[发明专利]过滤器学习方法及利用过滤器检测测试图像中的对象的方法、学习装置及对象识别支持装置

说明书

本发明提供利用训练图像构建分类树而使过滤器进行学习的方法，包括：学习装置对与分类树的第k节点相关的第mk个正样本图像和第nk个负样本图像分别获取第a个特征；及当k为1时，参照第m1个正样本图像和第n1个负样本图像的特征直方图，确定分类错误最小的特征ID以及阈值，其中，特征ID是指第a个特征的每一个的ID，当k≥2时，基于已确定的特征ID及阈值对父节点进行图像分类，如果与第k节点的兄弟节点相比较多的图像被分类到第k节点中，则参照第mk个正样本图像和关于第nk个负样本图像的特征直方图，确定分类错误最小的特征ID及阈值，并且对分类树中具有与第k节点相同的深度的节点同样分配所确定的特征ID及阈值。

技术领域

本发明涉及一种通过利用训练图像构建分类树而使过滤器(rejector)进行学习并利用所述过滤器来检测测试图像中的对象的方法、学习装置及对象识别支持装置，更详细而言，涉及一种通过如下的方式使过滤器进行学习，并在获取测试图像的情况下，利用以上述方式学习的过滤器来对测试图像进行分类，并且以分类结果为基础检测测试图像中的对象的方法、学习装置及对象识别支持装置，所述方式在获取与分类树的第k节点(k≥1，整数)相关的第mk个正样本图像和第nk各负样本图像的情况下，对第mk个正样本图像和第nk个负样本图像的每一个获取或支持为获取第a个特征，(i)在k为1的情况下，所述方式执行如下的进程：以关于第m1个正样本图像的特征直方图和关于第n1个负样本图像的特征直方图为参照，确定或支持确定分类错误最小的特征ID以及阈值(threshold)，其中，特征ID是指第a个特征的每一个的ID，(ii)在k≥2的情况下，所述方式进行如下的进程：以已确定的特征ID及阈值为基准对父节点进行分类图像，其结果如果是与第k节点的兄弟节点相比较相对多的图像被分类到第k个节点中的状态，则以关于第mk个正样本图像的特征直方图和关于第nk个负样本图像的特征直方图为参照，确定或支持确定分类错位最小的特征ID及阈值，并且对分类树中的具有与第k个节点相同的深度(depth)的节点同样分配所确定的特征ID及阈值。

背景技术

当今开发出用于进行对象检测(Object Detection)或对象识别(ObjectRecognition)的技术，并且该技术安装在多种电子装置中而被使用。对象检测或对象识别技术通过利用获取到的训练图像来使分类器进行学习并利用经学习的分类器对测试图像进行分类来检测测试图像内的对象或识别对象。

图1是示意性地表示利用现有技术所涉及的分类器对对象进行分类的过程的图。

参照图1，首先从已输入的正样本图像(positive image)提取正样本特征(positive feature)(S10)。正样本图像是指待检测或待识别的对象以预定的大小存在于图像中的预定位置上的图像。但是，在非训练图像的测试图像的情况下，对象在图像中以何种大小存在或位于何种位置也无妨。特征为表示图像的像素特性的值，作为一实施例，特征可以是关于像素的强度(intensity)值。

接着，可变换提取到的正样本图像。特征变换是指将特征特性变换成不同特性。例如，分类系统可通过执行PCA(Principal Component Analysis，主成分分析)、LDA(LinearDiscriminant Analysis，线性判别分析)、CCA(Canonical Correlation Analysis，典型相关分析)变换来对RGB通道的输入图像制作新的特征。

另外，可从负样本图像库200获取负样本图像(S30)。在此，负样本图像可以是待检测或待识别的对象未存在于图像中的任意大小的图像。可从获取到的负样本图像中选择难样本图像(hard negative image)。难样本图像是指被分类器误认为正样本图像或被误认为正样本图像的可能性高的负样本图像。

与正样本图像相同，可从难样本图像中提取难样本特征(hard negativefeature)(S40)。并且，可变换提取到的难样本特征。

分类器可利用分类树对输入图像进行分类(S20、S50)。