何方面，不论其是与本公开的任何其他方面相独立地还是组合地实现的。例如，可以使用所阐述的任何数目的方面来实现装置或实践方法。另外，本公开的范围旨在覆盖使用作为所阐述的本公开的各个方面的补充或者与之不同的其他结构、功能性、或者结构及功能性来实践的此类装置或方法。应当理解，所披露的本公开的任何方面可由权利要求的一个或多个元素来实施。

措辞“示例性”在本文中用于表示“用作示例、实例、或解说”。本文中描述为“示例性”的任何方面不必被解释为优于或胜过其他方面。

尽管本文描述了特定方面，但这些方面的众多变体和置换落在本公开的范围之内。虽然提到了优选方面的一些益处和优点，但本公开的范围并非旨在被限定于特定益处、用途或目标。相反，本公开的各方面旨在能宽泛地应用于不同的技术、系统配置、网络和协议，其中一些作为示例在附图以及以下对优选方面的描述中解说。详细描述和附图仅仅解说本公开而非限定本公开，本公开的范围由所附权利要求及其等效技术方案来定义。

本公开的各方面涉及在隔离的网络系统(例如，未连接到云的网络)中利用深度学习处理来训练摄像机系统以自动地检测对象的系统和方法。该方法和系统利用深度学习处理来学习基线模式，并且随后自主地操作以检测因视野内的移动而引起的变化。换言之，在场景中检测感兴趣的对象。基于该检测，可以采取进一步的动作，诸如存储图像并尝试标识先前学习的对象。可检测的对象是从训练中学习的。

图1解说了根据本公开的某些方面的使用片上系统(SOC)100的前述系统和方法的示例实现，SOC 100可以包括通用处理器(CPU)或多核通用处理器(CPU)102。变量(例如，神经信号和突触权重)、与计算设备相关联的系统参数(例如，带有权重的神经网络)、延迟、频率槽信息、以及任务信息可被存储在与神经处理单元(NPU)108相关联的存储器块、与CPU102相关联的存储器块、与图形处理单元(GPU)104相关联的存储器块、与数字信号处理器(DSP)106相关联的存储器块、专用存储器块118中，或可跨多个块分布。在通用处理器102处执行的指令可从与CPU 102相关联的程序存储器加载或可从专用存储器块118加载。

SOC 100还可以包括为具体功能定制的附加处理块(诸如GPU 104、DSP 106、连通性块110(其可以包括第四代长期演进(4G LTE)连通性、无执照Wi-Fi连通性、USB连通性、蓝牙连通性等))以及例如可检测和识别姿势的多媒体处理器112。在一种实现中，NPU实现在CPU、DSP、和/或GPU中。SOC 100还可以包括传感器处理器114、图像信号处理器(ISP)、和/或导航120(其可以包括全球定位系统)。

SOC 100可基于ARM指令集。在本公开的一方面，加载到通用处理器102中的指令可以包括用于学习基线模式的代码。加载到通用处理器102中的指令还可以包括用于自主地检测位于视野内的移动对象的代码。加载到通用处理器102中的指令还可以包括用于基于检测到的移动对象来执行动作的代码。

图2解说了根据本公开的某些方面的系统200的示例实现。如图2中所解说的，系统200可具有可执行本文所描述的方法的各种操作的多个局部处理单元202。每个局部处理单元202可以包括局部状态存储器204和可存储神经网络的参数的局部参数存储器206。另外，局部处理单元202可具有用于存储局部模型程序的局部(神经元)模型程序(LMP)存储器208、用于存储局部学习程序的局部学习程序(LLP)存储器210、以及局部连接存储器212。此外，如图2中所解说的，每个局部处理单元202可与用于为该局部处理单元的各局部存储器提供配置的配置处理器单元214对接，并且与提供各局部处理单元202之间的路由的路由连接处理单元216对接。

深度学习架构可通过学习在每一层中以逐次更高的抽象程度来表示输入、藉此构建输入数据的有用特征表示来执行对象识别任务。以此方式，深度学习解决了传统机器学习的主要瓶颈。在深度学习出现之前，用于对象识别问题的机器学习办法可能严重依赖人类工程设计的特征，或许与浅分类器相结合。浅分类器可以是两类线性分类器，例如，其中可将特征向量分量的加权和与阈值作比较以预测输入属于哪一类别。人类工程设计的特征可以是由拥有领域专业知识的工程师针对具体问题领域定制的模版或内核。相反，深度学习架构可学习以表示与人类工程师可能会设计的类似的特征，但它是通过训练来学习的。此外，深度网络可以学习以表示和识别人类可能还没有考虑过的新类型的特征。

深度学习架构可以学习特征阶层。例如，如果向第一层呈递视觉数据，则第一层可学习以识别输入流中的相对简单的特征(诸如边)。在另一示例中，如果向第一层呈递听觉数据，则第一层可学习以识别特定频率中的频谱功率。取第一层的输出作为输入的第二层可以学习以识别特征组合，诸如对于视觉数据识别简单形状或对于听觉数据识别声音组合。例如，更高层可学习以表示视觉数据中的复杂形状或听觉数据中的词语。再高层可学习以识别常见视觉对象或口语短语。

深度学习架构在被应用于具有自然阶层结构的问题时可能表现特别好。例如，机动车辆的分类可受益于首先学习以识别轮子、挡风玻璃、以及其他特征。这些特征可在更高层以不同方式被组合以识别轿车、卡车和飞机。

