TWI592883B - Image recognition system and its adaptive learning method - Google Patents

Image recognition system and its adaptive learning method Download PDF

Info

Publication number
TWI592883B
TWI592883B TW105112559A TW105112559A TWI592883B TW I592883 B TWI592883 B TW I592883B TW 105112559 A TW105112559 A TW 105112559A TW 105112559 A TW105112559 A TW 105112559A TW I592883 B TWI592883 B TW I592883B
Authority
TW
Taiwan
Prior art keywords
image
weak classifier
output
signal
module
Prior art date
Application number
TW105112559A
Other languages
English (en)
Other versions
TW201738806A (zh
Inventor
張國清
李傳仁
黃瀚文
Original Assignee
財團法人車輛研究測試中心
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 財團法人車輛研究測試中心 filed Critical 財團法人車輛研究測試中心
Priority to TW105112559A priority Critical patent/TWI592883B/zh
Priority to DE102016226204.1A priority patent/DE102016226204B4/de
Priority to JP2016252936A priority patent/JP6301440B2/ja
Application granted granted Critical
Publication of TWI592883B publication Critical patent/TWI592883B/zh
Publication of TW201738806A publication Critical patent/TW201738806A/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Description

影像辨識系統及其自適應學習方法
本發明是有關於一種辨識系統及其學習方法，特別是指一種應用於車用影像處理的影像辨識系統及其自適應學習方法。
近年來，智慧型先進駕駛輔助系統(Advanced Driver Assistance Systems，縮寫為ADAS)迅速發展，希望藉由人工智慧的應用降低交通事故的肇事率，包含車道線偵測系統、倒車輔助系統、前方車輛防撞系統等，都是國內外車廠近來積極開發的技術。
上述系統中，影像辨識技術為其不可或缺的一環，而其技術之核心多是利用機器學習演算法訓練分類器進行分類判斷以辨識影像，然而，由於受限於車載嵌入式系統的效能，因此車載之分類器表現有其極限，而如何在車載嵌入式系統的有限效能下，於多變的道路環境中有效率地降低誤判率，則為目前研究發展的重點目標。
因此，本發明之第一目的，即在提供一種能自行進行訓練且有效率地降低誤判率的影像辨識系統。
於是，本發明影像辨識系統，包含一偵測單元及一學習單元。
該偵測單元擷取一影像輸入以得到一影像，並輸出一相關於該影像的輸出圖像，以一組弱分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，若符合，則輸出一警示信號，並於接收到一組新的弱分類器參數時，更新原弱分類器參數。
該學習單元接收該輸出圖像，並分別以該組弱分類器參數及一組強分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像進行訓練以重新調整出該組新的弱分類器參數，並更新該組新的弱分類器參數至該偵測單元。
因此，本發明之第二目的，即在提供一種能自行進行訓練且有效率地降低誤判率的影像辨識系統之自適應學習方法。
於是，本發明影像辨識系統之自適應學習方法，運用於如上述之影像辨識系統，該方法包含以下步驟：
(A) 利用該偵測單元，擷取一影像輸入以得到一影像及一相關於該影像的輸出圖像。
(B) 利用該偵測單元，以一組弱分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，若符合，則產生一警示信號。
