專利名稱：信息處理設(shè)備、信息處理方法和程序的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息處理設(shè)備、信息處理方法和程序。更具體地，本發(fā)明涉及適合于在 例如作為面部圖像中的被攝體的人物的個人識別中使用的信息處理設(shè)備、信息處理方法和 程序。
背景技術(shù)：
在圖像識別中的學(xué)習(xí)階段已使用了統(tǒng)計學(xué)習(xí)方法?？梢允褂没诮y(tǒng)計學(xué)習(xí)理論 的學(xué)習(xí)技術(shù)的增強(boosting)來構(gòu)建能夠有效地從大量數(shù)據(jù)中選擇特征值的高精度分類
ο通常，將圖像識別的分類公式化為判斷要識別的圖像是否與預(yù)先學(xué)習(xí)的圖像相匹 配的兩級分離(two-class separation)問題，并且已經(jīng)提出了許多用于將分類擴展為多級 分類(multi-class classification)的技術(shù)。例如,在作者為 Thomas G. Dietterich和 Ghulum Bakiri 的“Solving Multiclass Learning Problems via Error-Correcting Output Codes", Journal of Artificial Intelligence Research 2，第263-286頁，1995年中，描述了在通信領(lǐng)域中使用的其中通 過重復(fù)二值分類且使用二進(jìn)制數(shù)來表示多個級并進(jìn)行分類的糾錯輸出編碼(ECOC)的應(yīng) 用。此夕卜，例如，在作者為 Robert Ε. Shapire 的"Using output codes to boost multiclass learning problems，，，Proceedings of the Fourteenth International Conference on Machine Learning，1997年中，描述了其中將上述的ECOC方法應(yīng)用于增強 算法以使得組合用于二值分類的弱分類器來構(gòu)成多級分類器的機制。此外，例如，在作者為T. Windeatt和G. Ardeshir 的“Boosted ECOC Ensembles for Face Recognition，，， International Conference on Visual Information Engineering, 2003 (VIE 2003)，Volume, Issue，2003 年 7 月 7-9 日，第 165-168 頁中，描述了將作為針對 多級方法的增強算法的自適應(yīng)增強(AdaBoost)的擴展(即，輸出碼AdaBoost (AdaBoost. OC))用于基于面部圖像的個人識別的任務(wù)。具體地，在多級分類器的學(xué)習(xí)中使用200個注 冊的人物的預(yù)定訓(xùn)練圖像。將相同的200個人物的面部圖像輸入到多級分類器中，以評估 每個面部圖像屬于哪一級(即，每個面部圖像屬于200個注冊人物中的哪個人物)。

發(fā)明內(nèi)容
然而，T. Windeatt和G. Ardeshir所描述的多級分類器不保證對未知人物(即，除 了 200個注冊人物之外的人物)的面部圖像的評估，并且在使用未注冊假冒者的面部圖像 的驗證任務(wù)中未獲得滿意的結(jié)果。因此，期望通過對未知圖像應(yīng)用多級識別結(jié)果來識別甚至未知的圖像。根據(jù)本發(fā)明的實施例，一種信息處理設(shè)備包括以下元件。學(xué)習(xí)裝置使用均被分配 有級標(biāo)簽的多個樣本圖像的圖像特征值來執(zhí)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多級
