[发明专利]一种基于机器学习的图像识别系统及方法

权利要求书

1.一种基于机器学习的图像识别系统，其特征在于，它包括：位置信息获取单元，获取表示待识别对象的当前位置的位置信息，

图像信息获取单元，获取待识别对象周边的图像信息，

属性信息获取单元，基于上述位置信息，获取待识别对象属性信息，

对象类别决定单元，决定对象类别，该对象类别是作为对上述图像信息的图像识别处理的对象的一种或两种以上类别，

图像识别单元，将上述对象类别决定单元所决定的上述对象类别作为对象，对上述图像信息中的对象进行图像识别处理；

上述对象类别决定单元基于上述属性信息获取单元所获取的上述属性信息、以及关于图像识别处理预先确定的每种类别的识别属性信息，决定对象类别。

2.如权利要求1所述的基于机器学习的图像识别系统，其特征在于，所述图像识别单元包括：映射关系单元、结构改进单元以及模型单元，所述映射关系单元，用以根据概念划分映射得到一树状类别映射关系；所述结构改进单元，用以基于原始的Inception-v3网络结构，在网络中的降维处各增加一并联分支作为网络下一层的输入得到改进的Inception-v3网络结构；所述模型单元，用以按照所述改进的Inception-v3网络结构并在设定类上根据所述树状类别映射关系训练得到基模型；以及，对所述基模型进行压缩后在手机端运行识别出图像；所述压缩至少包括：参数稀疏化、参数量化或者参数稀疏存储中的一种。

3.如权利要求2所述的基于机器学习的图像识别系统，其特征在于，所述上述对象类别决定单元根据识别频率，在可以成为上述对象类别的所有类别中，将上述识别频率排在前面的一种或两种以上的类别决定为上述对象类别，其中，该识别频率是基于与上述属性信息所示的属性相对应的各类别的出现频率、和易于识别程度来决定的，该易于识别程度是在对具有上述识别属性信息的各类别进行图像识别处理时的易于识别程度。

4.如权利要求3所述的基于机器学习的图像识别系统，其特征在于，识别属性信息包括识别率信息，该识别率信息是基于各类别的固有性质来决定的，并表示进行图像识别处理时的识别率的预测值，其中，该各类别的固有性质包括各类别的形状、大小、色彩及产生模糊的难易程度中的任何一项以上。

5.一种基于权利要求1至4之一所述的基于机器学习的图像识别系统的方法，其特征在于，方法包括：

根据概念划分映射得到一树状类别映射关系；

基于原始的Inception-v3网络结构，在网络中的降维处各增加一并联分支作为网络下一层的输入得到改进的Inception-v3网络结构；

按照所述改进的Inception-v3网络结构并在设定类上根据所述树状类别映射关系训练得到基模型；

对所述基模型进行压缩后在手机端运行识别出图像；

所述压缩至少包括：参数稀疏化、参数量化或者参数稀疏存储中的一种。

6.如权利要求5所述的基于机器学习的图像识别方法，其特征在于，所述降维处具体是指：

对于原始的Inception-v3网络结构，维度变化在147*147-73*73和71*71-35*35的两处降维的地方增加并联分支；

其中，所述并联分支是指，一卷积核为3*3，步长为2的卷积层，通过所述卷积层的输出和原始的Inception-v3网络结构中的Max Pooling层的输出做通道维度的拼接。

7.如权利要求6所述的基于机器学习的图像识别方法，其特征在于，根据概念划分映射得到一树状类别映射关系的方法具体为：

首先，定义2000类细化关键词，用以训练深度卷积神经网络即在网络的最后一个Softmax层输出2000类概念；

其次，定义10类基本类为粗概念，定义60类基本细化类为细概念；

然后，按照类别概念完成以下映射关系：

10类粗概念涵盖60类细概念，

60类细概念涵盖2000类细化关键词。