神经网络可被设计成具有各种连通性模式。在前馈网络中，信息从较低层被传递到较高层，其中给定层中的每个神经元向更高层中的神经元进行传达。如上所述，可在前馈网络的相继层中构建阶层式表示。神经网络还可具有回流或反馈(也被称为自顶向下(top-down))连接。在回流连接中，来自给定层中的神经元的输出可被传达给相同层中的另一神经元。回流架构可有助于识别跨越不止一个按顺序递送给该神经网络的输入数据组块的模式。从给定层中的神经元到较低层中的神经元的连接被称为反馈(或自顶向下)连接。当高层级概念的识别可辅助辨别输入的特定低层级特征时，具有许多反馈连接的网络可能是有助益的。

参照图3A，神经网络的各层之间的连接可以是全连接的(302)或局部连接的(304)。在全连接网络302中，第一层中的神经元可将它的输出传达给第二层中的每个神经元，从而第二层中的每个神经元将从第一层中的每个神经元接收输入。替换地，在局部连接网络304中，第一层中的神经元可连接至第二层中有限数目的神经元。卷积网络306可以是局部连接的，并且被进一步配置成使得与针对第二层中每个神经元的输入相关联的连接强度被共享(例如，308)。更一般化地，网络的局部连接层可被配置成使得一层中的每个神经元将具有相同或相似的连通性模式，但其连接强度可具有不同的值(例如，310、312、314和316)。局部连接的连通性模式可能在更高层中产生空间上相异的感受野，这是由于给定区域中的更高层神经元可接收到通过训练被调谐为到网络的总输入的受限部分的性质的输入。

局部连接的神经网络可能非常适合于其中输入的空间位置有意义的问题。例如，被设计成识别来自车载摄像机的视觉特征的网络300可发展具有不同性质的高层神经元，这取决于它们与图像下部关联还是与图像上部关联。例如，与图像下部相关联的神经元可学习以识别车道标记，而与图像上部相关联的神经元可学习以识别交通信号灯、交通标志等。

深度卷积网络(DCN)可以用受监督式学习来训练。在训练期间，可向DCN呈递图像(诸如限速标志的经裁剪图像326)，并且可随后计算“前向传递(forward pass)”以产生输出322。输出322可以是对应于特征(诸如“标志”、“60”、和“100”)的值向量。网络设计者可能希望DCN在输出特征向量中针对其中一些神经元输出高得分，例如与经训练网络300的输出322中所示的“标志”和“60”对应的那些神经元。在训练之前，DCN产生的输出很可能是不正确的，并且由此可计算实际输出与目标输出之间的误差。DCN的权重可随后被调整以使得DCN的输出得分与目标更紧密地对准。

为了调整权重，学习算法可为权重计算梯度向量。该梯度可指示在权重被略微调整情况下误差将增加或减少的量。在顶层，该梯度可直接对应于连接倒数第二层中的活化神经元与输出层中的神经元的权重的值。在较低层中，该梯度可取决于权重的值以及所计算出的较高层的误差梯度。权重可随后被调整以减小误差。这种调整权重的方式可被称为“后向传播”，因为其涉及在神经网络中的“后向传递(backward pass)”。

在实践中，权重的误差梯度可能是在少量示例上计算的，从而计算出的梯度近似于真实误差梯度。这种近似方法可被称为随机梯度下降法。随机梯度下降法可被重复，直到整个系统可达成的误差率已停止下降或直到误差率已达到目标水平。

在学习之后，DCN可被呈递新图像326并且在网络中的前向传递可产生输出322，其可被认为是该DCN的推断或预测。

深度置信网络(DBN)是包括多层隐藏节点的概率性模型。DBN可被用于提取训练数据集的阶层式表示。DBN可通过堆叠多层受限波尔兹曼机(RBM)来获得。RBM是一类可在输入集上学习概率分布的人工神经网络。由于RBM可在没有关于每个输入应该被分类到哪个类别的信息的情况下学习概率分布，因此RBM经常被用于无监督式学习中。使用混合无监督式和受监督式范式，DBN的底部RBM可按无监督方式被训练并且可以用作特征提取器，而顶部RBM可按受监督方式(在来自先前层的输入和目标类别的联合分布上)被训练并且可用作分类器。

深度卷积网络(DCN)是卷积网络的网络，其配置有附加的池化和归一化层。DCN已在许多任务上达成现有最先进的性能。DCN可使用受监督式学习来训练，其中输入和输出目标两者对于许多典范是已知的并被用于通过使用梯度下降法来修改网络的权重。

DCN可以是前馈网络。另外，如上所述，从DCN的第一层中的神经元到下一更高层中的神经元群的连接跨第一层中的神经元被共享。DCN的前馈和共享连接可被利用于进行快速处理。DCN的计算负担可比例如类似大小的包括回流或反馈连接的神经网络小得多。

卷积网络的每一层的处理可被认为是空间不变模版或基础投影。如果输入首先被分解成多个通道，诸如彩色图像的红色、绿色和蓝色通道，那么在该输入上训练的卷积网络可被认为是三维的，其具有沿着该图像的轴的两个空间维度以及捕捉颜色信息的第三维度。卷积连接的输出可被认为在后续层318和320中形成特征图，该特征图(例如，320)中的每个元素从先前层(例如，318)中一定范围的神经元以及从该多个通道中的每一个通道接收输入。特征图中的值可以用非线性(诸如矫正)max(0,x)进一步处理。来自毗邻神经元的值可被进一步池化(这对应于降采样)并可提供附加的局部不变性以及维度缩减。还可通过特征图中神经元之间的侧向抑制来应用归一化，其对应于白化。