4分類器，該多級分類器被配置為輸出與輸入圖像相對應(yīng)的多維得分矢量。注冊裝置將注冊 圖像輸入到多級分類器中，并與和所輸入的注冊圖像相關(guān)的識別信息相關(guān)聯(lián)地注冊與注冊 圖像相對應(yīng)的多維得分矢量。確定裝置將要識別的識別圖像輸入到多級分類器中，并確定 與所輸入的識別圖像相對應(yīng)的多維得分矢量和與注冊圖像相對應(yīng)的所注冊的多維得分矢 量之間的相似度。 學(xué)習(xí)裝置可以使用均被分配有K個級標(biāo)簽之一的多個樣本圖像的圖像特征值來 執(zhí)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成整個圖像多級分類器，整個圖像多級分類器被 配置為輸出與輸入圖像相對應(yīng)的K維得分矢量，并且學(xué)習(xí)裝置可以使用通過將樣本圖像中 的每個劃分為M個部分而獲得的分割圖像中的每個分割圖像的圖像特征值來執(zhí)行獨立的 自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成基于M部分的多級分類器，該基于M部分的多級分類 器中的每個被配置為輸出與輸入圖像相對應(yīng)的K維得分矢量。 級標(biāo)簽中的每個可以包括識別信息和屬性信息中的至少一個，該識別信息用于識 別樣本圖像中的對應(yīng)的一個樣本圖像中的各個被攝體，該屬性信息表示樣本圖像中的對應(yīng) 的一個樣本圖像中的被攝體的屬性。該信息處理設(shè)備還可以包括減少裝置，用于選擇性地減少多級分類器的維度。該減少裝置可以使用序列搜索來選擇性地減少多級分類器的維度。該減少裝置可以根據(jù)下層分類器的增強學(xué)習(xí)結(jié)果來選擇性地減少多級分類器的 維度，該下層分類器被設(shè)置在多級分類器之后，并被配置為接收多級分類器的輸出。該圖像特征值可以是像素差分特征或矩形特征。根據(jù)本發(fā)明的另一實施例，一種信息處理方法是用于識別輸入圖像的信息處理設(shè) 備的信息處理方法，并包括以下步驟使用均被分配有級標(biāo)簽的多個樣本圖像的圖像特征 值來執(zhí)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多級分類器，該多級分類器被配置為輸出 與輸入圖像相對應(yīng)的多維得分矢量；將注冊圖像輸入到多級分類器中，并與和所輸入的注 冊圖像相關(guān)的識別信息相關(guān)聯(lián)地注冊與注冊圖像相對應(yīng)的多維得分矢量；以及將要識別的 識別圖像輸入到多級分類器中，并確定與所輸入的識別圖像相對應(yīng)的多維得分矢量和與注 冊圖像相對應(yīng)的所注冊的多維得分矢量之間的相似度。根據(jù)本發(fā)明的又一實施例，一種程序使得計算機用作學(xué)習(xí)裝置，用于使用均被分 配有級標(biāo)簽的多個樣本圖像的圖像特征值來進(jìn)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多 級分類器，該多級分類器被配置為輸出與輸入圖像相對應(yīng)的多維得分矢量；注冊裝置，用于 將注冊圖像輸入到多級分類器中，并與和所輸入的注冊圖像相關(guān)的識別信息相關(guān)聯(lián)地注冊 與注冊圖像相對應(yīng)的多維得分矢量；以及確定裝置，用于將要識別的識別圖像輸入到多級 分類器中，并確定與所輸入的識別圖像相對應(yīng)的多維得分矢量和與注冊圖像相對應(yīng)的所注 冊的多維得分矢量之間的相似度。