(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211128260.8 (22)申请日 2022.09.16 (65)同一申请的已公布的文献号 申请公布号 CN 115205952 A (43)申请公布日 2022.10.18 (73)专利权人 深圳市企鹅网络科技有限公司 地址 518000 广东省深圳市南 山区西丽 街 道西丽社区打石一路深圳国际创新谷 1栋B座1801 (72)发明人 张志发　司岩　迟令贵　 (74)专利代理 机构 佛山粤进知识产权代理事务 所(普通合伙) 44463 专利代理师 耿鹏 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/12(2022.01) G06V 10/26(2022.01)G06V 10/30(2022.01) G06V 10/34(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111565303 A,2020.08.21 CN 114143551 A,202 2.03.04 CN 112887587 A,2021.0 6.01 CN 112838922 A,2021.0 5.25 CN 112711766 A,2021.04.27 CN 114979407 A,202 2.08.30 CN 108259848 A,2018.07.0 6 审查员 张楠霞 (54)发明名称 一种基于深度学习的线上学习图像采集方 法及系统 (57)摘要 本发明公开了一种基于深度学习的线上学 习图像采集方法及系统。 通过 获取目标对象初始 图像数据， 经过图像预处理与数据异常分析， 得 到图像数据异常信息， 根据数据异常信息进行有 针对性的数据异常恢复， 得到异常处理后的图像 数据作为传输数据， 从而大大提高了图像数据采 集后的数据质量， 减少了因数据异常导致的数据 传输出现差错情况， 并且提高了高质量数据的采 集效率。 另外， 本发明还通过图像矩阵化加密传 输图像数据， 提高了图像数据的安全性与传输效 率。 权利要求书3页 说明书12页 附图2页 CN 115205952 B 2022.11.25 CN 115205952 B 1.一种基于深度学习的线上 学习图像采集方法， 其特 征在于， 包括： 根据预设采样率进行线上 学习图像采样， 得到目标对象初始图像数据； 将初始图像数据按照预设传输标准进行 数据预处 理， 得到传输图像数据； 将传输图像数据进行 数据异常 分析与分类， 得到数据异常 分类信息； 根据数据异常分类信息和传输图像数据进行基于卷积神经网络的图像处理与数据更 新恢复， 得到更新传输图像数据； 将更新传输图像数据进行加密压缩传输 至预设服 务器； 其中， 所述将传输图像数据进行数据异常分析与分类， 得到数据异常分类信息， 具体 为： 将传输图像数据进行图像平 滑、 降噪预处 理， 得到增强图像数据； 将所述增强图像数据进行人像区域识别与图像分割， 得到人像区域图像数据和背景区 域图像数据； 构建基于单层卷积神经网络的图像特 征识别模型； 将人像区域图像数据和背景区域图像数据导入所述图像特征识别模型进行图像特征 提取， 得到人像特 征数据与背景 特征数据； 将人像特征数据与背景特征数据进行图像特征异常分析， 得到人像数据异常信 息和背 景数据异常信息； 将人像数据异常信息和背景数据异常信息进行信息合并得到数据异常 分类信息； 其中， 所述根据 数据异常分类信 息和传输图像数据进行基于卷积神经网络的图像处理 与数据更新恢复， 得到更新传输图像数据， 具体为： 获取数据异常 分类信息中的人像数据异常信息； 获取目标对象检索标签， 根据目标对象检索标签从历史对比图像数据库中进行检索， 得到目标对象对比图像数据； 将对比图像数据进行 人像特征分析得到对比人像特 征； 根据人像数据异常信息和对比人像特征， 