(C) 於接收到一組新的弱分類器參數時，更新原弱分類器參數。
(D) 利用該學習單元，分別以該組弱分類器參數及一組強分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像作為樣本以訓練調整出該組新的弱分類器參數，以供步驟(C)更新。
本發明之功效在於：藉由設置該偵測單元，可以對該影像輸入即時進行運算處理，而藉由設置該學習單元，可以自行找出判定結果有誤的該輸出圖像，並自行進行訓練以降低誤判率，由於不需要人工進行輔助判定或貼標籤分類，因此可以快速搜集大量訓練樣本，而能快速提升效能、降低誤判率以增加駕駛者的行車安全。
在本發明被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。
參閱圖1與圖2，本發明影像辨識系統之一第一實施例，包含一偵測單元2，及一學習單元3。
該偵測單元2適用於設置於一車輛9，擷取一影像輸入以得到一影像，並輸出一相關於該影像的輸出圖像，以一組弱分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，若符合，則輸出一警示信號，並於接收到一組新的弱分類器參數時，更新原弱分類器參數。
於本實施例中，該影像輸入為一用於攝影車行方向的車用攝影機(圖未示)所攝之影像，以供該偵測單元2判斷車行方向是否有礙障物，所述之預設目標即為系統預設之障礙物，但該偵測單元2亦可運用於其他之車用影像處理，並不限於此。
該偵測單元2包括一影像擷取模組21、一第一影像處理模組22、一第一分類模組23、一輸出模組24，及一參數模組25。
該影像擷取模組21擷取該車用攝影機所輸出的該影像輸入，以輸出該影像。
該第一影像處理模組22電連接該影像擷取模組21，接收該影像並運算處理以輸出一第一區域圖像。
該第一分類模組23電連接該第一影像處理模組22，接收該第一區域圖像，並以該組弱分類器參數進行運算處理以判定對應該輸出圖像的該第一區域圖像是否符合預設目標，若符合，則表示車行方向具有障礙物，該第一分類模組23輸出該警示信號以警示駕駛者。
該輸出模組24電連接該影像擷取模組21，用以接收該影像並輸出該輸出圖像。
該參數模組25用以儲存該組弱分類器參數以供該第一分類模組23運算使用。
該學習單元3與該偵測單元2連線，接收該輸出圖像，並分別以該組弱分類器參數及一組強分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像進行訓練以重新調整出該組新的弱分類器參數，並更新該組新的弱分類器參數至該參數模組25。
於本實施例中，該學習單元3可設置於車內或另設於一伺服器(圖未示)，且與該偵測單元2為有線或無線連線，用以供該參數模組25更新該組新的弱分類器參數。
該學習單元3包括一第二影像處理模組31、一第二分類模組32、一訓練模組33，及一更新模組34。
該第二影像處理模組31接收該輸出圖像並運算處理以輸出該輸出圖像及一第二區域圖像。
該第二分類模組32接收該輸出圖像及該第二區域圖像，並分別以該組弱分類器參數及該組強分類器參數進行運算處理以判定對應該輸出圖像的該第二區域圖像是否符合預設目標，由於該第二分類模組32與第一分類模組23使用相同的該組弱分類器參數進行運算，因此，此處使用該組弱分類器參數所運算的判定結果可視為相同於該第一分類模組23所運算的判定結果，而由於該組強分類器參數數量較龐大，其精確度高，因此，此處使用該組強分類器參數所運算的判定結果可視為正確的判定結果，而當使用該組弱分類器參數及使用該組強分類器參數的判定結果相異時，則表示該第一分類模組23所運算的判定結果有誤，此時，輸出對應判定結果有誤的該輸出圖像。
該訓練模組33由該第二分類模組32接收對應判定結果有誤的該輸出圖像，並以該輸出圖像作為樣本訓練該第二分類模組32以調整出該組新的弱分類器參數。
該更新模組34由該訓練模組33接收該組新的弱分類器參數，並更新該組新的弱分類器參數至該第二分類模組32及該參數模組25，藉此，本實施例可自行找出對應判定結果有誤的該輸出圖像，並自行進行重新訓練以調整弱分類器參數，再自動進行參數更新。
其中，該更新模組34使用事先預設的一組圖像樣本測試運算該組新的弱分類器參數之一信任分數，以確認該組新的弱分類器參數對系統所預設之障礙物(例如人、車等)的判定效能是否優於原弱分類器參數，並於該組新的弱分類器參數之信任分數高於原弱分類器參數之信任分數時，更新該組新的弱分類器參數至該第二分類模組32及該影像擷取模組21。
值得一提的是，該第一分類模組23可具有一弱分類器231，並以該弱分類器231搭配該組弱分類器參數進行運算處理，而該第二分類模組32則可具有如圖3所示一階層式的強分類器321，並以該強分類器321搭配該組強分類器參數進行運算處理，而該強分類器321前面M級則形成一弱分類器322，並搭配該組弱分類器參數進行運算處理，藉此，該第二分類模組32可分別輸出兩判定結果。