根據(jù)本發(fā)明的實施例，使用均被分配有級標(biāo)簽的多個樣本圖像的圖像特征值來進(jìn) 行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多級分類器，該多級分類器被配置為輸出與輸入 圖像相對應(yīng)的多維得分矢量。此外，將注冊圖像輸入到多級分類器中，并且與關(guān)于所輸入的 注冊圖像的識別信息相關(guān)聯(lián)地注冊與該注冊圖像相對應(yīng)的多維得分矢量。另外，將要識別 的識別圖像輸入到多級分類器中，并且確定與所輸入的識別圖像相對應(yīng)的多維得分矢量和 與該注冊圖像相對應(yīng)的所注冊的多維得分矢量之間的相似度。
5
因此，可以識別未知圖像。


圖1是示出根據(jù)本發(fā)明的實施例的面部圖像識別設(shè)備的學(xué)習(xí)處理的概要的圖2是示出根據(jù)本發(fā)明的實施例的面部圖像識別設(shè)備的注冊處理的概要的圖3是示出根據(jù)本發(fā)明的實施例的面部圖像識別設(shè)備的識別處理的概要的圖4是示出根據(jù)本發(fā)明的實施例的面部圖像識別設(shè)備的示例配置的框圖5是示出樣本圖像的示例的圖6是示出用作圖像特征值的像素差分特征的圖7是示出面部圖像識別設(shè)備的操作的流程圖8是示出學(xué)習(xí)處理的流程圖9是示出二值分類弱分類器的學(xué)習(xí)處理的流程圖10是示出注冊處理的流程圖11是示出K維得分矢量計算處理的流程圖12是示出識別處理的流程圖13是示出預(yù)處理的示例的圖14是示出面部圖像的分割的示例的圖15是示出基于分量的多級分類器的圖16是示出分層多級分類器的圖17A至17D是示出用作圖像特征值的矩形特征的圖18是示出用作圖像特征值的矩形特征的圖；以及
圖19是示出計算機的示例配置的框圖。
具體實施例方式現(xiàn)在，參考附圖來詳細(xì)描述本發(fā)明的實施例。按照下面的順序給出描述1.根據(jù)實施例的面部圖像識別設(shè)備的操作的概要2.根據(jù)實施例的面部圖像識別設(shè)備的示例配置3.根據(jù)實施例的面部圖像識別設(shè)備的操作4.基于分量的多級分類器5.級標(biāo)簽的另一示例6.特征值的維的選擇7.分層分類器8.其它圖像特征值1.根據(jù)實施例的面部圖像識別設(shè)備的操作的概要根據(jù)實施例的面部圖像識別設(shè)備被配置為確定要識別的面部圖像的特征值，將所 確定的特征值與預(yù)先注冊的多個人物(注冊人物)的面部圖像的特征值進(jìn)行比較，并輸出 與注冊人物中的具有最相似的特征值的一個注冊人物相關(guān)的識別信息(例如姓名)作為識 別結(jié)果。面部圖像識別設(shè)備的操作被寬泛地分為學(xué)習(xí)、注冊和識別三個處理。
6
圖1示出了學(xué)習(xí)處理的概要。在學(xué)習(xí)處理中，針對K個樣本人物中的每個而提供 多個面部圖像。多級分類器學(xué)習(xí)單元22計算樣本人物1^&=1，2，...，1()中的每個的面 部圖像的圖像特征值，并使用作為結(jié)果的圖像特征值來學(xué)習(xí)多級分類器23。多級分類器23 確定表示輸入面部圖像中的人物與樣本人物k中的每個的相似程度的得分。假定該得分越 大相似度就越高。因此，多級分類器23輸出K維的得分(下文中稱為“K維得分矢量”)。圖2示出了注冊處理的概要。在注冊處理中，針對多個注冊人物X，Y，Z，...中的 每個而提供面部圖像，并且多級分類器23確定每個注冊人物的面部圖像的K維得分矢量。 在注冊數(shù)據(jù)庫25中與注冊人物的識別信息(例如姓名)相關(guān)聯(lián)地注冊所確定的K維得分 矢量。注冊人物與學(xué)習(xí)處理中的樣本人物不相關(guān)(也就是說，與學(xué)習(xí)處理中的樣本人物不 相同)，但是可以與樣本人物相同。圖3示出了識別處理的概要。