本發(fā)明屬于計算機技術(shù)領(lǐng)域，尤其涉及一種室內(nèi)場景的分類方法及裝置。

背景技術(shù)：

智能識別和分類是計算機視覺中重點研究的問題。在眾多的研究中，熱點主要聚焦于物體識別(一張圖片包含一個或多個物體)和人臉識別(一張帶人臉的圖像)。相比于這些研究，室內(nèi)場景識別極具挑戰(zhàn)，是最為困難的分類任務(wù)之一。其難點主要在于室內(nèi)場景不僅包含了大量不同的物體，而且這些物體在空間中的擺放形式千差萬別，要對室內(nèi)場景進行準(zhǔn)確地分類，不僅要分析場景中物體的信息，還需提取整個場景結(jié)構(gòu)的特征。

為了提高識別場景的能力，不少學(xué)者對此進行了深入研究，提出了很多行之有效的方法。目前的場景識別分類方法主要包括空間金字塔法、基于高層次語義信息的方法和基于卷積神經(jīng)網(wǎng)絡(luò)的方法。

這些方法有著明顯的缺陷，空間金字塔法的特征表示只依賴于低層次的幾何信息，缺少對高層次語義信息的提取，識別場景的能力很受限制，基于高層次語義信息的場景識別方法受限于所選物體的范圍，大大地影響了模型分類的能力，基于卷積神經(jīng)網(wǎng)絡(luò)的方法主要缺點在于訓(xùn)練過程需要消耗大量的資源，而且主要在物體的檢測和分類上效果明顯，例如，使用基于卷積神經(jīng)網(wǎng)絡(luò)的方法在計算機視覺系統(tǒng)識別(imagenet)數(shù)據(jù)集上進行物體識別時，可以達到94％的識別率，而使用基于卷積神經(jīng)網(wǎng)絡(luò)的方法在公開的mit-67數(shù)據(jù)集上進行場景的分類時，只能達到69％的識別率，原因是室內(nèi)場景的識別不只依賴于場景中的物體，還需要連接物體之間的整體關(guān)系，而卷積神經(jīng)網(wǎng)絡(luò)方法直接提取的特征不能較好地把握整體和局部信息的融合。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種室內(nèi)場景的分類方法及裝置，旨在解決現(xiàn)有的場景識別分類方法的準(zhǔn)確性不高、分類速率不佳的問題。

一方面，本發(fā)明提供了一種室內(nèi)場景的分類方法，所述方法包括下述步驟：

接收輸入的待分類場景圖片；

根據(jù)預(yù)設(shè)的觀測區(qū)域定位模型從所述待分類場景圖片中獲取當(dāng)前局部觀測區(qū)域；

對所述當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到所述待分類場景圖片的特征向量；

根據(jù)所述特征向量獲取所述待分類場景圖片的分類預(yù)測結(jié)果，判斷所述分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的場景圖片分類條件；

當(dāng)所述分類預(yù)測結(jié)果不滿足所述場景圖片分類條件時，根據(jù)所述觀測區(qū)域定位模型從所述待分類場景圖片中獲取下一局部觀測區(qū)域，并將所述下一局部觀測區(qū)域設(shè)置為所述當(dāng)前局部觀測區(qū)域，跳轉(zhuǎn)至所述對所述當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到所述待分類場景圖片的特征向量的步驟；

當(dāng)所述分類預(yù)測結(jié)果滿足所述場景圖片分類條件時，根據(jù)所述分類預(yù)測結(jié)果獲取所述待分類場景圖片的分類標(biāo)簽。

另一方面，本發(fā)明提供了一種室內(nèi)場景的分類裝置，所述裝置包括：

圖片接收單元，用于接收輸入的待分類場景圖片；

區(qū)域獲取單元，用于根據(jù)預(yù)設(shè)的觀測區(qū)域定位模型從所述待分類場景圖片中獲取當(dāng)前局部觀測區(qū)域；

向量獲取單元，用于對所述當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到所述待分類場景圖片的特征向量；

條件判斷單元，用于根據(jù)所述特征向量獲取所述待分類場景圖片的分類預(yù)測結(jié)果，判斷所述分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的場景圖片分類條件；

