CN110020574A - 基于数据融合的物体辨识系统及物体辨识的自我学习方法 - Google Patents

Abstract

本发明公开一种基于数据融合的物体辨识系统及用于物体辨识的自我学习方法。本发明是经由身份感测装置与特征感测装置分别感测进入监视区域的各物体的身份数据与特征数据，决定各特征数据所属的群组，于身份数据的感测时间与特征数据的感测时间相符时关联身份数据及特征数据所属的群组，并于判断任一群组被关联至同一身份数据的关联次数大于关联临界值时，配对群组与身份数据。本发明可自动对同一物体的身份数据与特征数据进行配对，而可有效节省手动配对所需的时间与人力。

Description

基于数据融合的物体辨识系统及物体辨识的自我学习方法

技术领域

本发明是涉及系统与方法，特别涉及基于数据融合的物体辨识系统及用于物体辨识的自我学习方法。

背景技术

目前已有一种基于数据融合(data fusion)技术的人员辨识系统被提出。前述物体辨识系统可使用不同类型的传感器来对人员进行感测以获得不同类型的感测数据，并依据不同类型的感测数据来进行人员辨识。

请参阅图1，为现有的学习与辨识方法的流程图。举例来说，人员辨识系统可包括RFID读取器(第一种传感器)及摄影机(第二种传感器)。

人员辨识系统可经由执行学习步骤S10来对同一人员的身份数据与脸部影像进行配对。具体而言，管理员可操作物体辨识系统来经由RFID读取器对所有人员所持有的RFID标签(如员工证)进行感测以取得所有人员的身份数据(步骤S100，前述身份数据可例如为员工标识符)，并经由摄影机逐一对所有人员进行拍摄以取得所有人员的脸部影像(步骤S101)。最后，管理员必须操作人员辨识系统来手动配对同一人员的身份数据与脸部影像以产生对应的配对数据(步骤S102)。

于所有身份数据与脸部影像配对完成后，人员辨识系统可执行步骤S11来依据所建立的配对关系自动进行人员辨识。具体而言，当人员辨识系统经由摄影机拍摄到任一人员的脸部影像(步骤S110)时，人员辨识系统可依据所拍摄到的脸部影像与前述配对数据来决定所拍摄到的人员的身份数据(步骤S111)。藉此，即便人员未携带RFID标签，人员辨识系统也可经由所拍摄到的脸部影像来辨识人员身份。

然而，于现有的学习与辨识方法的学习步骤中，管理员必须手动对不同类型的感测数据(即身份数据与脸部影像)进行配对，这使得现有的学习与辨识方法的学习步骤必须耗费大量时间与人力来产生配对数据。

有鉴于此，目前极需一种辨识系统与自我学习方法，可自动对不同类型的感测数据进行配对。

发明内容

本发明提供一种基于数据融合的物体辨识系统及用于物体辨识的自我学习方法，可基于感测时间来自动对同一物体的身份与特征进行配对。

于一实施例中，一种基于数据融合的物体辨识系统，包括身份感测装置、特征感测装置及控制主机。身份感测装置用以感测进入监视区域的至少一物体各别的身份数据。特征感测装置用以感测进入监视区域的物体各别的特征数据。控制主机连接身份感测装置及特征感测装置，用以于多个群组中决定至少其中之一作为特征数据所属的群组，于身份数据的第一感测时间与特征数据的第二感测时间相符时对身份数据及特征数据所属的群组进行关联，并于判断任一群组被关联至同一身份数据的关联次数大于关联临界值时，对群组与身份数据进行配对。

于一实施例中，一种用于物体辨识的自我学习方法，包括：经由身份感测装置感测进入监视区域的至少一物体各别的身份数据；经由特征感测装置感测进入监视区域的物体各别的特征数据；于多个群组中决定至少其中之一作为特征数据所属的群组；于身份数据的第一感测时间与特征数据的第二感测时间相符时对身份数据及特征数据所属的群组进行关联；及，于判断任一群组被关联至同一身份数据的关联次数大于关联临界值时配对群组与身份数据。