在識別處理中，提供要識別的面部圖像，并且多級分 類器23確定要識別的面部圖像的K維得分矢量，并將該K維得分矢量輸入到相似度確定單 元28中。相似度確定單元28指定在注冊數(shù)據(jù)庫25中注冊的K維得分矢量中的與要識別 的面部圖像的K維得分矢量最相似的K維得分矢量，并輸出與注冊人物中對應(yīng)的注冊人物 相關(guān)的識別信息作為識別結(jié)果。例如通過歐幾里德距離(Euclidean distance)來測量K 維得分矢量之間的相似度。2.根據(jù)實施例的面部圖像識別設(shè)備的示例配置圖4示出了根據(jù)實施例的面部圖像識別設(shè)備的示例配置。面部圖像識別設(shè)備10 包括被配置為執(zhí)行學(xué)習(xí)處理的學(xué)習(xí)系統(tǒng)11、被配置為執(zhí)行注冊處理的注冊系統(tǒng)12和被配 置為執(zhí)行識別處理的識別系統(tǒng)13。學(xué)習(xí)系統(tǒng)11包括學(xué)習(xí)樣本輸入單元21、多級分類器學(xué)習(xí)單元22和多級分類器 23。注冊系統(tǒng)12包括多級分類器23、注冊圖像輸入單元24和注冊數(shù)據(jù)庫25。識別系統(tǒng)13 包括多級分類器23、注冊數(shù)據(jù)庫25、識別圖像輸入單元26、預(yù)處理單元27和相似度確定單 元28。也就是說，多級分類器23被包括在學(xué)習(xí)系統(tǒng)11、注冊系統(tǒng)12和識別系統(tǒng)13中，注 冊數(shù)據(jù)庫25被包括在注冊系統(tǒng)12和識別系統(tǒng)13中。學(xué)習(xí)樣本輸入單元21向針對K個樣本人物中對應(yīng)的一個樣本人物提供的多個面 部圖像(也稱為“樣本圖像”)添加與該K個樣本人物中的每個相關(guān)的識別信息(例如姓 名)作為級標(biāo)簽，并且向多級分類器學(xué)習(xí)單元22提供均包括樣本圖像Xi和級標(biāo)簽yk的學(xué) 習(xí)樣本。更具體地，如圖5所示，向M個樣本圖像Xi (i = 1，2，...，M)添加級標(biāo)簽yk(k = 1,2,...,K)以生成M個學(xué)習(xí)樣本(Xi，yk)，將該M個學(xué)習(xí)樣本(Xi，yk)輸入到多級分類器學(xué) 習(xí)單元22中。在將樣本圖像Xi輸入到多級分類器學(xué)習(xí)單元22中之前，學(xué)習(xí)樣本輸入單元21將 樣本圖像Xi的尺寸調(diào)整為預(yù)定尺寸(下文詳細(xì)描述)。多級分類器學(xué)習(xí)單元22利用添加的級標(biāo)簽yk來確定M個樣本圖像Xi的圖像特征 值，并且使用AdaBoost ECOC學(xué)習(xí)多個弱分類器以產(chǎn)生由多個弱分類器形成的多級分類器 23。均被配置為判斷圖像是否屬于級的多個弱分類器的判斷基于樣本圖像的圖像特征值。 圖像特征值的示例可以包括由本發(fā)明的發(fā)明人提出的PixDif Feature (像素差分特征)。例如，在作者為 Sabe、Hidai 的 “pikuseru sabun tokucho wo mochiita jitsujikan nin' i shisei kao kenshutsuki no gakushu(Learning of a Real-TimeArbitrary Posture Face Detector Using Pixel Difference Feature)，，，Proceedings of the IOth Symposium on Sensing via Image Information,第 547-552 頁，2004 年，日 本未審專利申請公開第2005-157679號等中，公開了 PixDif Feature (像素差分特征)。