深度学习架构的性能可随着有更多被标记的数据点变为可用或随着计算能力提高而提高。现代深度神经网络用比仅仅十五年前可供典型研究者使用的计算资源多数千倍的计算资源来例行地训练。新的架构和训练范式可进一步推升深度学习的性能。经矫正的线性单元可减少被称为梯度消失的训练问题。新的训练技术可减少过度拟合(over-fitting)并因此使更大的模型能够达成更好的普遍化。封装技术可抽象出给定的感受野中的数据并进一步提升总体性能。

图3B是解说示例性深度卷积网络350的框图。深度卷积网络350可以包括多个基于连通性和权重共享的不同类型的层。如图3B所示，该示例性深度卷积网络350包括多个卷积块(例如，C1和C2)。每个卷积块可配置有卷积层、归一化层(LNorm)、和池化层。卷积层可以包括一个或多个卷积滤波器，其可被应用于输入数据以生成特征图。尽管仅示出了两个卷积块，但本公开不限于此，而是，根据设计偏好，任何数目的卷积块可被包括在深度卷积网络350中。归一化层可被用于对卷积滤波器的输出进行归一化。例如，归一化层可提供白化或侧向抑制。池化层可提供在空间上的降采样聚集以实现局部不变性和维度缩减。

例如，深度卷积网络的平行滤波器组可任选地基于ARM指令集被加载到SOC 100的CPU 102或GPU 104上以达成高性能和低功耗。在替换实施例中，平行滤波器组可被加载到SOC 100的DSP 106或ISP 116上。另外，DCN可访问其他可存在于SOC上的处理块，诸如专用于传感器114和导航120的处理块。

深度卷积网络350还可以包括一个或多个全连接层(例如，FC1和FC2)。深度卷积网络350可进一步包括逻辑回归(LR)层。深度卷积网络350的每一层之间是要被更新的权重(未示出)。每一层的输出可以用作深度卷积网络350中后续层的输入以从第一卷积块C1处提供的输入数据(例如，图像、音频、视频、传感器数据和/或其他输入数据)学习阶层式特征表示。

图4是解说可使人工智能(AI)功能模块化的示例性软件架构400的框图。使用该架构，应用402可被设计成可使得SOC 420的各种处理块(例如CPU 422、DSP 424、GPU 426和/或NPU 428)在该应用402的运行时操作期间执行支持计算。

AI应用402可配置成调用在用户空间404中定义的功能，例如，这些功能可提供对指示该设备当前操作位置的场景的检测和识别。例如，AI应用402可取决于识别出的场景是否为办公室、报告厅、餐馆、或室外环境(诸如湖泊)而以不同方式配置话筒和摄像机。AI应用402可向与在场景检测应用编程接口(API)406中定义的库相关联的经编译程序代码作出请求以提供对当前场景的估计。该请求可最终依赖于配置成基于例如视频和定位数据来提供场景估计的深度神经网络的输出。

运行时引擎408(其可以是运行时框架的经编译代码)可进一步可由AI应用402访问。例如，AI应用402可使得运行时引擎请求特定时间间隔的场景估计或由应用的用户接口检测到的事件触发的场景估计。在使得运行时引擎估计场景时，运行时引擎可进而发送信号给在SOC 420上运行的操作系统410(诸如Linux内核412)。操作系统410进而可使得在CPU422、DSP 424、GPU 426、NPU 428、或其某种组合上执行计算。CPU 422可被操作系统直接访问，而其他处理块可通过驱动器(诸如用于DSP 424、GPU 426、或NPU 428的驱动器414-418)来访问。在示例性示例中，深度神经网络可被配置成在处理块的组合(诸如CPU 422和GPU426)上运行，或可在NPU 428(如果存在的话)上运行。

图5是解说智能手机502上的AI应用的运行时操作500的框图。AI应用可以包括预处理模块504，该预处理模块504可(例如，使用JAVA编程语言)被配置成转换图像506的格式并随后对该图像进行剪裁和/或调整大小(508)。经预处理的图像可随后被传达给分类应用510，该分类应用510包含场景检测后端引擎512，该场景检测后端引擎512可以(例如，使用C编程语言)被配置成基于视觉输入来检测和分类场景。场景检测后端引擎512可被配置成通过缩放(516)和剪裁(518)来进一步预处理(514)该图像。例如，该图像可被缩放和剪裁以使所得到的图像是224像素×224像素。这些维度可映射到神经网络的输入维度。神经网络可由深度神经网络块520配置以使得SOC 100的各种处理块借助深度神经网络来进一步处理图像像素。深度神经网络的结果可随后被取阈(522)并被传递通过分类应用510中的指数平滑块524。经平滑的结果可随后使得智能手机502的设置和/或显示改变。

在一种配置中，深度学习架构被配置成用于基于深度学习处理来从视频图像中检测对象。该模型包括学习装置、自主检测装置、和/或执行装置。在一个方面，学习装置、自主检测装置、和/或执行装置可以是配置成执行所叙述功能的通用处理器102、与通用处理器102相关联的程序存储器、存储器块118、局部处理单元202、和/或路由连接处理单元216。在另一配置中，前述装置可以是配置成执行由前述装置所叙述的功能的任何模块或任何装置。

根据本公开的某些方面，每个局部处理单元202可被配置成基于模型的一个或多个期望功能特征来确定模型的参数，以及随着所确定的参数被进一步适配、调谐和更新来使这一个或多个功能特征朝着期望的功能特征发展。

本公开的各方面涉及利用深度学习处理来从视频图像中检测对象。在深度学习架构中，网络基于在训练阶段期间提供的示例来进行学习以识别和提取特征(包括特征向量)。该训练阶段可以包括深度神经网络中的后向传播。

