專利名稱：信息處理設備和方法以及程序的制作方法
技術領域：
本發(fā)明涉及一種信息處理設備和方法以及程序，尤其涉及一種能夠更快速并且更可靠地從圖像中檢測目標對象的信息處理設備和方法以及程序。
背景技術：
在相關技術中，主要研究和開發(fā)了從圖像中檢測人的技術，用于安全和車載 (on-vehicle)用途。作為用于從圖像中檢測(辨識)人的主特征量，使用通過邊緣提取獲得的特征量。在這種技術中，將通過邊緣提取獲得的特征量的各種變化定義為新的特征量， 以辨識人。另外，在辨識期間，可以使用通過增強(boosting)的統(tǒng)計學習獲得的辨別器作為辨識器(參見 Paul Viola & Michael Jones US20040013304 Al System and method fordetecting objects in images, Paul Viola & Michael Jones US20020102024A1 Method and system for object detection in digital images COMPAQINFORMATION TECHN0L0GIE，Paul Viola & Michael JonesUS7099510 B2 Method and system for object detection in digital imagesHEWLETT PACKARD DEVELOPMENT CO,以及 Paul Viola Michael Jones US7020337 B2 System and method for detecting objects inimages MITSUBISHI ELECTRIC RES LAB)。

發(fā)明內容
在相關技術中，在通過增強的統(tǒng)計學習獲得的辨別器中，弱辨別器按照學習的順序進行運算。用于高速運算的Paul Viola & Michael JonesUS20040013304 Al System and method for detecting objects in images、Paul Viola & Michael Jones US20020102024 Al Method and system forobject detection in digital images COMPAQ INFORMATIONTECHNOLOGIE.Paul Viola & Michael Jones US7099510 B2 Methodand system for object detection in digital images HEWLETT PACKARD DEVELOPMENT CO和 Paul Viola & Michael Jones US7020337 B2System and method for detecting objects in images MITSUBISHIELECTRIC RES LAB提出在增強的每一個級聯(lián)階段的終止。然而，不能從進行終止期望越來越高的速度。期望更準確并且更快速地檢測諸如人的對象。根據本發(fā)明的實施例，提供了一種信息處理設備，包括第一計算裝置，其針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，正圖像中存在作為識別對象的對象，負圖像中不存在作為識別對象的對象；第二計算裝置，其針對每一個弱識別器計算處理負圖像時的得分的數量，處理負圖像時的得分是小于處理正圖像時的得分中的最小得分的得分；以及重新排列裝置，其從由第二計算裝置計算的數量最大的弱識別器開始按順序重新排列弱識別器。根據本發(fā)明的另一實施例，提供了一種信息處理方法，包括步驟針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，
4正圖像中存在作為識別對象的對象，負圖像中不存在作為識別對象的對象；針對每一個弱識別器計算處理負圖像時的得分的數量，處理負圖像時的得分是小于處理正圖像時的得分中的最小得分的得分；以及從所計算的數量最大的弱識別器開始按順序重新排列弱識別