本发明可自动对同一物体的身份数据与特征数据进行配对，而可有效节省手动配对所需的时间与人力。

附图说明

图1为现有的学习与辨识方法的流程图。

图2为本发明一实施例的物体辨识系统的架构图。

图3为本发明一实施例的控制主机的架构图。

图4为本发明一实施例的控制单元的架构图。

图5为本发明第一实施例的自我学习方法的流程图。

图6为本发明第二实施例的自我学习方法的部分流程图。

图7为本发明第三实施例的自我学习方法的部分流程图。

图8为本发明第四实施例的自我学习方法的部分流程图。

图9为本发明第五实施例的自我学习方法的部分流程图。

图10为本发明第六实施例的自我学习方法的部分流程图。

图11为本发明第七实施例的自我学习方法的部分流程图。

图12为本发明第八实施例的自我学习方法的部分流程图。

图13为本发明一实施例的物体辨识系统的外观示意图。

图14为本发明一实施例的物体辨识系统的使用示意图。

图15为本发明一实施例的感测与关联数据的示意图。

其中附图标记为：

10…身份感测装置

11…特征感测装置

12…控制主机

120…控制单元

121…记忆单元

122…计算机程序

123…传输单元

124…人机界面

13…数据库

14…功能装置

2…网络

30…分群模块

31…距离计算模块

32…时间差计算模块

33…关联模块

34…辨识模块

35…操作模块

36…清除模块

37…更新模块

40…身份感测装置

41…特征感测装置

42…控制主机

424…人机界面

50-53…身份感测装置

60-64…特征感测装置

70-73…功能装置

80-81…身份数据

90-94…特征数据

S1-S4…监视区域

t1-t8…时间点

S10、S100-S102…现有配对步骤

S11、S110-S111…现有辨识步骤

S20、S200-S202…感测步骤

S21、S210-S214…学习步骤

S30-S32…第一特征数据感测步骤

S40-S41…第二特征数据感测步骤

S50-S54…分群步骤

S60-S61…时间差判断步骤

S70-S73…配对步骤

S80-S83…清除步骤

S90-S93…物体辨识步骤

具体实施方式

下面结合图示和具体实施例对本发明技术方案进行详细的描述，以更了解本发明的目的、方案及功效，但并非作为本发明的申请专利范围的限制。

本发明公开一种基于数据融合的物体辨识系统(下称物体辨识系统)，所述物体辨识系统用来执行一种用于物体辨识的自我学习方法(下称自我学习方法)。本发明可于任一物体进入或意图进入监视区域时感测此物体的身份数据与特征数据，依据特征数据决定物体所属群组，并可对所感测的身份数据与所决定的群组进行配对，藉此取代管理员的手动配对操作。

值得一提的是，本发明所指物体的身份与特征是具有独特性与识别性，而可据以产生独有的身份数据与特征数据。举例来说，若物体为员工，则身份数据可为员工编号，特征数据可为指纹数据。于另一例子中，若物体为宠物，则身份数据可为所植入芯片的标识符，特征数据可为其脸部影像数据。于另一例子中，若物体为艺术品，则身份数据可为自定义编号，特征数据可为其外观影像数据。

请同时参阅图2及图3，图2为本发明一实施例的物体辨识系统的架构图，图3为本发明一实施例的控制主机的架构图。

本发明的物体辨识系统主要包括身份感测装置10、特征感测装置11及连接上述装置(如经由网络2，网络2可为局域网络或因特网)的控制主机12。

身份感测装置10用以感测进入监视区域的各物体的身份数据(如姓名、员工编号、身份标识符、芯片编号、财产编号或其他具有独特性与识别性的数据)。

于一实施例中，身份感测装置10是RFID读取器，并可持续于监视区域中发出无线射频信号。各身份数据储存于各物体所包含的RFID标签(如物体所携带或所嵌入物体中的RFID标签)，各RFID标签于进入监视区域后会感测到身份感测装置10所发出的无线射频信号，而被致能以回传身份数据至身份感测装置10。

特征感测装置11用以感测进入监视区域的各物体的特征数据(如脸部特征、外观特征、生物特征(如指纹数据、虹膜数据或掌静脉数据)、行为特征(如笔迹或移动轨迹)或其他具有识别性的数据)。

于一实施例中，特征感测装置11是摄影机，并可对监视区域内的物体的外表进行拍摄以产生包括连续的多个影像数据的一组视讯数据。更进一步地，特征感测装置11还可于视讯数据的多个影像数据中辨识包括物体的影像数据，并依据物体的影像数据分析对应的特征数据。

于一实施例中，特征感测装置11是生物辨识器(如指纹传感器、虹膜传感器或掌静脉传感器)，并用以感测监视区域内的物体的生物数据。更进一步地，特征感测装置11还可依据对所感测的生物数据进行分析来获得特征数据。

值得一提的是，前述「依据物体的影像数据分析特征数据」及「依据生物数据分析特征数据」为本技术领域的熟习的技术手段，其技术细节于此不再赘述。

控制主机12用以控制物体辨识系统。于一实施例中，控制主机12可包括用以储存数据的记忆单元121、用以连接网络2的传输单元123、用以输出/输入信息的人机界面124及电性连接上述组件并用以控制控制主机12的控制单元120。

控制单元120可经由传输单元123自身份感测装置10取得身份数据，并经由传输单元123自特征感测装置11取得特征数据。并且，控制单元120可决定各特征数据所属的群组，于任一身份数据的感测时间(第一感测时间)与任一特征数据的感测时间(第二感测时间)相符时对身份数据及特征数据所属的群组进行关联并记录此对身份数据及群组之间的关联次数。并且，控制单元120还可于判断任一关联次数大于预设的关联临界值时，对此群组与身份数据进行配对并记录配对数据。

于一实施例中，物体辨识系统更包括连接控制主机12的数据库13。数据库13可用来储存前述的身份数据、特征数据、群组、关联次数及/或配对关系。

于一实施例中，物体辨识系统更包括连接控制主机12的功能装置14(如电子锁、空调装置、照明装置、电梯设备等等)。控制主机12可控制功能装置14运作(如控制电子锁上锁或解锁、控制空调装置运转或停止运转、控制照明装置调整亮度或控制电梯设备移动至特定楼层等等)。

于一实施例中，记忆单元121包括非瞬时储存媒体，并储存计算机程序122。计算机程序122包括计算机可执行程序代码。当控制单元120执行前述计算机可执行程序代码时，可进一步实现本发明的自我学习方法。

请同时参阅图4，为本发明一实施例的控制单元的架构图。具体而言，控制单元120主要是通过执行计算机程序122来与物体辨识系统的其他装置进行互动，以执行本发明的自我学习方法中的各个功能，并且依据不同的功能，可将上述计算机程序122为下列几个功能模块：