在一个方面，深度学习网络训练系统以监视视频图像来标识特定对象(例如，汽车、人等)。检测到对象会触发动作(其中该动作可以由用户预配置)。例如，在检测到变化时，可以执行各种动作。动作的示例包括但不限于：存储图像以供用户查阅、以及标识在视野内检测到的对象。该动作可以是用户配置的动作。

在一个方面，教导摄像机控制器以确定基线模式。另外，摄像机控制器被配置成学习基线模式，而不是将基线编程到摄像机控制器中。例如，在视频图像显示空帧时，教导摄像机控制器如何确定对象何时进入帧，诸如成人、孩子、或猫走进帧中。与移动发生时相比，还教导摄像机控制器确定摄像机的视野内何时没有对象移动。该过程在一天的不同时间期间重复以计及各种照明条件。

在另一示例中，利用深度学习处理来从视频帧中提取特征向量。传入的图像由深度学习网络处理，其中该网络的每一层负责图像的某些方面。在一个示例中，可以从第一视频帧中提取第一组特征向量。第一组特征向量可被表示为第一基线得分。另外，从第二视频帧中提取第二组特征向量。第二组特征向量被表示为第二基线得分。在这些图像彼此非常相似时，第一和第二基线得分是相似的。在第一和第二基线得分彼此相似时，建立基线模式。可以基于第一和第二基线得分的平均来计算最终基线得分。在人(或对象)进入帧时，第一和第二基线得分是不同的。第一与第二基线得分之间的差异越大，则图像中的变化越大。当得分背离时，其指示对象已经进入图像。在得分彼此接近时，它们表示非常相似的一类图像。

摄像机控制器被配置成使用深度学习处理来自主地检测因视野内的移动而引起的变化。在一个方面，检测变化可以包括从后续视频帧中提取特征向量。可以为每个后续帧计算分类得分。在设定数目的后续帧的分类得分保持与最终基线得分不同时检测到变化。

以下描述了训练摄像机控制器的示例。摄像机瞄准门道，其中没有人是可见的。图6解说了结果所得的用来训练摄像机控制器的图像序列。每个图像被指派分类得分。例如，可通过深度卷积网络继之以基于支持向量机的分类得分来计算得分。因为图像是静态的，所以分类得分保持在某一范围内。这些图像被用来训练摄像机控制器以学习基线(例如，在图像没有变化时)。视频片段的开始(例如，起始)可以由用户指示。另外，片段的结束也由用户指示。片段的长度为T个帧。T的历时取决于帧速率。T个图像可被亚采样为t个图像的随机集合。在一个示例中，T＝150并且t＝50。可以对图像执行以下微调。训练过程可被迭代地重复。在一个示例中，该过程被重复超过N次尝试。针对(T-t)图像计算得分(例如，分类结果)。将这些得分的均值进行比较，并且选择较低值作为基线得分。

在分类得分从基线得分改变并且新得分保持或低于基线得分达N个相继帧时，检测到存在于图像视野内的对象。变量N取决于帧速率并且还可以取决于对象移动得有多快。一旦检测到对象在场景中，就执行对象分类。经分类的对象可以与先前已知的对象进行比较。未知对象可被分组以供用户查阅。

图7解说了显示人走入视野的示例视频图像。在分类得分贯穿每个帧保持在基线之下时，则触发“对象进入”事件。在该示例中，在对象进入帧时得分为0.606713。所示的最后一个得分(0.0963843)发生在对象位于帧内时。

图8解说了人走出视野时的示例视频图像。具体而言，分类得分开始改变并且靠近基线得分。例如，最后一帧示出了为0.857883的得分，而基线的范围从0.7853到0.909828(见图6)。在分类得分接近或高于基线得分达N个相继帧时，触发“对象离开”事件。值N取决于帧速率并且还取决于对象移动得有多快。

图9解说了其中人走入帧并且随后离开帧的图像。图像下面的图表解说了随着人进入帧以及离开帧的分类得分变化。

在对象被检测到并且存在达M个帧时，摄像机控制器可以学习对象。例如，可以学习家庭成员、狗、或特定汽车类型。分类得分被指派给每个帧(例如，贝叶斯信息准则得分)。评估所指派的得分并且确定可能的候选。

另外，可以针对各种因素来评估视频图像的图片质量，这些因素诸如但不限于焦距、平衡曝光、以及照明条件等。接着，确定使用最佳的N个图像的最佳的可能对象。最佳图像是具有最高图片质量的图像。

这些对象可被分组成箱，以进行用户辅助的标记。在一个方面，分组完全基于时间，其中帧是相继的，以辅助用户正确地标记对象。这种标记促成训练。

一旦学习了对象，将来就将类似的对象分类为相同。另外，对于所学习的对象，比较它们各自的分类得分。在标识出对象之际，或者在发生特定事件之际，可以通知用户。

图10解说了由摄像机控制器利用的示例流程图1000。具体而言，摄像机控制器在框1002开始被训练以从空闲图像(例如，其中没有检测到移动的图像)中学习基线。在一个示例中，可以从第一视频帧中提取第一组特征向量。第一组特征向量可被表示为第一基线得分。另外，可以从第二视频帧中提取第二组特征向量。第二组特征向量可被表示为第二基线得分。对于彼此非常相似的图像，第一和第二基线得分可能同样相似。可以在第一和第二基线得分彼此相似时建立基线模式。在一些方面，可以基于第一和第二基线得分的平均来计算最终基线得分。