重復(fù)執(zhí)行單元，用于當(dāng)所述分類預(yù)測結(jié)果不滿足所述場景圖片分類條件時，根據(jù)所述觀測區(qū)域定位模型從所述待分類場景圖片中獲取下一局部觀測區(qū)域，并將所述下一局部觀測區(qū)域設(shè)置為所述當(dāng)前局部觀測區(qū)域，并觸發(fā)所述向量獲取單元對所述當(dāng)前局部觀測區(qū)域的圖像信息進行處理；以及

場景分類單元，用于當(dāng)所述分類預(yù)測結(jié)果滿足所述場景圖片分類條件時，根據(jù)所述分類預(yù)測結(jié)果獲取所述待分類場景圖片的分類標(biāo)簽。

本發(fā)明在接收輸入的待分類場景圖片后，根據(jù)預(yù)設(shè)的觀測區(qū)域定位模型從待分類場景圖片中獲取當(dāng)前局部觀測區(qū)域，對當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到待分類場景圖片的特征向量，根據(jù)特征向量獲取待分類場景圖片的分類預(yù)測結(jié)果，判斷分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的場景圖片分類條件，當(dāng)分類預(yù)測結(jié)果不滿足場景圖片分類條件時，根據(jù)觀測區(qū)域定位模型從待分類場景圖片中獲取下一局部觀測區(qū)域，并將下一局部觀測區(qū)域設(shè)置為當(dāng)前局部觀測區(qū)域，跳轉(zhuǎn)至對當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到待分類場景圖片的特征向量的步驟，直至分類預(yù)測結(jié)果滿足場景圖片分類條件，當(dāng)分類預(yù)測結(jié)果滿足場景圖片分類條件時，根據(jù)分類預(yù)測結(jié)果獲取待分類場景圖片的分類標(biāo)簽，從而提高了場景識別分類的分類速率和準(zhǔn)確性。

附圖說明

圖1是本發(fā)明實施例一提供的室內(nèi)場景的分類方法的實現(xiàn)流程圖；

圖2是本發(fā)明實施例二提供的室內(nèi)場景的分類方法中建立觀測區(qū)域定位模型的實現(xiàn)流程圖；

圖3是本發(fā)明實施例三提供的室內(nèi)場景的分類裝置的結(jié)構(gòu)示意圖；以及

圖4是本發(fā)明實施例四提供的室內(nèi)場景的分類裝置的結(jié)構(gòu)示意圖。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點更加清楚明白，以下結(jié)合附圖及實施例，對本發(fā)明進行進一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

以下結(jié)合具體實施例對本發(fā)明的具體實現(xiàn)進行詳細(xì)描述：

實施例一：

圖1示出了本發(fā)明實施例一提供的室內(nèi)場景的分類方法的實現(xiàn)流程，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分，詳述如下：

在步驟s101中，接收輸入的待分類場景圖片。

在步驟s102中，根據(jù)預(yù)設(shè)的觀測區(qū)域定位模型從待分類場景圖片中獲取當(dāng)前局部觀測區(qū)域。

在本發(fā)明實施例中，待分類場景圖片為待識別分類的室內(nèi)場景對應(yīng)的圖片。為了降低識別分類過程中計算的復(fù)雜度，提高識別分類的可控性，根據(jù)觀測區(qū)域定位模型每次只從場景圖片中選擇一個局部觀測區(qū)域，以進行識別和分類。

在步驟s103中，對當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到待分類場景圖片的特征向量。

在本發(fā)明實施例中，優(yōu)選地，在獲取到當(dāng)前局部觀測區(qū)域的圖像信息之后，對當(dāng)前局部觀測區(qū)域的圖像信息進行處理時，首先對當(dāng)前局部觀測區(qū)域的圖像信息進行編碼，得到局部特征向量，然后對得到的局部特征向量與預(yù)先得到的特征向量執(zhí)行融合操作，得到待分類場景圖片圖像信息的特征向量，從而提高了特征向量的全面性，進而提高對場景圖片分類的準(zhǔn)確性。