1.分群模块30，用以决定各特征数据所属的群组，其中各群组通常会对应不同的物体。

于一实施例中，各群组包括模板数据。前述各模板数据可为对多笔特征数据进行运算后所产生的一组模型数据。分群模块30是对各特征数据与各模板数据进行比较，并于特征数据与任一模板数据之间的差异(如后述的距离值)小于用于分群的距离临界值(即特征数据与任一模板数据相似或相符)时将特征数据分群至此模板数据所对应的群组。

于一实施例中，当多笔模板数据与特征数据之间的多组差异皆小于距离临界值(即特征数据与多笔模板数据相似或相符)时，分群模块30可判定特征数据符合最近似的模板数据(如与特征数据之间的距离值最小的模板数据)，并仅将特征数据分群至最近似的模板数据所对应的群组。

于一实施例中，分群模块30于特征数据不符合所有模板数据时，依据特征数据建立新的群组并产生新的模板数据，并将特征数据分群至所建立的新群组。换句话说，分群模块30是于侦测到新物体时建立对应的新群组。

2.距离计算模块31，用以计算特征数据与各模板数据之间的距离值(即计算特征数据与模板数据之间的差异)，并依据所计算的距离值决定特征数据是否符合模板数据。

3.时间差计算模块32，用以计算各身份数据的感测时间与各特征数据的感测时间之间的时间差。

4.关联模块33，用以于判断时间差计算模块32所算出的任一时间差小于预设的时间临界值时对身份数据及特征数据所属的群组进行关联操作以增加身份数据及群组之间的关联次数。

5.辨识模块34，用以判断当前的特征数据所属的群组是否已配对至任一身份数据，并于判断已配对时依据身份数据产生物体的辨识结果

6.操作模块35，用以依据辨识结果控制功能装置14运作。

7.清除模块36，用以判断预设的清除条件是否满足，并于清除条件(如侦测到长时间未更新或长时间数值过低的关联次数)满足时清除符合清除条件的关联次数所对应的身份数据与群组之间的关联。

于一实施例中，清除条件是关联次数小于清除预设的清除临界值，清除模块36是清除所对应的关联次数小于清除预设的清除临界值的身份数据与群组之间的关联。

于一实施例中，清除条件是关联次数持续预设的清除时间未被更新，清除模块36是清除所对应的关联次数持续预设的清除时间未被更新的身份数据与群组之间的关联。

8.更新模块37，用以判断是否存在与特定的身份数据之间的关联次数大于已配对的原群组的关联次数的另一群组，并于判断另一群组存在时解除配对原群组，并将另一群组与身份数据进行配对。

藉此，本发明可通过前述模块来执行本发明的自我学习中的各个功能，而可自动完成对应同一物体的身份数据与群组之间的配对。

续请同时参阅图5，为本发明第一实施例的自我学习方法的流程图。本发明各实施例的自我学习方法可由图2及图3所示的物体辨识系统来加以实现。本实施例的自我学习方法主要包括用以对进入监视区域的物体进行感测以实现自动感测功能的步骤S20及用以对不同类型的感测数据进行配对以实现自我学习功能的步骤S21。

具体而言，步骤S20包括以下步骤。

步骤S200：身份感测装置10对进入监视区域的各物体进行感测以获得各物体的身份数据，并将所感测的各物体的身份数据传送至控制主机12。

步骤S201：特征感测装置11对进入相同监视区域的各物体进行感测以获得各物体的特征数据。

步骤S202：特征感测装置11决定所感测到的各特征数据所属的群组，前述各群组分别对应不同的物体。接着，特征感测装置11将特征数据及决定结果传送至控制主机12。

于一实施例中，特征感测装置11直接将特征数据传送至控制主机12，控制主机12决定所收到的各特征数据所属的群组并进行记录。

藉此，本发明可于物体进入监视区域时取得物体的不同类型的感测数据(即身份数据与特征数据)。

值得一提的是，前述各身份数据是预先定义的，并对应明确且特有的内容(如人员的姓名或编号)，而可用来表示各物体的身份或作为身份查询的索引(如依据姓名可直接得知人员的身份，依据编号可查询人员的个人数据)。

并且，前述各特征数据是对应各物体的可识别的特征(如生物特征、外观特征或行为特征)。由于不同物体具有不同特征(即对应的特征数据不同)，本发明可于多笔特征数据彼此相同或相似时判定这些特征数据对应相同物体，并于多笔特征数据彼此不同或不相似时判定这些特征数据分别对应不同物体。

本实施例的步骤S21包括用以对不同类型的感测数据自动进行配对的以下步骤。

步骤S210：控制主机12取得身份数据的感测时间(第一感测时间)及特征数据的感测时间(第二感测时间)，并判断两者的感测时间是否相符(如是否感测时间相同、两笔感测时间的时间差小于或大于预设的时间临界值或时间差落入预设的时间间隔中)。

于一实施例中，控制主机12是于身份数据的感测时间及特征数据的感测时间相同时，判断两者的感测时间相符。

于一实施例中，控制主机12是计算身份数据的感测时间及特征数据的感测时间之间的时间差，并于时间差落入预设的时间区间(如3-5秒)时，判断两者的感测时间相符。

若控制主机12判断两者的感测时间相符，则执行步骤S211。否则，控制主机12再次执行步骤S20。

于一实施例中，步骤S20持续被执行以持续将数据传送至控制主机12(如持续感测身份数据与特征数据，持续决定各特征数据所属的群组，并持续将各身份数据及各特征数据所属的群组发送至控制主机12)，而步骤S21持续被执行以持续对收到的数据进行判断。