經由以上的說明，可將本實施例的優點歸納如下：
一、藉由設置該偵測單元2，可以對該車用攝影機所輸出的影像輸入即時進行運算處理，並於判定該輸出圖像符合預設目標時(有障礙物時)輸出該警示信號以警示使用者，而藉由不斷更新該組弱分類器參數，則可持續提升該第一分類模組23的分類精確度，以降低誤判率。
再者，藉由設置與該偵測單元2連線的該學習單元3，並藉由該第二分類模組32分別以該組弱分類器參數及該組強分類器參數進行運算處理以得到兩個判定結果，可判定該第一分類模組23所運算的判定結果是否有誤，並於判定結果有誤時，令該訓練模組33進行訓練以重新調整弱分類器參數、該更新模組34更新該組新的弱分類器參數，藉此，本實施例可自行找出判定結果有誤的該輸出圖像，並自行進行訓練以降低誤判率，由於此運作皆是於系統中自動進行，並不需要人工進行輔助判定或貼標籤分類，因此可以快速搜集大量訓練樣本進行訓練以得到更佳的該組弱分類器參數，故能快速提升效能、降低誤判率以增加駕駛者的行車安全。
藉由將該偵測單元2設置於該車輛9上之車載嵌入式系統，並將該學習單元3另設於該車輛9上或伺服器以提供有線或無線連線，可以令該學習單元3不用受限於車載嵌入式系統的效能，而能建構運算功能強大的該第二分類模組32，以更加快速即時地運算該輸出圖像而提供該第一分類模組23更佳的該組弱分類器參數。
二、藉由該更新模組34每次僅更新信任分數較高的該組新的弱分類器參數，可以確保每次更新都可以得到更佳的效能，避免當次所誤判的該輸出圖像僅為特殊事件時，反而造成較差的偵測與誤判表現。
參閱圖4及圖5，為本發明影像辨識系統的一第二實施例，該第二實施例是類似於該第一實施例，該第二實施例與該第一實施例的差異在於：
該第一分類模組23還具有一距離計算部232，該距離計算部232於該弱分類器231判定車行方向具有障礙物時，接收該第一區域圖像，並根據該第一區域圖像中的障礙物大小運算該障礙物的距離，以輸出一指示一障礙物距離的距離訊號。
該輸出模組24於接收一誤判反饋信號時輸出該輸出圖像至該學習單元3。
該第二實施例還包含一反饋單元4，該反饋單元4接收一車身訊號、一撞擊信號、該距離訊號。
於本實施例中，該車身訊號指示一車行速度值及一剎車踏板深度值，但亦可為指示至少其中之一，並不限於此。
該反饋單元4分別於下列四種情況發生時輸出該誤判反饋信號：
一、該反饋單元4接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量不大於一減速度預定值或該剎車踏板深度值不大於一剎車預定值。
此情況表示該第一分類模組23判斷有障礙物(符合預設目標)，但該車輛9卻未快速減速或駕駛者未重踩剎車，因此，該反饋單元4判斷該第一分類模組23判斷有誤。
二、該反饋單元4未接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量大於該減速度預定值或該剎車踏板深度值大於該剎車預定值。
此情況表示該第一分類模組23並無判斷有障礙物(不符合預設目標)，但該車輛9卻快速減速或駕駛者重踩剎車，表示該第一分類模組23判斷有誤。
三、該反饋單元4接收該撞擊信號時。
此情況表示該第一分類模組23未輸出該警示信號或是太晚輸出該警示信號，導致駕駛者反應不及而發生碰撞。
四、於該障礙物距離小於一運算剎車距離時。
此情況表示該第一分類模組23根據該距離計算部232所運算之障礙物距離，判斷在可安全剎車的距離(即該運算剎車距離)以內有障礙物(符合預設目標)，但駕駛者卻仍然駕車靠近，因此判斷該第一分類模組23判斷有誤。
其中，該運算剎車距離 依據下列公式計算， 為預定末速，設定為0， 為初速，即為該車行速度值， 為加速度，以歐盟新車安全評鑑協會(European New Car Assessment Programme，縮寫為Euro-NCAP)所規範之剎車力(0.4g)計算而得， 為依據公式1所計算之理論剎車距離， 為反應期間的車輛位移， 以駕駛者反應時間約0.8秒計算。 (公式1) (公式2) (公式3)
如此，該第二實施例亦可達到與上述第一實施例相同的目的與功效，且還可達到以下優點：
一、藉由設置該反饋單元4，並令該輸出模組24於接收該誤判反饋信號時才輸出該輸出圖像至該學習單元3，可以大幅減少輸出至該學習單元3的該輸出圖像數量，藉此，可以大幅降低該第二分類模組32的資訊處理量，亦即，可降低對該第二分類模組32的運算效能之需求、簡化該第二分類模組32的設計複雜度，故能使用運算能力一般的架構實施該第二分類模組32，或是可直接將該學習單元3與該偵測單元2一起設置於該車輛9的車載嵌入式系統，藉此，不僅節省設計成本，且可省下另設該學習單元3於車輛上的成本，或相較於另設該學習單元3於伺服器，則是可不受限於具有通訊信號時才能連線更新，可提供該第一分類模組23即時參數回饋。