在步驟s104中，根據(jù)特征向量獲取待分類場景圖片的分類預(yù)測結(jié)果。

在步驟s105中，判斷分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的場景圖片分類條件。

在本發(fā)明實施例中，分類預(yù)測結(jié)果包括分類結(jié)果和對應(yīng)的預(yù)測概率，在得到待分類場景圖片圖像信息的特征向量之后，根據(jù)特征向量可以預(yù)測得到場景圖片的多個分類結(jié)果及對應(yīng)的預(yù)測概率，多個分類結(jié)果的預(yù)測概率總和為100％，判斷這些多個分類結(jié)果中是否存在對應(yīng)的預(yù)測概率大于預(yù)設(shè)閾值的分類結(jié)果，即判斷分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的對待分類場景圖片進行分類的條件。作為示例地，預(yù)測概率的預(yù)設(shè)閾值可以設(shè)置為65％，判斷這些多個分類結(jié)果中是否存在對應(yīng)的預(yù)測概率大于65％的分類結(jié)果。

在步驟s106中，當(dāng)分類預(yù)測結(jié)果不滿足場景圖片分類條件時，根據(jù)觀測區(qū)域定位模型從待分類場景圖片中獲取下一局部觀測區(qū)域，并將下一局部觀測區(qū)域設(shè)置為當(dāng)前局部觀測區(qū)域，跳轉(zhuǎn)至對當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到待分類場景圖片的特征向量的步驟。

在本發(fā)明實施例中，當(dāng)這些多個分類結(jié)果中不存在對應(yīng)的預(yù)測概率大于預(yù)設(shè)閾值的分類結(jié)果時，說明現(xiàn)有的分類預(yù)測結(jié)果不滿足預(yù)設(shè)的對待分類場景圖片進行分類的條件，若要實現(xiàn)對待分類場景圖片的分類，還需要獲取場景圖片更多的區(qū)域信息，因此，根據(jù)觀測區(qū)域定位模型獲取下一個局部觀測區(qū)域，并將下一局部觀測區(qū)域設(shè)置為當(dāng)前局部觀測區(qū)域，重復(fù)進行圖像信息處理并獲取分類預(yù)測結(jié)果，直至分類預(yù)測結(jié)果滿足場景圖片分類條件。

在步驟s107中，當(dāng)分類預(yù)測結(jié)果滿足場景圖片分類條件時，根據(jù)分類預(yù)測結(jié)果獲取待分類場景圖片的分類標(biāo)簽。

在本發(fā)明實施例中，當(dāng)這些預(yù)測得到的多個分類結(jié)果中存在對應(yīng)的預(yù)測概率大于預(yù)設(shè)閾值的分類結(jié)果時，說明分類預(yù)測結(jié)果已經(jīng)滿足預(yù)設(shè)的對待分類場景圖片進行分類的條件，即已經(jīng)可以實現(xiàn)對待分類場景圖片的分類，因此，獲取分類預(yù)測結(jié)果中對應(yīng)的預(yù)測概率大于預(yù)設(shè)閾值的分類結(jié)果，將該分類結(jié)果設(shè)置為待分類場景圖片的分類標(biāo)簽，從而提高了場景圖片分類的準(zhǔn)確性。

在本發(fā)明實施例中，接收輸入的待分類場景圖片，根據(jù)預(yù)設(shè)的觀測區(qū)域定位模型從待分類場景圖片中獲取當(dāng)前局部觀測區(qū)域，從而降低了待分類場景圖片識別分類的復(fù)雜度，提高了識別分類的可控性，對當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到待分類場景圖片的特征向量，從而提高場景圖片分類的分類速率，根據(jù)特征向量獲取待分類場景圖片的分類預(yù)測結(jié)果，判斷分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的場景圖片分類條件，當(dāng)分類預(yù)測結(jié)果不滿足場景圖片分類條件時，根據(jù)觀測區(qū)域定位模型從待分類場景圖片中獲取下一局部觀測區(qū)域，并將下一局部觀測區(qū)域設(shè)置為當(dāng)前局部觀測區(qū)域，重復(fù)進行圖像信息處理并獲取分類預(yù)測結(jié)果，直至分類預(yù)測結(jié)果滿足場景圖片分類條件，當(dāng)分類預(yù)測結(jié)果滿足場景圖片分類條件時，根據(jù)分類預(yù)測結(jié)果獲取待分類場景圖片的分類標(biāo)簽，從而提高了場景圖片分類的準(zhǔn)確性。