步骤S211：控制主机12经由关联模块33选择感测时间相符的特征数据所属的群组，并对感测时间相符的身份数据及所选择的群组进行关联。

于一实施例中，控制主机12是取得对应此身份数据及此群组之间的关联次数(初始值可为零)，并更新所取得的关联次数的值(如增加1)。前述各关联次数是用以表示各群组被关联至同一身份数据的次数。

于一实施例中，控制主机12将更新后的关联次数记录于数据库13。

步骤S212：控制主机12判断是否任一关联次数大于预设的关联临界值(如10次)。

若控制主机12判断存在任一关联次数大于预设的关联临界值，则执行步骤S213。否则，控制主机12再次执行步骤S20。

步骤S213：控制主机12取得大于关联临界值的关联次数所对应的身份数据及群组，并对所取得的群组与身份数据进行配对，并产生对应的一笔配对数据以建立配对关系。

于一实施例中，控制主机12将所产生的配对数据记录于数据库13。

步骤S214：控制主机12判断是否停止学习(如判断用户是否关闭控制主机12或关闭自我学习功能)。

若控制主机12判断停止学习，则结束自我学习方法。否则，控制主机12再次执行步骤S20。

相较于现有技术采用监督式学习方法，必须由管理员手动对不同类型的感测数据进行配对，本发明经由自动对同一物体的身份数据与特征数据进行配对，来实现本自动学习方法，可有效节省手动配对所需的时间与人力。

请参阅图15，为本发明一实施例的感测与关联数据的示意图，用以示例性说明本发明的物体辨识系统及自我学习方法的一种应用方式。于本例子中，控制主机12是于感测数据的感测时间与特征数据的感测时间之间的时间差不大于2秒时判定两者的感测时间相符。并且，于本例子中，关联临界值为2(即控制主机12于任一关联次数大于2次时会自动对对应的身份数据及群组进行配对)。

于第一次感测中，身份感测装置10于时间点t1(如第1秒)感测到身份数据80。特征感测装置11于时间点t2(如第2秒)感测到特征数据90，并于时间点t3(如第4秒)感测到特征数据91。

接着，控制主机12对所感测到的特征数据进行辨识与分群，如判定特征数据90属于第一群组(与身份不明的第一人员的特征相似)，特征数据91属于第二群组(与身份不明的第二人员的特征相似)。

最后，控制主机12判断身份数据80的感测时间与特征数据90的感测时间的时间差(1秒)不大于2秒，并对身份数据80与第一群组进行关联以设定并增加关联次数(如将第一关联次数自0次变为1次)。并且，由于身份数据80的感测时间与特征数据91的感测时间的时间差(3秒)大于2秒，控制主机12不会对身份数据80与第二群组进行关联。

于第二次感测中，身份感测装置10于时间点t4(如第5秒)再次感测到身份数据80。特征感测装置11于时间点t5(如第6秒)同时感测到特征数据92、93。

接着，控制主机12判定特征数据92属于第一群组，特征数据93属于第三群组(与身份不明的第三人员的特征相似)。

最后，控制主机12判断身份数据80的感测时间与特征数据92、93的感测时间的时间差(1秒)不大于2秒，并对身份数据80与第一群组进行关联以增加关联次数(如将第一关联次数自1次变为2次)，并对身份数据80与第三群组进行关联以设定并增加另一关联次数(如将第二关联次数自0次变为1次)。

于第三次感测中，身份感测装置10于时间点t6(如第8秒)再次感测到身份数据80，并于时间点t7(如第9秒)感测到另一笔身份数据81。特征感测装置11于时间点t8(如第10秒)感测到特征数据94。接着，控制主机12判定特征数据94属于第一群组。

接着，控制主机12判断身份数据80的感测时间与特征数据94的感测时间的时间差(2秒)不大于2秒，并对身份数据80与第一群组进行关联以增加关联次数(如将第一关联次数自2次变为3次)，并判断身份数据81的感测时间与特征数据94的感测时间的时间差(1秒)亦不大于2秒，并对身份数据81与第一群组进行关联以设定并增加另一关联次数(如将第三关联次数自0次变为1次)。

最后，控制主机12判断身份数据80与第一群组之间的第一关联次数(3次)大于关联临界值(2次)，而对身份数据80与第一群组进行配对以产生对应的配对数据。

于配对完成后，当控制主机12经由特征感测装置11感测到任一属于第一群组的特征数据时，可自动决定此特征数据所对应的物体的身份(即身份数据80)。并且，当控制主机12同时经由身份感测装置10感测到身份数据80并经由特征感测装置11感测到特征数据时，可依据所感测到的特征数据是否属于第一群组来判断当前的物体是否为非法入侵，并于判定非法入侵(特征数据不属于第一群组，如一人员盗用另一人员的员工证进入监视区域)时，进行对应处置(如发出警报或上锁门锁)。

值得一提的是，虽于本例子中是对感测时间相符的所有身份数据与特征数据所属群组进行关联，但不以此限定。

于另一例子中，控制主机12亦可被设定为当同时有多组身份数据与特征数据的感测时间相符时，不对任一组身份数据与特征数据所属群组进行关联，或仅对感测时间最接近的身份数据与特征数据所属群组进行关联。

续请同时参阅图5及图6，图6为本发明第二实施例的自我学习方法的部分流程图。于本实施例中，特征感测装置11为摄影机。相较于图5所示的实施例，本实施例的步骤S201包括以下步骤。