二、藉由提供該警示信號、該車身訊號、該距離訊號及該撞擊信號至該反饋單元4，可幫助該反饋單元4判斷該第一分類模組23是否誤判，幫助控管該輸出模組24所輸出的輸出圖像皆是對應判斷錯誤的有效訓練樣本，以降低該第二分類模組32的資訊處理量，節省設計成本。
參閱圖4及圖6，該影像辨識系統所執行的影像辨識系統之自適應學習方法包括以下步驟51~56。
步驟51：利用該偵測單元2，擷取一影像輸入以得到一影像及一相關於該影像的輸出圖像。
其中，將該影像運算處理以產生一第一區域圖像，且該偵測單元2於接收一誤判反饋信號時，輸出該輸出圖像至該學習單元3。
步驟52：利用該偵測單元2，以一組弱分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，若符合，則產生一警示信號。
其中，以該組弱分類器參數進行運算處理以判定對應該輸出圖像的該第一區域圖像是否符合預設目標，若符合，則產生該警示信號。
步驟53：於接收到一組新的弱分類器參數時，更新原弱分類器參數。
步驟54：利用該學習單元3，分別以該組弱分類器參數及一組強分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像作為樣本以訓練調整出該組新的弱分類器參數，以供步驟53更新。
其中，將該輸出圖像運算處理以產生一第二區域圖像，並分別以該組弱分類器參數及該組強分類器參數進行運算處理以判定對應該輸出圖像的該第二區域圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像作為樣本以訓練調整出該組新的弱分類器參數，以供步驟53更新。
其中，運算該組新的弱分類器參數之一信任分數，並於該組新的弱分類器參數之信任分數高於原弱分類器參數之信任分數時，輸出該組新的弱分類器參數供步驟53更新。
步驟55：至少根據一車身訊號及該警示信號判斷是否產生該誤判反饋信號。
其中，還根據一指示一障礙物距離的距離訊號判斷是否產生該誤判反饋信號。
其中，該車身訊號指示一車行速度值及一剎車踏板深度值至少其中之一，且分別於下列四種情況中產生該誤判反饋信號：
一、接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量不大於一減速度預定值或該剎車踏板深度值不大於一剎車預定值。
二、未接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量大於該減速度預定值或該剎車踏板深度值大於該剎車預定值。
三、接收一撞擊信號時。
四、於該障礙物距離小於一運算剎車距離時，其中，該運算剎車距離依據該車行速度值計算而得。
如此，該自適應學習方法亦可達到與上述第一實施例相同的目的與功效。
綜上所述，藉由設置該偵測單元2及該學習單元3，可以對該影像輸入即時進行運算處理，並自行找出判定結果有誤的該輸出圖像以進行訓練，能快速提升效能、降低誤判率以增加駕駛者的行車安全，故確實能達成本發明之目的。
惟以上所述者，僅為本發明之實施例而已，當不能以此限定本發明實施之範圍，凡是依本發明申請專利範圍及專利說明書內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。
2‧‧‧偵測單元
21‧‧‧影像擷取模組
22‧‧‧第一影像處理模組
23‧‧‧第一分類模組
231‧‧‧弱分類器
232‧‧‧距離計算部
24‧‧‧輸出模組
25‧‧‧參數模組
3‧‧‧學習單元
31‧‧‧第二影像處理模組
32‧‧‧第二分類模組
321‧‧‧強分類器
322‧‧‧弱分類器
33‧‧‧訓練模組
34‧‧‧更新模組
4‧‧‧反饋單元
51~55‧‧‧步驟
9‧‧‧車輛
本發明之其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是本發明影像辨識系統的一第一實施例的一電路方塊圖； 圖2是該第一實施例應用於一車輛的一示意圖 圖3是該第一實施例的一強分類器及一弱分類器的一示意圖； 圖4是本發明影像辨識系統的一第二實施例的一電路方塊圖； 圖5是該第二實施例應用於一車輛的一示意圖；及 圖6是本發明影像辨識系統之自適應學習方法的一流程圖。
2‧‧‧偵測單元
21‧‧‧影像擷取模組
22‧‧‧第一影像處理模組
23‧‧‧第一分類模組
231‧‧‧弱分類器
232‧‧‧距離計算部
24‧‧‧輸出模組
3‧‧‧學習單元
31‧‧‧第二影像處理模組
32‧‧‧第二分類模組
321‧‧‧強分類器
33‧‧‧訓練模組
34‧‧‧更新模組
4‧‧‧反饋單元
25‧‧‧參數模組