實施例二：

圖2示出了本發(fā)明實施例二提供的室內(nèi)場景的分類方法中建立觀測區(qū)域定位模型的實現(xiàn)流程，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分，詳述如下：

在步驟s201中，接收輸入的待訓(xùn)練場景圖片，根據(jù)預(yù)設(shè)的高斯分布從待訓(xùn)練場景圖片中獲取當(dāng)前訓(xùn)練用局部觀測區(qū)域。

在本發(fā)明實施例中，待訓(xùn)練場景圖片為室內(nèi)場景的局部觀測區(qū)域定位訓(xùn)練過程中輸入的需要分類的場景圖片。為了降低識別分類過程中計算的復(fù)雜度，提高識別分類的可控性，根據(jù)觀測區(qū)域定位模型每次從場景圖片中選擇一個局部觀測區(qū)域，以進行識別和分類。優(yōu)選地，在訓(xùn)練過程中可以根據(jù)實際情況調(diào)整局部觀測區(qū)域的大小，以優(yōu)化訓(xùn)練結(jié)果。

在步驟s202中，根據(jù)當(dāng)前訓(xùn)練用局部觀測區(qū)域?qū)Υ?xùn)練場景圖片進行分類操作并計算分類操作的獎勵值。

在本發(fā)明實施例中，通過對當(dāng)前訓(xùn)練用局部觀測區(qū)域的圖像信息的處理，得到待訓(xùn)練場景圖片的特征向量之后，根據(jù)特征向量對待訓(xùn)練場景圖片進行分類，得到待訓(xùn)練場景圖片的分類標(biāo)簽。優(yōu)選地，在獲取到局部觀測區(qū)域的圖像信息之后，在對當(dāng)前訓(xùn)練用局部觀測區(qū)域的圖像信息進行處理時，首先對當(dāng)前訓(xùn)練用局部觀測區(qū)域的圖像信息進行編碼，得到局部特征向量，然后對得到的局部特征向量與預(yù)先得到的特征向量執(zhí)行融合操作，得到待分類場景圖片圖像信息的特征向量，從而提高了特征向量的全面性，進而提高對場景圖片分類的準(zhǔn)確性。優(yōu)選地，在訓(xùn)練過程中可以調(diào)節(jié)特征向量的維度，以優(yōu)化訓(xùn)練結(jié)果。

在本發(fā)明實施例中，在每次得到待訓(xùn)練場景圖片的分類標(biāo)簽之后，獲取待訓(xùn)練場景圖片的標(biāo)準(zhǔn)分類標(biāo)簽，判斷得到的待訓(xùn)練場景圖片的分類標(biāo)簽是否正確，并計算分類的獎勵值。優(yōu)選地，在計算分類的獎勵值時，根據(jù)分類獎勵值的計算公式

計算分類的獎勵值，其中，rt為第t次分類的獎勵值，t為分類次數(shù)，y為訓(xùn)練得到的分類標(biāo)簽，losst為第t次分類的分類誤差，y＝maxylogp(y)表示得到的分類標(biāo)簽是正確的，從而避免重復(fù)觀察同樣區(qū)域，避免觀測噪聲太多的區(qū)域。優(yōu)選地，在訓(xùn)練過程中可適當(dāng)改變獎勵值的計算公式中的反饋值，以優(yōu)化模型收斂的速度，從而優(yōu)化訓(xùn)練模型。

在步驟s203中，判斷是否達到預(yù)設(shè)的訓(xùn)練結(jié)束條件。

在步驟s204中，當(dāng)未達到預(yù)設(shè)的訓(xùn)練結(jié)束條件時，根據(jù)高斯分布從待訓(xùn)練場景圖片中獲取下一訓(xùn)練用局部觀測區(qū)域，將下一訓(xùn)練用局部觀測區(qū)域設(shè)置為當(dāng)前訓(xùn)練用局部觀測區(qū)域，跳轉(zhuǎn)至根據(jù)當(dāng)前訓(xùn)練用局部觀測區(qū)域?qū)Υ?xùn)練場景圖片進行分類操作并計算分類操作的獎勵值的步驟。