步骤S30：特征感测装置11对监视区域内的物体进行拍摄以产生视讯数据。

于一实施例中，特征感测装置11包括物体传感器(如PIR传感器)，物体传感器于感测到物体进入监视区域时触发一组触发信号。特征感测装置11于收到触发信号开始对监视区域进行拍摄(如持续拍摄预设时间(如5秒)，或于持续收到触发信号期间持续进行拍摄)以撷取包含物体的影像数据的视讯数据。

步骤S31：特征感测装置11于所产生的视讯数据中辨识物体的影像数据。

于一实施例中，特征感测装置11具有多种影像辨识功能(如人脸影像辨识、宠物影像辨识或车牌影像辨识等等)，并可依据使用者的设定来执行多种辨识功能的其中之一(如选择人脸影像辨识)，并依据设定于视讯数据中辨识特定种类的物体的影像数据(如辨识人脸影像数据)。

于一实施例中，特征感测装置11是持续对监视区域进行拍摄以产生多个视讯数据，并逐一判断各视讯数据是否包括任一物体的影像数据。

步骤S32：特征感测装置11依据物体的影像分析特征数据。具体而言，特征感测装置11是对物体的影像数据执行影像特征分析以获得特征数据，前述影像特征分析为本技术领域中所熟习的技术，于此不再赘述。

藉此，本发明可有效对物体的影像特征与身份数据进行配对。

续请同时参阅图5及图7，图7为本发明第三实施例的自我学习方法的部分流程图。于本实施例中，特征感测装置11为生物辨识器。相较于图5所示的实施例，本实施例的步骤S201包括以下步骤。

步骤S40：特征感测装置11经由特征感测装置11感测监视区域内的物体的生物数据。

当生物辨识器为指纹传感器时，欲进入监视区域的物体须将手指置于指纹传感器以输入指纹，并于完成指纹输入后才可进入监视区域。

步骤S41：特征感测装置11依据生物数据分析特征数据。具体而言，特征感测装置11是对生物数据执行生物特征分析以获得特征数据，前述生物特征处理为本技术领域的常见技术，于此不再赘述。

藉此，本发明可有效对物体的生物特征与身份数据进行配对。

续请同时参阅图5及图8，图8为本发明第四实施例的自我学习方法的部分流程图。于本实施例中，各群组包括模板数据，前述各模板数据可用于判断各特征数据是否属于各群组。

于一实施例中，控制主机12是依据属于各群组的一或多个特征数据来决定各群组的模板数据，如将各群组的第一笔特征数据作为模板数据，对多笔特征数据进行组合运算以获得一笔组合后的特征数据并作为模板数据，或对多笔特征数据进行共同特征运算以决定多笔特征数据之间的共同特征并做为模板数据等等。

并且，于本实施例中，是由控制主机12对特征数据进行分群(即步骤S202是由控制主机12执行)，但不以此限定。于另一实施例中，亦可由特征感测装置11对特征数据进行分群(即步骤S202是由特征感测装置11执行)。

相较于图5所示的实施例，本实施例的步骤S202包括以下步骤。

步骤S50：控制主机12对所感测的特征数据与各群组的模板数据进行比较。

于一实施例中，控制主机12经由距离计算模块31计算特征数据与各群组的模板数据之间的距离值以进行比较。

举例来说，控制主机12可对特征数据与各模板数据分别执行相减运算以获得一组差异值并做为前述距离值。

步骤S51：控制主机12经由分群模块30判断是否所感测的特征数据与任一群组的模板数据相符。

于一实施例中，控制主机12判断是否存在任一距离值小于预设的距离临界值，并于判断任一距离值小于距离临界值时判定距离值所对应的特征数据与模板数据彼此相符，并于判断所有距离值皆不小于距离临界值时判定特征数据与所有模板数据不相符。

若控制主机12判断所感测的特征数据与任一群组的模板数据相符，则判定当前的物体曾被感测过(即旧物体)，并执行步骤S52。若控制主机12判断所感测的特征数据与所有群组的模板数据皆不相符，则判定当前的物体为第一次被感测(即新物体)，并执行步骤S53。

步骤S52：控制主机12将所感测的特征数据分群至相符的模板数据所对应的群组以完成分群。

若控制主机12判断特征数据与所有模板数据皆不相符时执行步骤S53：控制主机12依据此笔特征数据建立新群组。于一实施例中，控制主机12还可依据此笔特征数据建立新群组的模板数据以供后续分群使用。

步骤S54：控制主机12将特征数据分群至所建立的新群组。藉此，本发明可有效对所感测到的物体进行分群。

续请同时参阅图5及图9，图9为本发明第五实施例的自我学习方法的部分流程图。相较于图5所示的实施例，本实施例的步骤S210包括以下步骤。

步骤S60：控制主机12经由时间差计算模块32取得各身份数据的感测时间与各特征数据的感测时间，并计算各身份数据的感测时间与各特征数据的感测时间之间的时间差。

步骤S61：控制主机12经由时间差计算模块32判断是否任一时间差小于与预设的时间临界值。

值得一提的是，使用者可依据身份感测装置10及特征感测装置11之间的距离来调整前述时间临界值。

举例来说，若身份感测装置10与特征感测装置11是设置于同一位置，则用户可将时间临界值设定为0秒或1秒。若身份感测装置10与特征感测装置11设置于不同位置，则用户可推估自身份感测装置10所在位置移动至特征感测装置11所在位置所需时间，并做为时间临界值。

