[發(fā)明專(zhuān)利]用于在線訓(xùn)練分類(lèi)器的裝置和在線訓(xùn)練分類(lèi)器的方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201110256653.2
• 申請(qǐng)日: 2011-08-16
• 公開(kāi)（公告）號(hào): CN102955950A
• 公開(kāi)（公告）日: 2013-03-06
• 發(fā)明（設(shè)計(jì)）人: 孟龍
• 申請(qǐng)（專(zhuān)利權(quán)）人: 索尼公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 杜誠(chéng);賈萌

1.一種用于在線訓(xùn)練分類(lèi)器的裝置，包括：

確定部分，用于確定選擇器模型的識(shí)別能力是否適應(yīng)樣本圖像；

更新部分，用于在所述確定部分確定所述選擇器模型的識(shí)別能力不適應(yīng)所述樣本圖像的情況下，根據(jù)所述樣本圖像更新所述選擇器模型；以及

生成部分，用于根據(jù)所述樣本圖像，利用更新的選擇器模型選擇組成所述分類(lèi)器的弱分類(lèi)器，并組成所述分類(lèi)器。

2.如權(quán)利要求1所述的用于在線訓(xùn)練分類(lèi)器的裝置，其中所述確定部分被配置為：

計(jì)算所述選擇器模型的每個(gè)候選弱分類(lèi)器的各個(gè)統(tǒng)計(jì)模型的期望與提取自所述樣本圖像的相應(yīng)特征的偏離中的最小偏離，并且

判斷所述最小偏離是否超過(guò)預(yù)定程度；以及

所述更新部分被配置為：

在所述偏離超過(guò)預(yù)定程度的情況下，向所述候選弱分類(lèi)器添加根據(jù)所述相應(yīng)特征獲得的統(tǒng)計(jì)模型。

3.如權(quán)利要求2所述的用于在線訓(xùn)練分類(lèi)器的裝置，其中所述更新部分被進(jìn)一步配置為：

在所述添加前或添加后的統(tǒng)計(jì)模型數(shù)目超過(guò)預(yù)定數(shù)目的情況下，從所述統(tǒng)計(jì)模型數(shù)目超過(guò)預(yù)定數(shù)目的候選弱分類(lèi)器中選擇未更新時(shí)間較長(zhǎng)的統(tǒng)計(jì)模型；并且

從相應(yīng)候選弱分類(lèi)器中刪除所選擇的統(tǒng)計(jì)模型。

4.如權(quán)利要求2或3所述的用于在線訓(xùn)練分類(lèi)器的裝置，還包括：

評(píng)價(jià)部分，用于判斷根據(jù)所更新的選擇器模型組成的分類(lèi)器對(duì)所述樣本圖像的識(shí)別能力不足夠，

其中所述更新部分進(jìn)一步被配置為在所述識(shí)別能力不足夠的情況下，增加所述選擇器的數(shù)目，以及

所述生成部分進(jìn)一步被配置為響應(yīng)于選擇器數(shù)目的增加，根據(jù)所述樣本圖像，利用更新的選擇器模型選擇組成所述分類(lèi)器的弱分類(lèi)器，并組成所述分類(lèi)器。

5.如權(quán)利要求2或3所述的用于在線訓(xùn)練分類(lèi)器的裝置，還包括：

評(píng)價(jià)部分，用于判斷根據(jù)所更新的選擇器模型組成的分類(lèi)器對(duì)所述樣本圖像的識(shí)別能力過(guò)剩；

其中所述更新部分進(jìn)一步被配置為：

在所述識(shí)別能力過(guò)剩的情況下，尋找能夠提供針對(duì)所述樣本圖像的足夠識(shí)別能力的較小或最小選擇器數(shù)目，并且

從所更新的選擇器模型中刪除所述較小或最小選擇器數(shù)目的選擇器之外的選擇器；以及

所述生成部分進(jìn)一步被配置為響應(yīng)于所述選擇器的刪除，根據(jù)所述樣本圖像，利用更新的選擇器模型選擇組成所述分類(lèi)器的弱分類(lèi)器，并組成所述分類(lèi)器。

6.如權(quán)利要求1所述的用于在線訓(xùn)練分類(lèi)器的裝置，其中所述確定部分被配置為：

根據(jù)所述樣本圖像，利用當(dāng)前選擇器模型選擇組成所述分類(lèi)器的弱分類(lèi)器并組成所述分類(lèi)器；和

判斷所組成的分類(lèi)器對(duì)所述樣本圖像的識(shí)別能力不足夠，并且

所述更新部分被配置為：

在所述識(shí)別能力不足夠的情況下，增加所述選擇器的數(shù)目。

7.如權(quán)利要求1所述的用于在線訓(xùn)練分類(lèi)器的裝置，其中所述確定部分被配置為：

根據(jù)所述樣本圖像，利用當(dāng)前選擇器模型選擇組成所述分類(lèi)器的弱分類(lèi)器并組成所述分類(lèi)器；并且

判斷所組成的分類(lèi)器對(duì)所述樣本圖像的識(shí)別能力過(guò)剩，并且

所述更新部分被配置為：

在所述識(shí)別能力過(guò)剩的情況下，尋找能夠提供針對(duì)所述樣本圖像的足夠識(shí)別能力的較小或最小選擇器數(shù)目；和

從當(dāng)前選擇器模型中刪除所述較小或最小選擇器數(shù)目的選擇器之外的選擇器。

8.如權(quán)利要求2至5之一所述的用于在線訓(xùn)練分類(lèi)器的裝置，其中所述統(tǒng)計(jì)模型是高斯模型。

9.一種在線訓(xùn)練分類(lèi)器的方法，包括：

確定選擇器模型的識(shí)別能力是否適應(yīng)樣本圖像；

在確定所述選擇器模型的識(shí)別能力不適應(yīng)所述樣本圖像的情況下，根據(jù)所述樣本圖像更新所述選擇器模型；以及

根據(jù)所述樣本圖像，利用更新的選擇器模型選擇組成所述分類(lèi)器的弱分類(lèi)器并組成所述分類(lèi)器。

10.如權(quán)利要求9所述的在線訓(xùn)練分類(lèi)器的方法，其中所述確定包括：

計(jì)算所述選擇器模型的每個(gè)候選弱分類(lèi)器的各個(gè)統(tǒng)計(jì)模型的期望與提取自所述樣本圖像的相應(yīng)特征的偏離中的最小偏離，以及

判斷所述最小偏離是否超過(guò)預(yù)定程度；以及

所述更新包括：

在所述偏離超過(guò)預(yù)定程度的情況下，向所述候選弱分類(lèi)器添加根據(jù)所述相應(yīng)特征獲得的統(tǒng)計(jì)模型。