Claims (13)

  1. 一種影像辨識系統，包含： 一偵測單元，擷取一影像輸入以得到一影像，並輸出一相關於該影像的輸出圖像，以一組弱分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，若符合，則輸出一警示信號，並於接收到一組新的弱分類器參數時，更新原弱分類器參數；及 一學習單元，接收該輸出圖像，並分別以該組弱分類器參數及一組強分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像進行訓練以重新調整出該組新的弱分類器參數，並更新該組新的弱分類器參數至該偵測單元。
  2. 如請求項1所述的影像辨識系統，其中，該偵測單元包括： 一影像擷取模組，擷取該影像輸入以輸出該影像， 一第一影像處理模組，電連接該影像擷取模組，接收該影像並運算處理以輸出一第一區域圖像， 一第一分類模組，電連接該第一影像處理模組，接收該第一區域圖像，並以該組弱分類器參數進行運算處理以判定對應該輸出圖像的該第一區域圖像是否符合預設目標，若符合，則輸出該警示信號，及 一輸出模組，電連接該影像擷取模組，用以接收該影像並輸出該輸出圖像。
  3. 如請求項2所述的影像辨識系統，其中，該學習單元包括： 一第二影像處理模組，接收該輸出圖像並運算處理以輸出該輸出圖像及一第二區域圖像， 一第二分類模組，接收該輸出圖像及該第二區域圖像，並分別以該組弱分類器參數及該組強分類器參數進行運算處理以判定對應該輸出圖像的該第二區域圖像是否符合預設目標，於兩判定結果相異時輸出該輸出圖像， 一訓練模組，由該第二分類模組接收該輸出圖像，並以該輸出圖像作為樣本訓練該第二分類模組以調整出該組新的弱分類器參數，及 一更新模組，由該訓練模組接收該組新的弱分類器參數，並更新該組新的弱分類器參數至該第二分類模組及該偵測單元。
  4. 如請求項3所述的影像辨識系統，還包含一反饋單元，該反饋單元接收一車身訊號，並至少根據該車身訊號輸出一誤判反饋信號，該輸出模組於接收該誤判反饋信號時輸出該輸出圖像。
  5. 如請求項4所述的影像辨識系統，其中，該車身訊號指示一車行速度值及一剎車踏板深度值至少其中之一，該反饋單元於下列至少一種情況發生時輸出該誤判反饋信號： 該反饋單元接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量不大於一減速度預定值或該剎車踏板深度值不大於一剎車預定值； 該反饋單元未接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量大於該減速度預定值或該剎車踏板深度值大於該剎車預定值。
  6. 如請求項5所述的影像辨識系統，其中，該反饋單元還接收一撞擊信號及一指示一障礙物距離的距離訊號，並還於下列至少一種情況發生時輸出該誤判反饋信號： 該反饋單元接收該撞擊信號時， 於該障礙物距離小於一運算剎車距離時，其中，該運算剎車距離依據該車行速度值計算而得。
  7. 如請求項3所述的影像辨識系統，其中，該更新模組運算該組新的弱分類器參數之一信任分數，並於該組新的弱分類器參數之信任分數高於原弱分類器參數之信任分數時，更新該組新的弱分類器參數至該第二分類模組及該偵測單元。
  8. 一種影像辨識系統之自適應學習方法，運用於如請求項1所述之影像辨識系統，該方法包含以下步驟： (A)   利用該偵測單元，擷取一影像輸入以得到一影像及一相關於該影像的輸出圖像； (B)    利用該偵測單元，以一組弱分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，若符合，則產生一警示信號； (C)    於接收到一組新的弱分類器參數時，更新原弱分類器參數；及 (D)   利用該學習單元，分別以該組弱分類器參數及一組強分類器參數進行運算處理以判定該輸出圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像作為樣本以訓練調整出該組新的弱分類器參數，以供步驟(C)更新。