若控制主机12判断存在任一时间差小于时间临界值时，执行步骤S211以经由关联模块33取得此时间差所对应的身份数据与特征数据，并将身份数据与特征数据所属群组进行关联以增加此组身份数据与群组的关联次数。否则，控制主机12再次执行步骤S20。

藉此，本发明可有效判断所感测的身份数据与特征数据是否相符。

续请同时参阅图5及图10，图10为本发明第六实施例的自我学习方法的部分流程图。本实施例提供一种更新功能，可对配对数据进行更新以提升配对数据的正确性。并且，于本实施例中，即便任一身份数据已与任一群组配对完成，控制主机12仍会持续计算此身份数据与各群组之间的关联次数并计算此群组与各身份数据之间的关联次数。相较于图5所示的实施例，本实施例的步骤S213包括以下步骤。

若控制主机12于步骤S212中判断本次所感测的身份数据与本次所感测的特征数据所属的群组(第一群组)之间的关联次数大于关联临界值时，执行步骤S70：控制主机12判断是否身份数据已被配对至其他群组(如第二群组)。

于一实施例中，控制主机12可依据身份数据于数据库13中查询是否存在对应的配对数据，并于找到配对数据时，判定此身份数据已被配对至其他群组(第二群组)。并且，控制主机12还可依据所找到配对数据取得已与此身份数据配对的群组(第二群组)的相关信息(如关联次数)。

若控制主机12判断身份数据已被配对至另一群组(第二群组)，则执行步骤S71。否则，控制主机12执行步骤S73。

步骤S71：控制主机12经由更新模块37判断身份数据与新群组(第一群组)之间的关联次数是否大于身份数据与原群组(第二群组)之间的关联次数。

若控制主机12判断身份数据与新群组之间的关联次数大于身份数据与原群组之间的关联次数，则执行步骤S72以更新配对数据。否则，控制主机12不更新配对数据，并执行步骤S214。

步骤S72：控制主机12经由更新模块37解除配对身份数据与原群组，并对身份数据与新群组进行配对。

于一实施例中，控制主机12是删除身份数据与原群组之间的配对关系，并对身份数据与新群组进行配对，以产生一笔新的配对数据，并记录至数据库13。

若控制主机12判断特征数据所属的群组尚未被配对至任一身份数据，则执行步骤S73：控制主机12对身份数据与特征数据所属的群组进行配对。接着执行步骤S214。

本发明经由持续更新配对数据，可有效提升已配对的身份数据与群组的正确性。

续请同时参阅图5及图11，图11为本发明第七实施例的自我学习方法的部分流程图。本实施例提供一种清除功能，可于任一关联满足清除条件时主动清除符合清除条件的关联以减少内存使用量。具体而言，本实施例的自我学习方法更包括用以实现清除功能的步骤S80-S83。步骤S80-S83可与步骤S20-S21同时执行，或于步骤S20与步骤S21之后执行，不加以限定。于本实施例中，清除条件包括第一清除条件与第二清除条件，本实施例是于所有清除条件满足时才清除关联，但不以此限定。

步骤S80：控制主机12经由清除模块36判断是否预设的执行条件满足。

于一实施例中，前述执行条件可为预设时间(如每天上午六点或每周执行一次)或预设状态(如储存空间使用量大于85％或每次开机时)，不加以限定。

若控制主机12判断执行条件满足，则执行步骤S81以判断清除条件是否满足。否则，控制主机12结束本次侦测。

步骤S81：控制主机12经由清除模块36及数据库13判断是否任一关联次数持续未被更新的时间长度达预设的清除时间(即第一清除条件，如7天)。具体而言，控制主机12可自数据库13读取各关联次数的最后更新时间，依据各关联次数的最后更新时间与当前时间计算各关联次数的未更新时间，再对各关联次数的未更新时间与清除时间进行比较。

若控制主机12发现任一关联次数超过清除时间未被更新，则执行步骤S82。否则，控制主机12结束本次侦测。

步骤S82：控制主机12经由清除模块36及数据库13判断是否前述超过清除时间未被更新的关联次数小于预设的清除临界值(即第二清除条件，如5次)。

若控制主机12判断前述关联次数小于清除临界值，则执行步骤S83。否则，控制主机12结束本次侦测。

步骤S83：控制主机12经由清除模块36取得符合清除条件的关联次数(如超过清除时间未被更新的关联次数及/或小于预设的清除临界值的关联次数)，取得对应此关联次数的身份数据及群组，并清除此组身份数据及群组之间的关联(如将关联次数归零或删除关联数据)。

于一实施例中，控制主机12并不直接删除关联数据，而是于每次侦测到小于清除临界值的关联次数时减少此关联次数(如每次减少1)，并于关联次数归零时才删除对应的关联数据。藉此，可有效降低误删除正确的关联数据的机率。

值得一提的是，虽于本实施例中是先执行步骤S81再执行步骤S82，但不以此限定。于一实施例中，控制主机12亦可仅先执行步骤S82，再执行步骤S81。

于一实施例中，控制主机12可同时执行步骤S81及S82，即超过清除时间未被更新的关联次数与小于清除临界值的关联次数所对应的关联皆会被清除。

于一实施例中，控制主机12可仅执行步骤S81，或仅执行步骤S82，即仅有超过清除时间未被更新的关联次数与小于清除临界值的关联次数的其中之一所对应的关联会被清除。

续请同时参阅图5及图12，图12为本发明第八实施例的自我学习方法的部分流程图。本实施例提供一种身份辨识功能，可依据物体的特征数据决定物体的身份。具体而言，本实施例的自我学习方法于步骤S21后更包括用以实现身份辨识功能的步骤S21。具体而言，步骤S21包括以下步骤。