ο根據本發(fā)明的另一實施例，提供了一種計算機可讀程序，用于執(zhí)行包括這樣的步驟的處理針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，正圖像中存在作為識別對象的對象，負圖像中不存在作為識別對象的對象；針對每一個弱識別器計算處理負圖像時的得分的數量，處理負圖像時的得分是小于處理正圖像時的得分中的最小得分的得分；以及從所計算的數量最大的弱識別器開始按順序重新排列弱識別器。在本發(fā)明的實施例的信息處理設備和方法以及程序中，計算包括正圖像和負圖像的每一個樣本圖像的得分，正圖像中存在作為識別對象的對象，負圖像中不存在作為識別對象的對象；并且從處理負圖像時的得分的數量最大的弱識別器開始按順序重新排列弱識別器，由此生成識別器，其中，處理負圖像時的得分是小于處理正圖像時的得分中的最小得分的得分。根據本發(fā)明的另一實施例，提供了一種信息處理設備，包括第一計算裝置，其針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分；第二計算裝置，其根據由第一計算裝置計算的得分計算學習誤差；以及重新排列裝置，其從由第二計算裝置計算的學習誤差最小的弱識別器開始按順序重新排列弱識別器。根據本發(fā)明的另一實施例，提供了一種信息處理方法，包括步驟針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分；根據所計算的得分計算學習誤差；以及從所計算的學習誤差最小的弱識別器開始按順序排列弱識別器。根據本發(fā)明的另一實施例，提供了一種計算機可讀程序，用于執(zhí)行包括這樣的步驟的處理針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分；根據所計算的得分計算學習誤差；以及從所計算的學習誤差最小的弱識別器開始按順序重新排列弱識別器。在本發(fā)明的信息處理方法和設備以及程序中，針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分，根據所計算的得分計算學習誤差，并且從學習誤差最小的弱識別器開始按順序重新排列弱識別器，由此生成識別器。根據本發(fā)明的另一實施例，提供了一種信息處理設備，包括計算裝置，其針對包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時弱識別器的平均數量，在每一個識別器中，弱識別器的布置不同；以及生成裝置，其通過進行基于遺傳算法的運算并且在進行運算時使用由計算裝置計算的平均數量，生成平均數量被最小化的識別
ο根據本發(fā)明的另一實施例，提供了一種信息處理方法，包括步驟針對包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時弱識別器的平均數量，在每一個識別器中，弱識別器的布置不同；以及通過進行基于遺傳算法的運算并且在進行運算時使用平均數量，生成平均數量被最小化的識別器。根據本發(fā)明的另一實施例，提供了一種計算機可讀程序，用于執(zhí)行包括這樣的步
5驟的處理針對包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時弱識別器的平均數量，在每一個識別器中，弱識別器的布置不同；以及通過進行基于遺傳算法的運算并且在進行運算時使用平均數量，生成平均數量被最小化的識別器。在本發(fā)明的實施例的信息處理設備和方法以及程序中，針對弱識別器的布置不同的包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時的弱識別器的平均數量，并且基于遺傳算法和平均數量生成平均數量被最小化的識別器。根據本發(fā)明的實施例，可以以高速準確地檢測對象。


圖1是示出根據本發(fā)明實施例的識別系統(tǒng)的結構的圖
圖2是示出特征量計算單元的詳細結構示例的圖3是描述導向濾波器(steerable filter)的圖4是圖示識別器生成單元的詳細結構示例的圖5是描述學習處理的流程圖6是描述特征量計算處理的流程圖7是描述識別器生成處理的流程圖8A至圖8B是描述識別器的生成的圖9是描述特征量的圖10是描述對每一對特征點的特征量進行采樣的圖11是描述弱識別器的設置的圖12是描述識別器的結構的圖13是示出累積值和弱辨別器之間的關系的圖14是描述第一排列處理的流程圖15是示出驗證結果的圖16是描述第二重新排列處理的流程圖17是描述第三重新排列處理的流程圖18A至圖18D是描述雜交(crossover)的圖19是描述辨識處理的流程圖；以及
圖20是描述記錄介質的圖。
具體實施例方式下文中，將參考附圖描述本發(fā)明的實施例。關于系統(tǒng)的結構圖1是示出根據本發(fā)明實施例的對象識別系統(tǒng)的結構示例的框圖。對象識別系統(tǒng)包括學習設備11、識別器記錄單元12和辨識設備13，且對象識別系統(tǒng)在輸入圖像中辨識這樣的區(qū)域在該區(qū)域中，例如，存在作為目標對象的人的圖像。學習設備11基于輸入的學習圖像，生成在辨識設備13中進行識別在圖像上存在或者不存在目標對象的處理時使用的識別器，并且將識別器記錄在識別器記錄單元12中。 辨識設備13使用記錄在識別器記錄單元12中的識別器和識別特征量，識別在輸入圖像中