将人像特征数据进行数据异常恢复处理， 得 到第二人像特 征数据； 其中， 所述根据 数据异常分类信 息和传输图像数据进行基于卷积神经网络的图像处理 与数据更新恢复， 得到更新传输图像数据， 还 包括： 获取数据异常 分类信息中的背景 数据异常信息； 获取背景特征数据， 将背景特征数据从图像大数据中进行特征检索， 得到高于预设相 似度的检索特 征数据； 根据背景数据异常信 息， 结合检索特征数据， 将背景特征数据进行数据异常恢 复处理， 得到第二背景 特征数据； 根据第二人像特征数据和第二背景特征数据， 将传输 图像数据进行图像异常修正， 得 到更新传输图像数据。 2.根据权利要求1所述的一种基于深度 学习的线上学习图像采集方法， 其特征在于， 所 述根据预设采样率进行线上 学习图像采样， 得到目标对象初始图像数据， 之前包括： 根据预设采样率， 从用户终端中进行图像采样， 得到目标对象参 考图像数据； 将所述目标对象参 考图像数据进行 数据异常 分析与筛 选， 得到非异常图像数据；权　利　要　求　书 1/3 页 2 CN 115205952 B 2将非异常图像数据进行图像特征分析， 筛选出图像特征度大于预设特征度的图像数 据， 得到高特 征对比图像数据； 构建历史对比图像数据库， 将高特 征对比图像数据导入历史对比图像数据库。 3.根据权利要求1所述的一种基于深度 学习的线上学习图像采集方法， 其特征在于， 所 述将初始图像数据按照预设传输标准进行 数据预处 理， 得到传输图像数据， 具体为： 获取初始图像数据， 判断初始图像数据存 储格式； 若初始图像数据存储格式不是预设图像存储格式， 则进行预设图像存储格式的无损转 换， 得到转换图像数据； 将转换图像数据按照预设图像大小与分辨率进行图像数据几何变换处理， 得到传输图 像数据。 4.根据权利要求1所述的一种基于深度 学习的线上学习图像采集方法， 其特征在于， 所 述将更新传输图像数据进行加密压缩传输 至预设服 务器， 具体为： 将更新传输图像数据进行矩阵转 化得到图像矩阵； 根据图像矩阵的大小 进行数据划分， 得到N个子矩阵； 将N个子矩阵对应数据根据预设加密算法进行 数据加密， 得到N个加密后数据块； 将N个加密后数据块进行合并压缩， 得到结果传输数据； 将结果传输数据发送至预设服 务器进行 数据存储。 5.一种基于深度学习的线上学习图像采集系统， 其特征在于， 该系统包括： 存储器、 处 理器， 所述存储器中包括基于深度学习的线上学习图像采集方法程序， 所述基于深度学习 的线上学习图像采集方法程序被所述处 理器执行时实现如下步骤： 根据预设采样率进行线上 学习图像采样， 得到目标对象初始图像数据； 将初始图像数据按照预设传输标准进行 数据预处 理， 得到传输图像数据； 将传输图像数据进行 数据异常 分析与分类， 得到数据异常 分类信息； 根据数据异常分类信息和传输图像数据进行基于卷积神经网络的图像处理与数据更 新恢复， 得到更新传输图像数据； 将更新传输图像数据进行加密压缩传输 至预设服 务器； 其中， 所述将传输图像数据进行数据异常分析与分类， 得到数据异常分类信息， 具体 为： 将传输图像数据进行图像平 滑、 降噪预处 理， 得到增强图像数据； 将所述增强图像数据进行人像区域识别与图像分割， 得到人像区域图像数据和背景区 域图像数据； 构建基于单层卷积神经网络的图像特 征识别模型； 将人像区域图像数据和背景区域图像数据导入所述图像特征识别模型进行图像特征 提取， 得到人像特 征数据与背景 特征数据； 将人像特征数据与背景特征数据进行图像特征异常分析， 得到人像数据异常信 息和背 景数据异常信息； 将人像数据异常信息和背景数据异常信息进行信息合并得到数据异常 分类信息； 其中， 所述根据 数据异常分类信 息和传输图像数据进行基于卷积神经网络的图像处理 与数据更新恢复， 得到更新传输图像数据， 具体为：权　利　要　求　书 2/3 页 3 CN 115205952 B 3