在本發(fā)明實施例中，在訓(xùn)練的過程中，下一訓(xùn)練用局部觀測區(qū)域可以從一個給定方差的高斯分布中采樣得到。重復(fù)對采樣得到的下一訓(xùn)練用局部觀測區(qū)域進行識別，根據(jù)識別到的信息對待訓(xùn)練場景圖片進行分類，得到分類標(biāo)簽，每一次分類都可以通過計算得到對應(yīng)的獎勵值。

在步驟s205中，當(dāng)達到預(yù)設(shè)的訓(xùn)練結(jié)束條件時，獲取所有待訓(xùn)練場景圖片中每張待訓(xùn)練場景圖片的獎勵值的代數(shù)和，以得到每張待訓(xùn)練場景圖片的總獎勵值，根據(jù)總獎勵值建立總獎勵值最大化的觀測區(qū)域定位模型。

在本發(fā)明實施例中，若達到預(yù)設(shè)的訓(xùn)練結(jié)束條件，則獲取待訓(xùn)練場景圖片的獎勵值的代數(shù)和，以得到這張待訓(xùn)練場景圖片的總獎勵值，所有待訓(xùn)練場景圖片中每張待訓(xùn)練場景圖片都有對應(yīng)的總獎勵值，根據(jù)總獎勵值建立可以使總獎勵值最大化的觀測區(qū)域定位模型，以用于在對待分類場景圖片分類的過程中確定最優(yōu)的下一個局部觀測區(qū)域，從而提高場景識別分類的分類速率和準(zhǔn)確性。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲于一計算機可讀取存儲介質(zhì)中，所述的存儲介質(zhì)，如rom/ram、磁盤、光盤等。

實施例三：

圖3示出了本發(fā)明實施例三提供的室內(nèi)場景的分類裝置的結(jié)構(gòu)，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分。

在本發(fā)明實施例中，室內(nèi)場景的分類裝置包括圖片接收單元31、區(qū)域獲取單元32、向量獲取單元33、條件判斷單元34以及場景分類單元35，其中：

圖片接收單元31，用于接收輸入的待分類場景圖片。

區(qū)域獲取單元32，用于根據(jù)預(yù)設(shè)的觀測區(qū)域定位模型從待分類場景圖片中獲取當(dāng)前局部觀測區(qū)域。

向量獲取單元33，用于對當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到待分類場景圖片的特征向量。

在本發(fā)明實施例中，優(yōu)選地，在獲取到局部觀測區(qū)域的圖像信息之后，對局部觀測區(qū)域的圖像信息進行處理時，首先對局部觀測區(qū)域的圖像信息進行編碼，得到局部特征向量，然后對得到的局部特征向量與預(yù)先得到的特征向量執(zhí)行融合操作，得到待分類場景圖片圖像信息的特征向量，從而提高了特征向量的全面性，進而提高對場景圖片分類的準(zhǔn)確性。

因此，優(yōu)選地，該向量獲取單元33包括：

編碼操作單元331，用于對當(dāng)前局部觀測區(qū)域的圖像信息進行編碼，得到局部特征向量；以及

融合操作單元332，用于對局部特征向量與預(yù)先存儲的特征向量執(zhí)行融合操作，得到場景圖片的特征向量。

條件判斷單元34，用于根據(jù)特征向量獲取待分類場景圖片的分類預(yù)測結(jié)果，判斷分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的場景圖片分類條件。

重復(fù)執(zhí)行單元35，用于當(dāng)分類預(yù)測結(jié)果不滿足場景圖片分類條件時，根據(jù)觀測區(qū)域定位模型從待分類場景圖片中獲取下一局部觀測區(qū)域，并將下一局部觀測區(qū)域設(shè)置為當(dāng)前局部觀測區(qū)域，并觸發(fā)向量獲取單元33對當(dāng)前局部觀測區(qū)域的圖像信息進行處理。