6是否存在目標對象的圖像，并且輸出識別結果。學習設備11包括圖像輸入單元21、多分辨率圖像生成單元22、特征點提取單元 23、特征量計算單元M和識別器生成單元25。多分辨率圖像生成單元22根據由圖像輸入單元21輸入的學習圖像生成具有不同分辨率的多個圖像，并將該圖像作為多分辨率圖像提供給特征點提取單元23。例如，生成從水平Ll至水平L8的8個分辨率的層的多分辨率圖像。這里，水平Ll的多分辨率圖像的分辨率最高，且多分辨率圖像的分辨率從水平Ll至水平L8順序降低。特征點提取單元23從構成由多分辨率圖像生成單元22生成的多分辨率圖像的每一個圖像(學習圖像)中，提取在生成用于識別存在或者不存在學習圖像中的一些像素的識別器時使用的特征點，并且將提取的特征點和學習圖像提供給特征量計算單元對。這里， 識別器是包括通過統(tǒng)計學習生成的多個弱識別器的強識別器，并且例如在使用對象的輪廓識別在輸入圖像中是否存在對象的圖像的區(qū)域的情況下，使用該識別器。特征量計算單元M基于來自特征點提取單元23的學習圖像，例如使用導向濾波器，通過濾波處理針對每一個特征點計算指示所提取的輪廓的特征量，并且將獲得的特征量和學習圖像提供給識別器生成單元25。基于從特征量計算單元M提供的學習圖像和特征量，識別器生成單元25例如通過Adaboost進行統(tǒng)計學習處理，并且生成用于識別例如作為目標對象的人的識別器。識別器生成單元25將生成的識別器提供給識別器記錄單元 12。辨識設備13包括圖像輸入單元31、多分辨率圖像生成單元32、特征點提取單元 33、特征量計算單元34、識別計算單元35和識別結果輸出單元36。辨識設備13的圖像輸入單元31至特征量計算單元34中的每一個對要辨識其目標對象的輸入圖像執(zhí)行與學習設備 11的圖像輸入單元21至特征量計算單元M中的每一個相同的處理，因此省略詳細描述。識別計算單元35讀取記錄在識別器記錄單元12中的識別器和識別特征量。識別計算單元35將與來自特征量計算單元34的特征量的識別特征量相對應的識別特征量分配到讀取的識別器，以進行運算。識別結果輸出單元36獲取識別計算單元35的運算結果，并且基于該運算結果輸出指示是否在輸入圖像中辨識出目標對象的識別結果。圖2是示出圖1的特征量計算單元M的詳細結構示例的圖。特征量計算單元34 具有與特征量計算單元M相同的結構。因此，這里，描述特征量計算單元M的結構作為示例。特征量計算單元M包括一次濾波處理單元51、二次濾波處理單元52、三次濾波處理單元53和特征量生成單元54。將來自特征點提取單元23的學習圖像提供給一次濾波處理單元51至特征量生成單元M，并且將特征點提供給一次濾波處理單元51至三次濾波處理單元53。一次濾波處理單元51針對每一個提供的特征點，對特征點使用高斯函數G的線性微分函數G1進行濾波處理，以提取特征量，并將該特征量提供給特征量生成單元54。這里， 用等式1和2表示高斯函數G和線性微分函數Α。
權利要求
1.一種信息處理設備，包括第一計算裝置，其針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，所述正圖像中存在作為識別對象的對象，所述負圖像中不存在作為所述識別對象的對象；第二計算裝置，其針對每一個弱識別器計算處理所述負圖像時的得分的數量，所述處理所述負圖像時的得分是小于處理所述正圖像時的得分中的最小得分的得分；以及重新排列裝置，其從由所述第二計算裝置計算的數量最大的弱識別器開始按順序重新排列所述弱識別器。
2.一種信息處理方法，包括步驟針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，所述正圖像中存在作為識別對象的對象，所述負圖像中不存在作為所述識別對象的對象；針對每一個弱識別器計算處理所述負圖像時的得分的數量，所述處理所述負圖像時的得分是小于處理所述正圖像時的得分中的最小得分的得分；以及從所計算的數量最大的弱識別器開始按順序重新排列所述弱識別器。
3.一種計算機可讀程序，用于執(zhí)行包括這樣的步驟的處理針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，所述正圖像中存在作為識別對象的對象，所述負圖像中不存在作為所述識別對象的對象；針對每一個弱識別器計算處理所述負圖像時的得分的數量，所述處理所述負圖像時的得分是小于處理所述正圖像時的得分中的最小得分的得分；以及從所計算的數量最大的弱識別器開始按順序重新排列所述弱識別器。