一旦在框1004有对象进入帧，摄像机控制器在框1006确定是否存在对象。例如，在人(或对象)进入帧时，第一和第二基线得分是不同的。第一与第二基线得分之间的差异越大，则图像中的变化越大。

如果存在对象，则摄像机控制器在框1008标识该对象。如果不存在对象，则摄像机控制器返回到框1002处的空闲状态。例如，在第一与第二基线得分背离时，这指示对象已经进入图像。当第一与第二基线得分彼此接近时，它们表示非常相似的一类图像，并且可能指示不存在对象。一旦检测到对象在场景中，就执行对象分类。在一个方面，检测变化可以包括从后续视频帧中提取特征向量。可以为每个后续帧计算分类得分。可以在设定数目的后续帧的分类得分保持与最终基线得分不同时检测到变化。

如果在框1010对象不是新的，则可以在框1012触发动作。例如，可以将经分类的对象与先前已知的对象进行比较以确定对象是否不是新的。一旦学习了对象，将来就将类似的对象分类为相同。另外，对于所学习的对象，比较它们各自的分类得分。在一个方面，这些对象可被分组成箱，以进行用户辅助的标记。例如，分组可以完全基于时间，其中帧是相继的，以辅助用户正确地标记对象。

从框1012，在所触发的动作发生之后，该过程返回到框1006以确定是否存在另一对象。例如，在分类得分从基线得分改变并且新得分保持或低于基线得分达N个相继帧时，检测到存在于图像视野内的对象。变量N取决于帧速率并且还可以取决于对象移动得多快。

另一方面，如果用户先前配置的通知到达，则该过程从框1012行进到框1014，在其中通知用户。在一个示例中，在识别出对象之际，或者在发生特定事件之际，向用户通知该对象或事件发生的存在。

如果在框1010对象是新的，则摄像机控制器可以在框1016保存视频以用于训练目的。例如，未知对象将具有与先前指派的分类得分不同的分类得分，并且可被分组以供用户查阅。在一个方面，这些对象可被分组成箱，以进行用户辅助的标记。例如，分组可以完全基于时间，其中帧是相继的，以辅助用户正确地标记对象。在相关方面，评估先前指派的分类得分并且确定可能的候选。

从框1016，该过程可分支成两个同时或几乎同时的动作。在框1018，该过程对所保存的图像执行训练以在框1020学习所确定的新对象。在一个示例中，在对象被检测到并且存在达M个帧时，摄像机控制器可以学习对象。例如，可以学习家庭成员、狗、或特定汽车类型。分类得分被指派给每个帧(例如，贝叶斯信息准则得分)。

同时或几乎同时地，在框1016保存视频之后，该过程返回到框1006以确定是否存在另一对象。

本公开的另一方面涉及自动校准特征。摄像机控制器在自动校准期间检测基线时段，并且运行得分计算。摄像机控制器将这些得分与基线得分的平均进行比较。当该平均与基线得分相差超过M％时，执行用户辅助的重新校准。例如，如果门不再处于视野中，则系统可以询问用户基线图片是否仍然是相同的。如果不是，用户可以调节摄像机。另外，在经调节的摄像机指向新位置时可以发起新的基线计算。

图11解说了用于基于深度学习处理来从视频图像中检测对象的方法1100。在框1102，该过程使用深度学习处理来学习基线模式。在一个示例中，可以从第一视频帧中提取第一组特征向量。第一组特征向量可被表示为第一基线得分。另外，从第二视频帧中提取第二组特征向量。第二组特征向量被表示为第二基线得分。在图像彼此非常相似时，第一和第二基线得分是相似的。在第一和第二基线得分彼此相似时建立基线模式。可以基于第一和第二基线得分的平均来计算最终基线得分。在人(或对象)进入帧时，第一和第二基线得分是不同的。第一与第二基线得分之间的差异越大，则图像中的变化越大。当得分背离时，其指示对象已经进入图像。在得分彼此接近时，它们表示非常相似的一类图像。

在框1104，该过程使用深度学习处理来自主地检测位于视野内的移动对象。在一个方面，检测变化可以包括从后续视频帧中提取特征向量。可以为每个后续帧计算分类得分。在设定数目的后续帧的分类得分保持与最终基线得分不同时检测到变化。

此外，在框1106，该过程基于检测到的移动对象来执行动作。例如，在对象被检测到并且存在达M个帧时，摄像机控制器可以学习对象。例如，可以学习家庭成员、狗、或特定汽车类型。分类得分被指派给每个帧(例如，贝叶斯信息准则得分)。评估所指派的得分并且确定可能的候选。在相关方面，这些对象可被分组成箱，以进行用户辅助的标记。在一个方面，分组完全基于时间，其中帧是相继的，以辅助用户正确地标记对象。这种标记促成训练。

可任选地，在一些方面，方法1100可进一步包括1108处的自动校准规程。例如，摄像机控制器可在自动校准期间检测基线时段，并且运行得分计算。摄像机控制器将这些得分与基线得分的平均进行比较。当该平均与基线得分相差超过M％时，执行用户辅助的重新校准。例如，如果门不再处于视野中，则系统可以提示用户指示基线图片是否仍然是相同的。如果不是，用户可以调节摄像机。另外，如果经调节的摄像机指向新位置，可以发起新的基线计算。

此外，在一些方面，该方法可以包括在框1110通过迭代地重复训练过程来训练深度学习过程以标识视野内的变化。在一个示例中，重复该过程超过N次尝试，其中N是大于零的整数。可以针对(T-t)图像计算得分(例如，分类结果)，其中T是以帧为单位的片段长度，而t是图像数目。可以将这些得分的均值进行比较，并且选择较低值作为基线得分。T的历时取决于帧速率。T个图像可被亚采样为t个图像的随机集合。在一个示例中，T＝150并且t＝50。