場景分類單元36，用于當(dāng)分類預(yù)測結(jié)果滿足場景圖片分類條件時，根據(jù)分類預(yù)測結(jié)果獲取待分類場景圖片的分類標(biāo)簽。

在本發(fā)明實施例中，當(dāng)這些預(yù)測得到的多個分類結(jié)果中存在對應(yīng)的預(yù)測概率大于預(yù)設(shè)閾值的分類結(jié)果時，說明分類預(yù)測結(jié)果已經(jīng)滿足預(yù)設(shè)的對待分類場景圖片進行分類的條件，即已經(jīng)可以實現(xiàn)對待分類場景圖片的分類，因此，場景分類單元獲取分類預(yù)測結(jié)果中對應(yīng)的預(yù)測概率大于預(yù)設(shè)閾值的分類結(jié)果，將該分類結(jié)果設(shè)置為待分類場景圖片的分類標(biāo)簽，從而提高了場景圖片分類的準(zhǔn)確性。

在本發(fā)明實施例中，室內(nèi)場景的分類裝置的各單元可由相應(yīng)的硬件或軟件單元實現(xiàn)，各單元可以為獨立的軟、硬件單元，也可以集成為一個軟、硬件單元，在此不用以限制本發(fā)明。各單元的具體實施方式可參考前述實施例一的描述，在此不再贅述。

實施例四：

圖4示出了本發(fā)明實施例四提供的室內(nèi)場景的分類裝置的結(jié)構(gòu)，為了便于說明，僅示出了與本發(fā)明實施例相關(guān)的部分。

在本發(fā)明實施例中，室內(nèi)場景的分類裝置包括訓(xùn)練區(qū)域獲取單元401、區(qū)域訓(xùn)練單元402、循環(huán)訓(xùn)練單元403、定位模型建立單元404、圖片接收單元405、區(qū)域獲取單元406、向量獲取單元407、條件判斷單元408以及場景分類單元409，其中：

訓(xùn)練區(qū)域獲取單元401，用于接收輸入的待訓(xùn)練場景圖片，根據(jù)預(yù)設(shè)的高斯分布從待訓(xùn)練場景圖片中獲取當(dāng)前訓(xùn)練用局部觀測區(qū)域。

區(qū)域訓(xùn)練單元402，用于根據(jù)當(dāng)前訓(xùn)練用局部觀測區(qū)域?qū)Υ?xùn)練場景圖片進行分類操作并計算分類操作的獎勵值。

在本發(fā)明實施例中，在每次得到待訓(xùn)練場景圖片的分類標(biāo)簽之后，獲取待訓(xùn)練場景圖片的標(biāo)準(zhǔn)分類標(biāo)簽，判斷得到的待訓(xùn)練場景圖片的分類標(biāo)簽是否正確，獎勵值計算單元根據(jù)判斷結(jié)果計算分類的獎勵值。優(yōu)選地，在計算分類的獎勵值時，根據(jù)分類獎勵值的計算公式

計算分類的獎勵值，其中，rt為第t次分類的獎勵值，t為分類次數(shù)，y為訓(xùn)練得到的分類標(biāo)簽，losst為第t次分類的分類誤差，y＝maxylogp(y)表示得到的分類標(biāo)簽是正確的，從而避免重復(fù)觀察同樣區(qū)域，避免觀測噪聲太多的區(qū)域。優(yōu)選地，在訓(xùn)練過程中可適當(dāng)改變獎勵值的計算公式中的反饋值，以優(yōu)化模型收斂的速度，從而優(yōu)化訓(xùn)練模型。

因此，優(yōu)選地，該區(qū)域訓(xùn)練單元402包括：

訓(xùn)練分類單元4021，用于對當(dāng)前訓(xùn)練用局部觀測區(qū)域的圖像信息進行處理，得到待訓(xùn)練場景圖片的當(dāng)前特征向量，根據(jù)當(dāng)前特征向量對待訓(xùn)練場景圖片進行分類，得到待訓(xùn)練場景圖片的分類標(biāo)簽；以及

