[发明专利]判别设备、判别方法和计算机程序

说明书

技术领域

本发明涉及一种判别设备、判别方法和计算机程序，其使用基于对象的特征量来单独地判别对象的多个弱假设通过助推(boosting)来进行判别，并且通过助推来学习弱假设。

背景技术

通过样本学习获得的学习机包括许多弱假设和对这些假设进行组合的组合器。这里，作为在不依赖于输入的情况下使用固定权重对弱假设的输出进行集成的组合器的例子，提供了“助推”。

在助推中，学习样本的分布被处理，使得通过使用以前生成的弱假设的学习结果而增加不擅长制造错误的学习样本的权重，并且基于该分布执行新的弱假设的学习。因此，产生了许多不正确答案并难以判别的学习样本的权重相对增加，并且弱判别器一个接一个地被选择，使得正确的答案被给予具有重的权重、换言之即难以判别的学习样本。一个接一个地执行弱假设在学习中的生成，并且稍后生成的弱假设依赖于较早生成的弱假设。

这里，基于弱假设进行判别处理的弱判别器对应于“滤波器”，该滤波器使用某种特征量根据输入而输出二元确定结果。一般地，当助推用作判别器时，常常使用判别与每个维度无关的提取的特征量的阈值的弱假设的类型。然而，问题在于，许多弱假设对于产生良好性能而言是必要的。而且，用户发现难以获得学习之后的弱假设的配置，并且因此学习结果的可读性不足。而且，用于判别的弱假设的数目会影响在确定时的计算量，并且这样一来就难以通过具有不足计算能力的硬件来实现判别器。

而且，作为另一个例子，已提议了一种总体学习设备，其使用弱判别器作为滤波器，该滤波器使用非常简单的特征量(像素之间的差别特征)、亦即两个参考像素的亮度值之间的差别来判别对象(例如参见日本待审专利申请公布第2005-157679号)。通过该设备，可以在牺牲识别性能的同时加速对象的检测处理。然而，如果对象难以通过差别来线性判别，则对象无法通过弱假设来分类。

发明内容

希望提供一种极好的判别设备、判别方法和计算机程序，其优选地使用基于对象的特征量来单独地判别对象的多个弱假设通过助推来进行判别，并且允许优选地通过助推来学习单独的弱假设。

还希望提供一种极好的判别设备、判别方法和计算机程序，其可以提高判别性能，同时减少将要使用的弱假设的数目。

进一步希望提供一种极好的判别设备、判别方法和计算机程序，其可以缩短学习时间，减少判别时的计算量，并且通过减少将要使用的弱假设的数目而实现学习结果可读性方面的改善。

根据本发明的实施例，提供了一种判别设备，其包括：特征量提取部，其从判别对象中提取特征量；以及判别器，所述判别器包括：被表达为贝叶斯(Bayesian)网络的多个弱判别器，所述贝叶斯网络具有节点，向每个节点分配从所述特征量提取部输入的两个或更多所述特征量中的对应一个特征量；以及组合器，其组合通过所述多个弱判别器获得的所述判别对象的各个判别结果。

在上述实施例中，判别器可以使用具有弱假设的贝叶斯网络的判别目标节点的推断概率作为弱假设的输出。

在上述实施例中，BOW(Bag of Words，词袋)或其它高维特征量向量可以用于判别对象，并且弱判别器可以包括从特征量提取部所提取的高维特征量向量当中使预定的维度数目或以下的特征量作为每个节点的贝叶斯网络。

在上述实施例中，文本可以包括在判别对象中，并且判别器可以对意见语句或其它种类的文本执行二元判别。

在上述实施例中，基于弱假设贝叶斯网络的判别目标节点的推断概率是否大于预定值，判别器可以确定弱假设的正误。

根据上述实施例的判别设备可以进一步包括学习部，该学习部学习将要由多个弱判别器分别使用的弱假设以及使用助推通过以前的学习而获得的各个弱假设的权重信息。

在上述实施例中，学习部通过限制由一个弱假设使用的特征量维度的数目，可以减少弱假设候选的数目。

在上述实施例中，学习部在用于一个弱假设的特征量维度的数目为1的假定之下可以计算每个维度的一维弱假设的估计值，并且可以通过以维度的估计值的降序方式组合用于弱假设的必要数目的特征量维度来创建弱假设候选。

而且，根据本发明的另一个实施例，提供了一种判别方法，其包括以下步骤：从判别对象中提取特征量；以及通过被表达为贝叶斯网络的多个弱假设来判别所述判别对象，所述贝叶斯网络具有节点，向每个节点分配通过提取特征量的步骤而获得的两个或更多所述特征量中的对应一个特征量，并且组合通过所述多个弱假设获得的所述判别对象的各个判别结果。