图12解说了用于基于深度学习处理来从视频图像中检测对象的方法1200。在框1202，该过程从第一视频帧中提取第一组特征向量。例如，特征向量可被表示为数值，并且可以对应于视频帧中的特征，诸如桌子、门、人等。

在框1204，从第二视频帧中提取第二组特征向量。例如，特征向量可被表示为数值，并且可以对应于视频帧中的特征，诸如桌子、门、人等。

在框1206，分别将所提取的第一和第二组特征向量表示为第二和第二基线得分。例如，片段的长度可以为T个帧。T的历时取决于帧速率。T个图像可被亚采样为t个图像的随机集合。在一个示例中，T＝150并且t＝50。可以对图像执行以下微调。训练过程可被迭代地重复。在一个示例中，该过程被重复超过N次尝试。针对(T-t)图像计算得分(例如，分类结果)。将这些得分的均值进行比较，并且选择较低值作为基线得分。

在框1208，在第一和第二基线得分彼此相似时建立基线模式。例如，基线模式可被用来确定空闲状态，其被用来确定对象何时存在。

在框1210，基于第一和第二基线得分的平均来计算最终基线得分。在一个示例中，在人(或对象)进入帧时，第一和第二基线得分是不同的。第一与第二基线得分之间的差异越大，则图像中的变化越大。当得分背离时，其指示对象已经进入图像。在得分彼此接近时，它们表示非常相似的一类图像。

在框1212，从后续视频帧中提取特征向量。例如，特征向量可被表示为数值，并且可以对应于视频帧中的特征，诸如桌子、门、人等。

在框1214，为每个后续帧计算分类得分。例如，可通过深度卷积网络继之以基于支持向量机的分类得分来计算得分。如果图像是静态的，则分类得分将保持在某一范围内。这些图像可被用来训练摄像机控制器以学习基线(例如，在图像没有变化时)。视频片段的开始(例如，起始)可以由用户指示。另外，片段的结束也由用户指示。

在框1216，在设定数目的后续帧的分类得分保持与最终基线得分不同时检测到变化。例如，在分类得分贯穿每个帧保持在基线之下时，则触发“对象进入”事件。替换地，在分类得分接近或高于基线得分达N个相继帧时，触发“对象离开”事件。值N取决于帧速率并且还取决于对象移动得有多快。图形可被用来解说随着人进入帧和离开帧的分类得分变化。

此外，在框1218，该过程基于检测到的变化来执行动作。例如，在对象被检测到并且存在达M个帧时，摄像机控制器可以学习对象。例如，可以学习家庭成员、狗、或特定汽车类型。分类得分被指派给每个帧(例如，贝叶斯信息准则得分)。评估所指派的得分并且确定可能的候选。在相关方面，这些对象可被分组成箱，以进行用户辅助的标记。在一个方面，分组完全基于时间，其中帧是相继的，以辅助用户正确地标记对象。这种标记促成训练。

在一些方面，方法1000、1100和1200可由SOC 100(图1)或系统200(图2)执行。也就是说，举例而言但不作为限定，方法1000、1100和1200的每个元素可由SOC 100或系统200、或者一个或多个处理器(例如，CPU 102和局部处理单元202)和/或其中所包括的其他组件来执行。

以上所描述的方法的各种操作可由能够执行相应功能的任何合适的装置来执行。这些装置可以包括各种硬件和/或(诸)软件组件和/或(诸)模块，包括但不限于电路、专用集成电路(ASIC)、或处理器。一般而言，在附图中有解说的操作的场合，那些操作可具有带相似编号的相应配对装置加功能组件。

如本文所使用的，术语“确定”涵盖各种各样的动作。例如，“确定”可以包括演算、计算、处理、推导、研究、查找(例如，在表、数据库或其他数据结构中查找)、探知及诸如此类。另外，“确定”可以包括接收(例如接收信息)、访问(例如访问存储器中的数据)、及类似动作。此外，“确定”可以包括解析、选择、选取、确立及类似动作。

如本文中所使用的，引述一列项目“中的至少一个”的短语是指这些项目的任何组合，包括单个成员。作为示例，“a、b或c中的至少一个”旨在涵盖：a、b、c、a-b、a-c、b-c、以及a-b-c。

结合本公开所描述的各种解说性逻辑框、模块、以及电路可用设计成执行本文中所描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列信号(FPGA)或其他可编程逻辑器件(PLD)、分立的门或晶体管逻辑、分立的硬件组件或其任何组合来实现或执行。通用处理器可以是微处理器，但在替换方案中，处理器可以是任何市售的处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如，DSP与微处理器的组合、多个微处理器、与DSP核心协同的一个或多个微处理器、或任何其他此类配置。

结合本公开描述的方法或算法的步骤可直接在硬件中、在由处理器执行的软件模块中、或在这两者的组合中实施。软件模块可驻留在本领域所知的任何形式的存储介质中。可使用的存储介质的一些示例包括随机存取存储器(RAM)、只读存储器(ROM)、闪存、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、寄存器、硬盘、可移动盘、CD-ROM，等等。软件模块可以包括单条指令、或许多条指令，且可分布在若干不同的代码段上，分布在不同的程序间以及跨多个存储介质分布。存储介质可被耦合到处理器以使得该处理器能从/向该存储介质读写信息。替换地，存储介质可以被整合到处理器。