步骤S90：控制主机12经由辨识模块34判断是否所感测到特征数据已配对至任一身份数据。

于一实施例中，控制主机12是于数据库13中查询是否存在与特征数据有关的配对数据。

若控制主机12判断特征数据已配对至任一身份数据，则执行步骤S91。否则，控制主机12执行步骤S93。

步骤S91：控制主机12经由辨识模块34产生辨识结果。

于一实施例中，控制主机12取得已与特征数据配对的身份数据，并依据所取得的身份数据产生辨识结果(如特征数据所对应的物体的身份或权限)。

步骤S92：控制主机12依据辨识结果经由操作模块35控制功能装置14进行操作。

以功能装置14是监视区域的门禁系统(如门锁与警报器)为例，控制主机12可依据辨识结果决定当前的物体(如人员)是否具有进入监视区域的权限，并于判断当前的物体具有权限时解锁门锁，于判断当前的物体不具权限时启动警报器。

以功能装置14是空调装置，监视区域是会议室为例，控制主机12可依据辨识结果决定当前的物体是否为会议室的借用人员，并于判断当前的物体为会议室的借用人员时开启空调装置，于判断当前的物体非为会议室的借用人员时关闭或不启动空调装置。

若控制主机12判断特征数据未配对至任一身份数据，则执行步骤S93：控制主机12经由辨识模块34控制人机界面124发出警示以通知管理员侦测到身份不明的物体。

步骤S94：控制主机12经由辨识模块34判断是否停止辨识(如用户是否关闭控制主机12或关闭身份辨识功能)。

若控制主机12判断停止身份辨识，则结束自我学习方法。否则，控制主机12再次执行步骤S90。

藉此，本发明可自动辨识物体的身份并据以控制功能装置14执行对应的操作。

续请参阅图13，为本发明一实施例的物体辨识系统的外观示意图。于本实施例中，物体辨识系统为门口机。并且，身份感测装置40(以RFID卡片阅读机为例)、特征感测装置41(以摄影机为例)及控制主机42是设置于同一壳体中。并且，物体辨识系统上还设置有人机界面424。人机界面424用以提供访客浏览影像或讯息。

于本例子中，由于物体将所持有的RFID标签移入身份感测装置40的感测范围内时，特征感测装置41可拍到物体的脸部影像数据。因此，于本例子中，可将物体辨识系统与自我学习方法的时间临界值设定为0秒(趋近于0)，即于身份数据的感测时间与特征数据(即物体的脸部影像数据)的感测时间相同时才对身份数据与特征数据所属的群组进行关联。

续请参阅图14，为本发明一实施例的物体辨识系统的使用示意图。于本例子中，物体辨识系统是同时对多个监视区域S1-S4进行监视以监控进出的物体(以人员为例)，并包括多个身份感测装置50-53(以RFID读取器为例)、多个特征感测装置60-64(以摄影机为例)及多个功能装置70-73(以电动门为例)。

具体而言，身份感测装置50、特征感测装置60及功能装置70是用于监视区域S1。身份感测装置51、特征感测装置61及功能装置71是用于监视区域S2。身份感测装置52、特征感测装置62、63及功能装置72是用于监视区域S3。身份感测装置53、特征感测装置64及功能装置73是用于监视区域S4。

换句话说，于本例子中，物体辨识系统仅会将身份感测装置50所感测到的身份数据关联至特征感测装置60所感测到的特征数据所属的群组，将身份感测装置51所感测到的身份数据关联至特征感测装置61所感测到的特征数据所属的群组，以此类推，即本例子的物体辨识系统不会对不同监视区域所感测到的身份数据及特征数据所属群组进行关联。

藉此，本发明可有效对多个监视区域的物体分别执行自我学习功能，而不会造成混淆。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本发明所属技术领域中具有通常知识者当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的范围。

Claims (22)

1.一种基于数据融合的物体辨识系统，其特征在于，包括：

一身份感测装置，用以感测进入一监视区域的至少一物体各别的一身份数据；

一特征感测装置，用以感测进入该监视区域的该物体各别的一特征数据；及

一控制主机，连接该身份感测装置及该特征感测装置，该控制主机于多个群组中决定至少其中之一作为该特征数据所属的该群组，于该身份数据的一第一感测时间与该特征数据的一第二感测时间相符时对该身份数据及该特征数据所属的该群组进行关联，并于判断任一该群组被关联至同一该身份数据的一关联次数大于一关联临界值时，对该群组与该身份数据进行配对。

2.如权利要求1所述的基于数据融合的物体辨识系统，其特征在于，该身份感测装置是一RFID读取器，该身份数据储存于该物体所包含的一RFID标签，该RFID标签于收到该身份感测装置所发出的一无线射频信号后回传该身份数据至该身份感测装置。

3.如权利要求1所述的基于数据融合的物体辨识系统，其特征在于，该特征感测装置是一摄影机，并用以对该监视区域内的该物体进行拍摄以产生一视讯数据，于该视讯数据中辨识该物体的一影像数据，并依据该物体的该影像数据分析该特征数据。

4.如权利要求1所述的基于数据融合的物体辨识系统，其特征在于，该特征感测装置是一生物辨识器，并用以感测该监视区域内的该物体的一生物数据，并依据该生物数据分析该特征数据。