圖6是示出像素差分特征的概要的圖。可以通過確定圖像上的兩個像素的像素值 (亮度值H1和I2之間的差(即，I1-I2)來獲得像素差分特征。如下面的方程式(ι)所給 出的，與兩個像素的組合相對應(yīng)的二值分類弱分類器h(x)中的每個使用像素差分特征(由 I1-I2給出)和閾值Th來識別真(+1)或假(-1)h(x) = "I如果 I1-I2S Thh(x) = +1如果 I1-I2STh (1)如果在不調(diào)整輸入圖像的尺寸的情況下來確定像素差分特征，則可以獲得大量的 兩個像素的組合。因此，在調(diào)整輸入圖像的尺寸之后，獲得像素差分特征。例如，當(dāng)將輸入 圖像的尺寸調(diào)整為20X20個像素時，獲得400X399個像素差分特征。當(dāng)將輸入圖像的尺 寸調(diào)整為64X64個像素時，獲得4096X4095個像素差分特征。多個兩個像素的組合和閾 值Th用作二值分類弱分類器的參數(shù)，并且使用增強學(xué)習(xí)來選擇最優(yōu)的參數(shù)組。多級分類器23計算并輸出與從注冊圖像輸入單元24輸入的注冊人物的面部圖像 (下文中也稱為“注冊圖像”)相對應(yīng)的K維得分矢量。在注冊數(shù)據(jù)庫25中與和對應(yīng)的注 冊人物相關(guān)的識別信息(例如姓名)相關(guān)聯(lián)地注冊與輸出注冊圖像相對應(yīng)的輸出的K維得 分矢量。多級分類器23還計算并輸出與經(jīng)由預(yù)處理單元27從識別圖像輸入單元26輸入 的識別圖像相對應(yīng)的K維得分矢量。將與識別圖像相對應(yīng)的輸出K維得分矢量提供到相似 度確定單元28。注冊圖像輸入單元24以與學(xué)習(xí)樣本輸入單元21調(diào)整樣本圖像的尺寸的方式相 類似的方式調(diào)整注冊人物的面部圖像的尺寸，并將作為結(jié)果的面部圖像輸入到多級分類器 23。注冊圖像輸入單元24還將與注冊人物相關(guān)的識別信息(例如姓名)輸入到注冊數(shù)據(jù) 庫25中。注冊數(shù)據(jù)庫25與和注冊人物相關(guān)的識別信息相關(guān)聯(lián)地存儲與注冊人物的面部圖 像相對應(yīng)的K維得分矢量。識別圖像輸入單元26將要識別的面部圖像(識別圖像)經(jīng)由預(yù)處理單元27輸入 到多級分類器23中。預(yù)處理單元27根據(jù)需要而對從識別圖像輸入單元26輸入的識別圖像執(zhí)行預(yù)處理 (具體地，用于將非朝向正面的面部校正為朝向正面的面部的圖像處理)。此外，預(yù)處理單 元27以與學(xué)習(xí)樣本輸入單元21調(diào)整樣本圖像的尺寸的方式相類似的方式調(diào)整根據(jù)需要而 被預(yù)處理后的識別圖像的尺寸，并將作為結(jié)果的識別圖像輸入到多級分類器23中。相似度確定單元28指定在注冊數(shù)據(jù)庫25中注冊的K維得分矢量中的與對應(yīng)于識 別圖像的K維得分矢量最相似的K維得分矢量(例如，具有最短歐幾里德距離和具有小于 等于預(yù)定閾值的歐幾里德距離的K維得分矢量)，并將與對應(yīng)的注冊人物相關(guān)的識別信息 作為識別結(jié)果而輸出。3.根據(jù)實施例的面部圖像識別設(shè)備的操作圖7是示出面部圖像識別設(shè)備10的操作的流程圖。
8