獎勵值計算單元4022，用于獲取待訓(xùn)練場景圖片的標(biāo)準(zhǔn)分類標(biāo)簽，將得到的分類標(biāo)簽與標(biāo)準(zhǔn)分類標(biāo)簽進行比較，判斷得到的分類標(biāo)簽是否正確，根據(jù)判斷結(jié)果計算分類的獎勵值。

優(yōu)選地，該獎勵值計算單元4022包括：

計算子單元，用于計算分類誤差，獲取分類次數(shù)，通過分類獎勵值的計算公式

計算分類的獎勵值，其中，rt為第t次分類的獎勵值，t為分類次數(shù)，y為訓(xùn)練得到的分類標(biāo)簽，losst為第t次分類的分類誤差，y＝maxylogp(y)表示得到的分類標(biāo)簽是正確的。

循環(huán)訓(xùn)練單元403，用于當(dāng)未達到預(yù)設(shè)的訓(xùn)練結(jié)束條件時，根據(jù)高斯分布從待訓(xùn)練場景圖片中獲取下一訓(xùn)練用局部觀測區(qū)域，將下一訓(xùn)練用局部觀測區(qū)域設(shè)置為當(dāng)前訓(xùn)練用局部觀測區(qū)域，并觸發(fā)區(qū)域訓(xùn)練單元402根據(jù)當(dāng)前訓(xùn)練用局部觀測區(qū)域?qū)Υ?xùn)練場景圖片進行分類操作并計算分類操作的獎勵值。

定位模型建立單元404，用于當(dāng)達到預(yù)設(shè)的訓(xùn)練結(jié)束條件時，獲取所有待訓(xùn)練場景圖片中每張待訓(xùn)練場景圖片的獎勵值的代數(shù)和，以得到每張待訓(xùn)練場景圖片的總獎勵值，根據(jù)總獎勵值建立總獎勵值最大化的觀測區(qū)域定位模型。

圖片接收單元405，用于接收輸入的待分類場景圖片。

區(qū)域獲取單元406，用于根據(jù)預(yù)設(shè)的觀測區(qū)域定位模型從待分類場景圖片中獲取當(dāng)前局部觀測區(qū)域。

向量獲取單元407，用于對當(dāng)前局部觀測區(qū)域的圖像信息進行處理，以得到待分類場景圖片的特征向量。

條件判斷單元408，用于根據(jù)特征向量獲取待分類場景圖片的分類預(yù)測結(jié)果，判斷分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的場景圖片分類條件。

在本發(fā)明實施例中，得到待分類場景圖片圖像信息的特征向量之后，根據(jù)特征向量可以預(yù)測得到場景圖片的多個分類結(jié)果及對應(yīng)的預(yù)測概率，多個分類結(jié)果的預(yù)測概率總和為100％，條件判斷單元判斷這些多個分類結(jié)果中是否存在對應(yīng)的預(yù)測概率大于預(yù)設(shè)閾值的分類結(jié)果，即判斷分類預(yù)測結(jié)果是否滿足預(yù)設(shè)的對待分類場景圖片進行分類的條件。

重復(fù)執(zhí)行單元409，用于當(dāng)分類預(yù)測結(jié)果不滿足場景圖片分類條件時，根據(jù)觀測區(qū)域定位模型從待分類場景圖片中獲取下一局部觀測區(qū)域，并將下一局部觀測區(qū)域設(shè)置為當(dāng)前局部觀測區(qū)域，并觸發(fā)向量獲取單元407對當(dāng)前局部觀測區(qū)域的圖像信息進行處理。

場景分類單元410，用于當(dāng)分類預(yù)測結(jié)果滿足場景圖片分類條件時，根據(jù)分類預(yù)測結(jié)果獲取待分類場景圖片的分類標(biāo)簽。

在本發(fā)明實施例中，室內(nèi)場景的分類裝置的各單元可由相應(yīng)的硬件或軟件單元實現(xiàn)，各單元可以為獨立的軟、硬件單元，也可以集成為一個軟、硬件單元，在此不用以限制本發(fā)明。各單元的具體實施方式可參考前述實施例的描述，在此不再贅述。

以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進等，均應(yīng)包含在本發(fā)明的保護范圍之內(nèi)。