5.如权利要求1所述的基于数据融合的物体辨识系统，其特征在于，该控制主机包括一分群模块，该分群模块用以比较该特征数据与分别对应该等群组的多个模板数据，于该特征数据符合该等模板数据之一者时将该特征数据分群至符合的该模板数据所对应的该群组，并于该特征数据不符合该等模板数据时，依据该特征数据建立新的该群组，并将该特征数据分群至新的该群组。

6.如权利要求5所述的基于数据融合的物体辨识系统，其特征在于，该控制主机更包括一距离计算模块，该距离计算模块用以计算该特征数据与该等模板数据之间各别的一距离值，该分群模块是于任一该距离值小于一距离临界值时判定该特征数据符合该模板数据，并于所有该距离值不小于该距离临界值时判定该特征数据不符合所有该模板数据。

7.如权利要求1所述的基于数据融合的物体辨识系统，其特征在于，该控制主机包括：

一时间差计算模块，计算该身份数据的该第一感测时间与每一该特征数据的该第二感测时间之间的一时间差；及

一关联模块，于该时间差小于一时间临界值时增加该身份数据及该特征数据所属的该群组之间的该关联次数。

8.如权利要求1所述的基于数据融合的物体辨识系统，其特征在于，该控制主机包括一清除模块，该清除模块用以判断满足一清除条件时，清除符合该清除条件的该关联次数所对应的该身份数据与该群组之间的关联。

9.如权利要求8所述的基于数据融合的物体辨识系统，其特征在于，该清除条件是任一该关联次数小于一清除临界值。

10.如权利要求8所述的基于数据融合的物体辨识系统，其特征在于，该清除条件是任一该关联次数持续一清除时间未被更新。

11.如权利要求1所述的基于数据融合的物体辨识系统，其特征在于，该控制主机包括一更新模块，该更新模块用以于判断另一该群组与该身份数据之间的该关联次数大于该关联临界值且大于已配对至该身份数据的该群组的该关联次数时，解除配对该群组与该身份数据，并配对另一该群组与该身份数据。

12.一种用于物体辨识的自我学习方法，其特征在于，包括以下步骤：

a)经由一身份感测装置感测进入一监视区域的至少一物体各别的一身份数据；

b)经由一特征感测装置感测进入该监视区域的该物体各别的一特征数据；

c)于多个群组中决定至少其中之一作为该特征数据所属的该群组；

d)于该身份数据的一第一感测时间与该特征数据的一第二感测时间相符时对该身份数据及该特征数据所属的该群组进行关联；及

e)于判断任一该群组被关联至同一该身份数据的一关联次数大于一关联临界值时，配对该群组与该身份数据。

13.如权利要求12所述的用于物体辨识的自我学习方法，其特征在于，该步骤a)是经由该身份感测装置发出一无线射频信号并自一RFID标签取得该身份数据。

14.如权利要求12所述的用于物体辨识的自我学习方法，其特征在于，该步骤b)包括以下步骤：

b11)经由该特征感测装置对该监视区域内的该物体进行拍摄以产生一视讯数据；

b12)于该视讯数据中辨识该物体的一影像数据；及

b13)依据该物体的该影像数据分析该特征数据。

15.如权利要求12所述的用于物体辨识的自我学习方法，其中该步骤b)包括以下步骤：

b21)经由该特征感测装置感测该监视区域内的该物体的一生物数据；及

b22)依据该物体的该生物数据分析该特征数据。

16.如权利要求12所述的用于物体辨识的自我学习方法，其特征在于，该步骤c)包括以下步骤：

c1)比较该特征数据与分别对应该等群组的多个模板数据；

c2)于该特征数据符合该等模板数据中之一者时将该特征数据分群至符合的该模板数据所对应的该群组；及

c3)于该特征数据不符合该等模板数据时，依据该特征数据建立新的该群组，并将该特征数据分群至新的该群组。

17.如权利要求16所述的用于物体辨识的自我学习方法，其特征在于，该步骤c1)是计算该特征数据与该等模板数据之间各别的一距离值；该步骤c2)是于任一该距离值小于一距离临界值时判定该特征数据符合该模板数据；该步骤

c3)是于所有该距离值不小于该距离临界值时判定该特征数据不符合所有该模板数据。

18.如权利要求12所述的用于物体辨识的自我学习方法，其特征在于，该步骤d)包括以下步骤：

d1)计算该身份数据的该第一感测时间与每一该特征数据的该第二感测时间之间的一时间差；及

d2)于该时间差小于一时间临界值时增加该身份数据及该特征数据所属的该群组之间的该关联次数。

19.如权利要求12所述的用于物体辨识的自我学习方法，其特征在于，更包括一步骤f)于判断一清除条件时，清除符合该清除条件的该关联次数所对应的该身份数据与该群组之间的关联。

20.如权利要求19所述的基于数据融合的物体辨识系统，其特征在于，该清除条件是任一该关联次数小于一清除临界值。

21.如权利要求19所述的基于数据融合的物体辨识系统，其特征在于，该清除条件是任一该关联次数持续一清除时间未被更新。

22.如权利要求12所述的用于物体辨识的自我学习方法，其特征在于，更包括一步骤g)于判断另一该群组与该身份数据之间的该关联次数大于该关联临界值且大于已配对至该身份数据的该群组的该关联次数时，解除配对该群组与该身份数据，并配对另一该群组与该身份数据。