  9. 如請求項8所述的自適應學習方法，其中： 步驟(A)中，將該影像運算處理以產生一第一區域圖像， 步驟(B)中，以該組弱分類器參數進行運算處理以判定對應該輸出圖像的該第一區域圖像是否符合預設目標，若符合，則產生該警示信號， 步驟(D)中，將該輸出圖像運算處理以產生一第二區域圖像，並分別以該組弱分類器參數及該組強分類器參數進行運算處理以判定對應該輸出圖像的該第二區域圖像是否符合預設目標，於兩判定結果相異時，以該輸出圖像作為樣本以訓練調整出該組新的弱分類器參數，以供步驟(C)更新。
  10. 如請求項9所述的自適應學習方法，其中，步驟(A)中，該偵測單元於接收一誤判反饋信號時，輸出該輸出圖像至該學習單元。
  11. 如請求項10所述的自適應學習方法，還包含以下步驟： (E)    至少根據一車身訊號及該警示信號判斷是否產生該誤判反饋信號， 其中，該車身訊號指示一車行速度值及一剎車踏板深度值至少其中之一，且於下列至少一種情況產生該誤判反饋信號： 接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量不大於一減速度預定值或該剎車踏板深度值不大於一剎車預定值， 未接收該警示信號，且該車身訊號所指示之車行速度值於單位時間之減速變化量大於該減速度預定值或該剎車踏板深度值大於該剎車預定值。
  12. 如請求項11所述的自適應學習方法，其中，步驟(E)中，還根據一指示一障礙物距離的距離訊號判斷是否產生該誤判反饋信號，還於下列至少一種情況產生該誤判反饋信號： 接收一撞擊信號時， 於該障礙物距離小於一運算剎車距離時，其中，該運算剎車距離依據該車行速度值計算而得。
  13. 如請求項9所述的自適應學習方法，其中，步驟(D)中，運算該組新的弱分類器參數之一信任分數，並於該組新的弱分類器參數之信任分數高於原弱分類器參數之信任分數時，輸出該組新的弱分類器參數供步驟(C)更新。
TW105112559A 2016-04-22 2016-04-22 Image recognition system and its adaptive learning method TWI592883B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW105112559A TWI592883B (zh) 2016-04-22 2016-04-22 Image recognition system and its adaptive learning method
DE102016226204.1A DE102016226204B4 (de) 2016-04-22 2016-12-23 Erfassungssystem für ein zielobjekt und ein verfahren zur erfassung eines zielobjekts
JP2016252936A JP6301440B2 (ja) 2016-04-22 2016-12-27 対象物検出システム及び対象物検出方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW105112559A TWI592883B (zh) 2016-04-22 2016-04-22 Image recognition system and its adaptive learning method