本文所公开的方法包括用于达成所描述的方法的一个或多个步骤或动作。这些方法步骤和/或动作可以彼此互换而不会脱离权利要求的范围。换言之，除非指定了步骤或动作的特定次序，否则具体步骤和/或动作的次序和/或使用可以改动而不会脱离权利要求的范围。

所描述的功能可在硬件、软件、固件或其任何组合中实现。如果以硬件实现，则示例硬件配置可以包括设备中的处理系统。处理系统可以用总线架构来实现。取决于处理系统的具体应用和整体设计约束，总线可以包括任何数目的互连总线和桥接器。总线可将包括处理器、机器可读介质、以及总线接口的各种电路链接在一起。总线接口可用于尤其将网络适配器等经由总线连接至处理系统。网络适配器可用于实现信号处理功能。对于某些方面，用户接口(例如，按键板、显示器、鼠标、操纵杆，等等)也可以被连接到总线。总线还可以链接各种其他电路，诸如定时源、外围设备、稳压器、功率管理电路以及类似电路，它们在本领域中是众所周知的，因此将不再进一步描述。

处理器可负责管理总线和一般处理，包括执行存储在机器可读介质上的软件。处理器可用一个或多个通用和/或专用处理器来实现。示例包括微处理器、微控制器、DSP处理器、以及其他能执行软件的电路系统。软件应当被宽泛地解释成意指指令、数据、或其任何组合，无论是被称作软件、固件、中间件、微代码、硬件描述语言、或其他。作为示例，机器可读介质可以包括随机存取存储器(RAM)、闪存存储器、只读存储器(ROM)、可编程只读存储器(PROM)、可擦式可编程只读存储器(EPROM)、电可擦式可编程只读存储器(EEPROM)、寄存器、磁盘、光盘、硬驱动器、或者任何其他合适的存储介质、或其任何组合。机器可读介质可被实施在计算机程序产品中。该计算机程序产品可以包括包装材料。

在硬件实现中，机器可读介质可以是处理系统中与处理器分开的一部分。然而，如本领域技术人员将容易领会的，机器可读介质或其任何部分可在处理系统外部。作为示例，机器可读介质可以包括传输线、由数据调制的载波、和/或与设备分开的计算机产品，所有这些都可由处理器通过总线接口来访问。替换地或补充地，机器可读介质或其任何部分可被集成到处理器中，诸如高速缓存和/或通用寄存器文件可能就是这种情形。虽然所讨论的各种组件可被描述为具有特定位置，诸如局部组件，但它们也可按各种方式来配置，诸如某些组件被配置成分布式计算系统的一部分。

处理系统可以被配置为通用处理系统，该通用处理系统具有一个或多个提供处理器功能性的微处理器、以及提供机器可读介质中的至少一部分的外部存储器，它们都通过外部总线架构与其他支持电路系统链接在一起。替换地，该处理系统可以包括一个或多个神经元形态处理器以用于实现本文中所描述的神经元模型和神经系统模型。作为另一替换方案，处理系统可以用带有集成在单块芯片中的处理器、总线接口、用户接口、支持电路系统、和至少一部分机器可读介质的专用集成电路(ASIC)来实现，或者用一个或多个现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、状态机、门控逻辑、分立硬件组件、或者任何其他合适的电路系统、或者能执行本公开通篇所描述的各种功能性的电路的任何组合来实现。取决于具体应用和加诸于整体系统上的总设计约束，本领域技术人员将认识到如何最佳地实现关于处理系统所描述的功能性。

机器可读介质可以包括数个软件模块。这些软件模块包括当由处理器执行时使处理系统执行各种功能的指令。这些软件模块可以包括传送模块和接收模块。每个软件模块可以驻留在单个存储设备中或者跨多个存储设备分布。作为示例，当触发事件发生时，可以从硬驱动器中将软件模块加载到RAM中。在软件模块执行期间，处理器可以将一些指令加载到高速缓存中以提高访问速度。可随后将一个或多个高速缓存行加载到通用寄存器文件中以供处理器执行。在以下述及软件模块的功能性时，将理解此类功能性是在处理器执行来自该软件模块的指令时由该处理器来实现的。此外，应领会，本公开的各方面产生对处理器、计算机、机器或实现此类方面的其它系统的机能的改进。

如果以软件实现，则各功能可作为一条或多条指令或代码存储在计算机可读介质上或藉其进行传送。计算机可读介质包括计算机存储介质和通信介质两者，这些介质包括促成计算机程序从一地向另一地转移的任何介质。存储介质可以是能被计算机访问的任何可用介质。作为示例而非限定，此类计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或能用于携带或存储指令或数据结构形式的期望程序代码且能被计算机访问的任何其他介质。另外，任何连接也被正当地称为计算机可读介质。例如，如果软件是使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)、或无线技术(诸如红外(IR)、无线电、以及微波)从web网站、服务器、或其他远程源传送而来，则该同轴电缆、光纤电缆、双绞线、DSL或无线技术(诸如红外、无线电、以及微波)就被包括在介质的定义之中。如本文中所使用的盘(disk)和碟(disc)包括压缩碟(CD)、激光碟、光碟、数字多用碟(DVD)、软盘、和碟，其中盘(disk)常常磁性地再现数据，而碟(disc)用激光来光学地再现数据。因此，在一些方面，计算机可读介质可以包括非瞬态计算机可读介质(例如，有形介质)。另外，对于其他方面，计算机可读介质可以包括瞬态计算机可读介质(例如，信号)。上述的组合应当也被包括在计算机可读介质的范围内。