在步驟Sl中，面部圖像識別設(shè)備10的學(xué)習(xí)系統(tǒng)11執(zhí)行學(xué)習(xí)處理，以產(chǎn)生多級分 類器23。在步驟S2中，面部圖像識別設(shè)備10的注冊系統(tǒng)12執(zhí)行注冊處理，以計算與注冊 圖像相對應(yīng)的K維得分矢量，并將K維得分矢量與和對應(yīng)的注冊人物相關(guān)的識別信息相關(guān) 聯(lián)地注冊在注冊數(shù)據(jù)庫25中。在步驟S3中，面部圖像識別設(shè)備10的識別系統(tǒng)13執(zhí)行識別處理，以指定與識別 圖像中的人物最相似的注冊人物?，F(xiàn)在，詳細(xì)描述上述步驟Sl至S3的處理。將描述學(xué)習(xí)處理的細(xì)節(jié)。圖8是示出學(xué)習(xí)處理的流程圖。在步驟Sll中，如圖5所示，學(xué)習(xí)樣本輸入單元12將M個學(xué)習(xí)樣本(Xi，yk)輸入到 多級分類器學(xué)習(xí)單元22中。在步驟S12中，多級分類器學(xué)習(xí)單元22使用下面的方程式(2)對用M行和K列表 示的樣本權(quán)重Pt (i，k)進(jìn)行初始化對于yk Φ k, P1 (i, k) = 1/M(K-I)(2)具體地，將樣本權(quán)重Pt (i，k)的初始值？工^ k)設(shè)置為其中與現(xiàn)有學(xué)習(xí)樣本(Xi， yk)相對應(yīng)的樣本權(quán)重為0而另外該值的總和為1的均勻值。下面描述的步驟S13至S18的處理被重復(fù)期望的次數(shù)T?？梢詫⒋螖?shù)T設(shè)置為直 到對采樣圖像獲得的像素差分特征的數(shù)量，并且產(chǎn)生與次數(shù)T相同的數(shù)量的弱分類器。在步驟S13中，多級分類器學(xué)習(xí)單元22產(chǎn)生1行K列的ECOC表。ECOC表的k列 中的值yt(k)為負(fù)ι(-ι)或正ι(+ι)，并且隨機分配，以使得負(fù)ι(-ι)的數(shù)量等于正ι(+ι) 的數(shù)量，也就是說μ t(k) = {-1， +1}.(3)在步驟S14中，多級分類器學(xué)習(xí)單元22使用下面的方程式(4)計算由M行和1列 表示的二值分類權(quán)重Dt (i)
ip(i,k)[Mt(yi)^Ai(k)]Dt(i) = k
M K
j k(4)
其中，[]表示對于真使用1且對于假使用O的布爾(Boolean)表達(dá)式。 在步驟S15中，多級分類器學(xué)習(xí)單元22學(xué)習(xí)在步驟S14中獲得的二值分類權(quán)重 Dt (i)而將通過下面的方程式(5)給出的加權(quán)錯誤率ε t最小化的二值分類弱分類器ht:
￡t= Σ Dt(i)i:ht (Xi) ^jU(Yi)(5)圖9是詳細(xì)示出步驟S15中的處理的流程圖。在步驟S31中，多級分類器學(xué)習(xí)單元22從被調(diào)整了尺寸的樣本圖像的所有像 素中隨機選擇兩個像素。例如，當(dāng)將樣本圖像的尺寸調(diào)整為64X64個像素時，通過選擇 4096X4095個兩個像素的組合中的一個來選擇兩個像素。這里，用S1和S2表示選擇的兩 個像素的像素位置，用I1和I2表示該兩個像素的像素值(亮度值)。
9分類器學(xué)習(xí)單元22使用在步驟S31中選擇的兩個像素的像素 值I1和I2來針對所有學(xué)習(xí)樣本確定像素差分特征(I1-I2)，并確定像素差分特征的頻率分布。在步驟S33中，多級分類器學(xué)習(xí)單元22基于像素差分特征的頻率分布而確定將由 方程式(5)給出的加權(quán)錯誤率ε t設(shè)置為最小值^min的閾值Thmin。在步驟S34中，多級分類器學(xué)習(xí)單元22基于像素差分特征的頻率分布而確定將由 方程式(5)給出的加權(quán)錯誤率ε t設(shè)置為最大值的閾值Thmax。此外，多級分類器學(xué)習(xí) 單元22根據(jù)下面的方程式(6)而反轉(zhuǎn)(invert)閾值Thmax和其它值ε ‘隱=1- ε maxS' ！ = S2S' 2 = S1Th' max =-Thmax(6)在步驟S35中，多級分類器學(xué)習(xí)單元22基于上述加權(quán)錯誤率^的最小值￡min和 最大值ε _之間的幅值關(guān)系而確定作為二值分類弱分類器的參數(shù)的兩個像素的位置S1和 S2以及閾值Th。具體地，當(dāng)ε min < ε ‘ ■時，使用兩個像素的位置S1和S2以及閾值Thmin作為參 數(shù)。當(dāng)emin彡ε' max時，使用兩個像素的位置S'2以及閾值Th' max作為參數(shù)。在步驟S36中，多級分類器學(xué)習(xí)單元22判斷是否已將上述的步驟S31至步驟S35 的處理重復(fù)了預(yù)定次數(shù)。處理返回到步驟S31，重復(fù)其后的處理，直到判斷為將該處理重復(fù) 了預(yù)定次數(shù)為止。當(dāng)判斷為將步驟S31至步驟S35的處理重復(fù)了預(yù)定次數(shù)時，處理進(jìn)行到 步驟S37。在步驟S37中，多級分類器學(xué)習(xí)單元22最終使用如上所述地在被重復(fù)進(jìn)行了預(yù)定 次數(shù)的步驟S35的處理中確定的二值分類弱分類器中的將加權(quán)錯誤率ε t最小化的一個二 值分類弱分類器(的參數(shù))，作為一個二值分類弱分類器ht (的參數(shù))。如上所述，在確定了一個二值分類弱分類器ht之后，處理返回到圖8的步驟S16。在步驟S16中，多級分類器學(xué)習(xí)單元22基于與在步驟S15中確定的與二值分類弱 分類器ht相對應(yīng)的加權(quán)錯誤率ε t而使用下面的方程式(7)計算可靠度Cit
權(quán)利要求
一種信息處理設(shè)備，包括學(xué)習(xí)裝置，用于使用均被分配有級標(biāo)簽的多個樣本圖像的圖像特征值來執(zhí)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多級分類器，所述多級分類器被配置為輸出與輸入圖像相對應(yīng)的多維得分矢量；注冊裝置，用于將注冊圖像輸入到所述多級分類器中，并且與和所輸入的注冊圖像相關(guān)的識別信息相關(guān)聯(lián)地注冊與所述注冊圖像相對應(yīng)的多維得分矢量；以及確定裝置，用于將要識別的識別圖像輸入到所述多級分類器中，并且確定與所輸入的識別圖像相對應(yīng)的多維得分矢量和與所述注冊圖像相對應(yīng)的所注冊的多維得分矢量之間的相似度。
2.根據(jù)權(quán)利要求1所述的信息處理設(shè)備，其中，所述學(xué)習(xí)裝置使用均被分配有K個級 標(biāo)簽之一的多個樣本圖像的圖像特征值來進(jìn)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成整個 圖像多級分類器，所述整個圖像多級分類器被配置為輸出與輸入圖像相對應(yīng)的K維得分矢 量，并且所述學(xué)習(xí)裝置使用通過將所述樣本圖像中的每個樣本圖像劃分為M個部分而獲得 的分割圖像中的每個分割圖像的圖像特征值來執(zhí)行獨立的自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)， 以生成基于M部分的多級分類器，所述基于M部分的多級分類器中的每個被配置為輸出與 所述輸入圖像相對應(yīng)的K維得分矢量。
3.根據(jù)權(quán)利要求1所述的信息處理設(shè)備，其中，所述級標(biāo)簽中的每個包括識別信息和 屬性信息中的至少一個，所述識別信息用于識別所述樣本圖像中的對應(yīng)的一個樣本圖像中 的各個被攝體，所述屬性信息表示所述樣本圖像中的對應(yīng)的一個樣本圖像中的被攝體的屬 性。
4.根據(jù)權(quán)利要求1所述的信息處理設(shè)備，還包括減少裝置，用于選擇性地減少所述多 級分類器的維度。