4.一種信息處理設備，包括第一計算裝置，其針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分；第二計算裝置，其根據由所述第一計算裝置計算的得分計算學習誤差；以及重新排列裝置，其從由所述第二計算裝置計算的所述學習誤差最小的弱識別器開始按順序重新排列所述弱識別器。
5.一種信息處理方法，包括步驟針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分； 根據所計算的得分計算學習誤差；以及從所計算的學習誤差最小的弱識別器開始按順序排列所述弱識別器。
6.一種計算機可讀程序，用于執(zhí)行包括這樣的步驟的處理針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分； 根據所計算的得分計算學習誤差；以及從所計算的學習誤差最小的弱識別器開始按順序重新排列所述弱識別器。
7.一種信息處理設備，包括計算裝置，其針對包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時弱識別器的平均數量，在所述每一個識別器中，所述弱識別器的布置不同；以及生成裝置，其通過進行基于遺傳算法的運算并且在進行所述運算時使用由所述計算裝置計算的所述平均數量，生成所述平均數量被最小化的識別器。
8.根據權利要求7所述的信息處理設備，其中，所述生成裝置根據當處理樣本圖像的運算終止時弱識別器的平均數量選擇所述識別器中的一些識別器，作為選擇的識別器；對按照所述平均數量確定的若干個識別器進行雜交，以獲得雜交的識別器； 對按照平均數量確定的若干個識別器進行突變，以得到突變的識別器； 隨機生成若干與現(xiàn)有的識別器不同的識別器，作為新生成的識別器； 對所述選擇、雜交、突變和新生成的識別器的集合重復進行上面的選擇、雜交、突變和生成處理，直到獲得所述平均數量被最小化的識別器。
9.一種信息處理方法，包括步驟針對包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時弱識別器的平均數量，在所述每一個識別器中，所述弱識別器的布置不同；以及通過進行基于遺傳算法的運算并且在進行所述運算時使用所述平均數量，生成所述平均數量被最小化的識別器。
10.一種計算機可讀程序，用于執(zhí)行包括這樣的步驟的處理針對包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時弱識別器的平均數量，在所述每一個識別器中，所述弱識別器的布置不同；以及通過進行基于遺傳算法的運算并且在進行所述運算時使用所述平均數量，生成所述平均數量被最小化的識別器。
11.一種信息處理設備，包括第一計算單元，其針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，所述正圖像中存在作為識別對象的對象，所述負圖像中不存在作為所述識別對象的對象；第二計算單元，其針對每一個弱識別器計算處理所述負圖像時的得分的數量，所述處理所述負圖像時的得分是小于處理所述正圖像時的得分中的最小得分的得分；以及重新排列單元，其從由所述第二計算單元計算的數量最大的弱識別器開始按順序重新排列所述弱識別器。
12.一種信息處理設備，包括第一計算單元，其針對包括多個弱識別器的識別器的每一個弱識別器，計算每一個樣本圖像的得分；第二計算單元，其根據由所述第一計算單元計算的得分計算學習誤差；以及重新排列單元，其從由所述第二計算單元計算的所述學習誤差最小的弱識別器開始按順序重新排列所述弱識別器。
13.一種信息處理設備，包括計算單元，其針對包括多個弱識別器的每一個識別器，計算當處理樣本圖像的運算終止時弱識別器的平均數量，在所述每一個識別器中，所述弱識別器的布置不同；以及生成單元，其通過進行基于遺傳算法的運算并且在進行所述運算時使用由所述計算單元計算的所述平均數量，生成所述平均數量被最小化的識別器。
全文摘要
提供一種信息處理設備和方法以及程序。信息處理設備包括第一計算單元，其針對包括多個弱識別器的識別器的每一個弱識別器，計算包括正圖像和負圖像的每一個樣本圖像的得分，正圖像中存在作為識別對象的對象，負圖像中不存在作為識別對象的對象；第二計算單元，其計算處理負圖像時的得分的數量，處理負圖像時的得分是小于處理正圖像時的得分中的最小得分的得分；以及重新排列單元，其從由第二計算單元計算的數量最大的弱識別器開始按順序重新排列弱識別器。
文檔編號G06K9/66GK102270306SQ20111014752
公開日2011年12月7日 申請日期2011年5月27日 優(yōu)先權日2010年6月4日
發(fā)明者佐部浩太郎, 橫野順 申請人:索尼公司