因此，某些方面可以包括用于执行本文中给出的操作的计算机程序产品。例如，此类计算机程序产品可以包括其上存储(和/或编码)有指令的计算机可读介质，这些指令能由一个或多个处理器执行以执行本文中所描述的操作。对于某些方面，计算机程序产品可以包括包装材料。

此外，应当领会，用于执行本文中所描述的方法和技术的模块和/或其它恰适装置能由用户终端和/或基站在适用的场合下载和/或以其他方式获得。例如，此类设备能被耦合至服务器以促成用于执行本文中所描述的方法的装置的转移。替换地，本文中所描述的各种方法能经由存储装置(例如，RAM、ROM、诸如压缩碟(CD)或软盘等物理存储介质等)来提供，以使得一旦将该存储装置耦合至或提供给用户终端和/或基站，该设备就能获得各种方法。此外，可利用适于向设备提供本文中所描述的方法和技术的任何其他合适的技术。

将理解，权利要求并不被限定于以上所解说的精确配置和组件。可在以上所描述的方法和装置的布局、操作和细节上作出各种改动、更换和变形而不会脱离权利要求的范围。

Claims (20)

1.一种基于深度学习处理来从视频图像中检测对象的方法，所述方法包括：

使用所述深度学习处理来学习基线模式；

使用所述深度学习处理来自主地检测因视野内的移动而引起的变化；以及

基于检测到的变化来执行动作。

2.如权利要求1所述的方法，其特征在于，学习所述基线模式包括：

从第一视频帧中提取第一组特征向量；

从第二视频帧中提取第二组特征向量；

分别将所提取的第一组特征向量和第二组特征向量表示为第一基线得分和第二基线得分；以及

在所述第一基线得分和所述第二基线得分彼此相似时，将所述第一视频帧和所述第二视频帧建立为所述基线模式。

3.如权利要求2所述的方法，其特征在于，进一步包括基于所述第一基线得分和所述第二基线得分的平均来计算最终基线得分。

4.如权利要求3所述的方法，其特征在于，检测所述变化包括：

从一个或多个后续视频帧中提取特征向量；

为所述一个或多个后续视频帧中的每个后续视频帧计算分类得分；以及

在所述一个或多个后续视频帧中的设定数目的后续视频帧的所述分类得分保持与所述最终基线得分不同时检测到所述变化。

5.如权利要求1所述的方法，其特征在于，所述动作包括存储图像以供用户查阅。

6.如权利要求1所述的方法，其特征在于，所述动作包括标识在所述视野内检测到的对象。

7.如权利要求1所述的方法，其特征在于，所述动作是用户配置的动作。

8.如权利要求1所述的方法，其特征在于，进一步包括执行自动校准规程。

9.如权利要求1所述的方法，其特征在于，进一步包括通过迭代地重复训练来训练所述深度学习处理以标识所述视野内的变化。

10.一种用于基于深度学习处理来从视频图像中检测对象的装置，包括：

存储器；以及

耦合至所述存储器的至少一个处理器，所述至少一个处理器被配置成：

使用所述深度学习处理来学习基线模式；

使用所述深度学习处理来自主地检测因视野内的移动而引起的变化；

以及

基于检测到的变化来执行动作。

11.如权利要求10所述的装置，其特征在于，所述至少一个处理器被进一步配置成通过以下方式来学习所述基线模式：

从第一视频帧中提取第一组特征向量；

从第二视频帧中提取第二组特征向量；

分别将所提取的第一组特征向量和第二组特征向量表示为第一基线得分和第二基线得分；以及

在所述第一基线得分和所述第二基线得分彼此相似时，将所述第一视频帧和所述第二视频帧建立为所述基线模式。

12.如权利要求11所述的装置，其特征在于，所述至少一个处理器被进一步配置成基于所述第一基线得分和所述第二基线得分的平均来计算最终基线得分。

13.如权利要求12所述的装置，其特征在于，所述至少一个处理器被配置成通过以下方式来检测所述变化：

从一个或多个后续视频帧中提取特征向量；

为所述一个或多个后续视频帧中的每个后续视频帧计算分类得分；以及

在所述一个或多个后续视频帧中的设定数目的后续视频帧的所述分类得分保持与所述最终基线得分不同时检测到所述变化。

14.如权利要求10所述的装置，其特征在于，所述至少一个处理器被配置成执行存储图像以供用户查阅的动作。

15.如权利要求10所述的装置，其特征在于，所述至少一个处理器被配置成执行标识在所述视野内检测到的对象的动作。

16.如权利要求10所述的装置，其特征在于，所述至少一个处理器被配置成执行用户配置的动作。

17.如权利要求10所述的装置，其特征在于，所述至少一个处理器被进一步配置成执行自动校准规程。

18.如权利要求10所述的装置，其特征在于，所述至少一个处理器被进一步配置成通过迭代地重复训练来训练所述深度学习处理以标识所述视野内的变化。

19.一种其上记录有用于基于深度学习处理来从视频图像中检测对象的程序代码的非瞬态计算机可读介质，所述程序代码由处理器执行并且包括：

用以使用所述深度学习处理来学习基线模式的程序代码；

用以使用所述深度学习处理来自主地检测因视野内的移动而引起的变化的程序代码；以及

用以基于检测到的变化来执行动作的程序代码。

20.一种用于基于深度学习处理来从视频图像中检测对象的设备，所述设备包括：

用于使用所述深度学习处理来学习基线模式的装置；

用于使用所述深度学习处理来自主地检测因视野内的移动而引起的变化的装置；以及

用于基于检测到的变化来执行动作的装置。