Publications (2)

Publication Number Publication Date
TWI592883B true TWI592883B (zh) 2017-07-21
TW201738806A TW201738806A (zh) 2017-11-01

Family

ID=60021326

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105112559A TWI592883B (zh) 2016-04-22 2016-04-22 Image recognition system and its adaptive learning method

Country Status (3)

Country Link
JP (1) JP6301440B2 (zh)
DE (1) DE102016226204B4 (zh)
TW (1) TWI592883B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10467486B2 (en) 2017-12-29 2019-11-05 Automotive Research & Testing Center Method for evaluating credibility of obstacle detection

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111542834A (zh) * 2017-12-27 2020-08-14 大众汽车（中国）投资有限公司 一种处理方法、处理装置、控制设备和云服务器
JP2019139316A (ja) * 2018-02-06 2019-08-22 国立大学法人 東京大学 識別システム、識別装置、識別方法及び識別プログラム
JP7198599B2 (ja) * 2018-06-28 2023-01-04 株式会社カーメイト 画像処理装置、画像処理方法、ドライブレコーダー
CN112386249B (zh) * 2019-08-14 2023-09-19 中移(苏州)软件技术有限公司 跌倒检测方法及装置、设备、存储介质
JP7308775B2 (ja) * 2020-02-12 2023-07-14 株式会社日立ハイテク 機械学習方法および機械学習用情報処理装置
US11390249B2 (en) 2020-08-05 2022-07-19 Ford Global Technologies, Llc Vehicle vision system

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5115390B2 (ja) * 2008-08-04 2013-01-09 住友電気工業株式会社 移動体識別装置、コンピュータプログラム及び移動体識別装置の学習方法
JP5388291B2 (ja) * 2009-09-14 2014-01-15 住友電気工業株式会社 識別器生成方法、コンピュータプログラム、識別器生成装置及び所定物体検出装置
JP5401344B2 (ja) * 2010-01-28 2014-01-29 日立オートモティブシステムズ株式会社 車両用外界認識装置
JP2013152654A (ja) * 2012-01-26 2013-08-08 Toyota Central R&D Labs Inc 識別器、識別器構築装置、プログラム
EP2940656B1 (en) 2012-12-25 2024-01-31 Honda Motor Co., Ltd. Vehicle periphery monitoring device

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10467486B2 (en) 2017-12-29 2019-11-05 Automotive Research & Testing Center Method for evaluating credibility of obstacle detection

Also Published As

Publication number Publication date
DE102016226204A1 (de) 2017-10-26
DE102016226204B4 (de) 2019-03-07
JP2017194949A (ja) 2017-10-26
TW201738806A (zh) 2017-11-01
JP6301440B2 (ja) 2018-03-28

Similar Documents

Publication Publication Date Title
TWI592883B (zh) Image recognition system and its adaptive learning method
CN106485233B (zh) 可行驶区域检测方法、装置和电子设备
JP6372228B2 (ja) 衝突予想時間算出装置
EP3446940B1 (en) Driving assist device and driving assist method
JP6202635B2 (ja) 運転者支援システムのためのレーン相対位置推定の方法及びシステム
CN105701442B (zh) 乘客拦车提示方法与装置
US9842283B2 (en) Target object detection system and a method for target object detection
KR20110067359A (ko) 차량 충돌 방지 장치 및 방법
CN113548045A (zh) 用于车辆的紧急制动预备装置
KR101545054B1 (ko) 풍속 측정 기반의 제동장치 및 그 제어방법
KR20170050433A (ko) 차량 제어 시스템 및 방법
US11403494B2 (en) Obstacle recognition assistance device, obstacle recognition assistance method, and storage medium
JP2017073008A (ja) 車両用運転支援システムおよび運転支援方法
KR101748646B1 (ko) 카메라를 이용한 측면차량 검출 장치 및 방법
JP2014146267A (ja) 歩行者検出装置、運転支援装置
JP2014137611A (ja) 運転支援装置
CN107341428B (zh) 影像辨识***及自适应学习方法
KR101519215B1 (ko) 운전보조시스템 및 그 제어방법
KR20160064672A (ko) 차량의 전방충돌위험경보 및 안전운행가이드 시스템 및 그 제어방법
CN109308442B (zh) 车外环境识别装置
JP2009070367A (ja) 車両走行状況警告方法および装置
JP6253175B2 (ja) 車両の外部環境認識装置
KR101511863B1 (ko) 타이어 공기압을 고려한 긴급제동 장치 및 그 제어방법
KR101684020B1 (ko) 사각 지대에 있는 차량을 검출하는 장치 및 방법
CN113307192A (zh) 处理装置、处理方法、通报***及存储介质