5.根據(jù)權(quán)利要求4所述的信息處理設(shè)備，其中，所述減少裝置使用序列搜索來選擇性 地減少所述多級分類器的維度。
6.根據(jù)權(quán)利要求4所述的信息處理設(shè)備，其中，所述減少裝置根據(jù)下層分類器的增強 學(xué)習(xí)結(jié)果來選擇性地減少所述多級分類器的維度，所述下層分類器被設(shè)置在所述多級分類 器之后，并被配置為接收所述多級分類器的輸出。
7.根據(jù)權(quán)利要求1至6中任一項所述的信息處理設(shè)備，其中所述圖像特征值是像素差 分特征或矩形特征。
8.一種用于識別輸入圖像的信息處理設(shè)備的信息處理方法，包括以下步驟使用均被分配有級標(biāo)簽的多個樣本圖像的圖像特征值來進(jìn)行自適應(yīng)增強糾錯輸出編 碼學(xué)習(xí)，以生成多級分類器，所述多級分類器被配置為輸出與所述輸入圖像相對應(yīng)的多維 得分矢量；將注冊圖像輸入到所述多級分類器中，并且與和所輸入的注冊圖像相關(guān)的識別信息相 關(guān)聯(lián)地注冊與所述注冊圖像相對應(yīng)的多維得分矢量；以及將要識別的識別圖像輸入到所述多級分類器中，并且確定與所輸入的識別圖像相對應(yīng) 的多維得分矢量和與所述注冊圖像相對應(yīng)的所注冊的多維得分矢量之間的相似度。
9.一種程序，用于使計算機用作學(xué)習(xí)裝置，用于使用均被分配有級標(biāo)簽的多個樣本圖像的圖像特征值來進(jìn)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多級分類器，所述多級分類器被配置為輸出與輸入圖像相對 應(yīng)的多維得分矢量；注冊裝置，用于將注冊圖像輸入到所述多級分類器中，并且與和所輸入的注冊圖像相 關(guān)的識別信息相關(guān)聯(lián)地注冊與所述注冊圖像相對應(yīng)的多維得分矢量；以及確定裝置，用于將要識別的識別圖像輸入到所述多級分類器中，并且確定與所輸入的 識別圖像相對應(yīng)的多維得分矢量和與所述注冊圖像相對應(yīng)的所注冊的多維得分矢量之間 的相似度。
10. 一種信息處理設(shè)備，包括學(xué)習(xí)單元，被配置為使用均被分配有級標(biāo)簽的多個樣本圖像的圖像特征值來進(jìn)行自適 應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多級分類器，所述多級分類器被配置為輸出與輸入圖像 相對應(yīng)的多維得分矢量；注冊單元，被配置為將注冊圖像輸入到所述多級分類器中，并且與和所輸入的注冊圖 像相關(guān)的識別信息相關(guān)聯(lián)地注冊與所述注冊圖像相對應(yīng)的多維得分矢量；以及確定單元，被配置為將要識別的識別圖像輸入到所述多級分類器中，并且確定與所輸 入的識別圖像相對應(yīng)的多維得分矢量和與所述注冊圖像相對應(yīng)的所注冊的多維得分矢量 之間的相似度。
全文摘要
提供了信息處理設(shè)備、信息處理方法和程序。信息處理設(shè)備包括以下元件。學(xué)習(xí)單元被配置為使用均被分配有級標(biāo)簽的多個樣本圖像的圖像特征值來進(jìn)行自適應(yīng)增強糾錯輸出編碼學(xué)習(xí)，以生成多級分類器，該多級分類器被配置為輸出與輸入圖像相對應(yīng)的多維得分矢量。注冊單元被配置為將注冊圖像輸入到多級分類器中，并與和所輸入的注冊圖像相關(guān)的識別信息相關(guān)聯(lián)地注冊與注冊圖像相對應(yīng)的多維得分矢量。確定單元被配置為將要識別的識別圖像輸入到多級分類器中，并確定與所輸入的識別圖像相對應(yīng)的多維得分矢量和與注冊圖像相對應(yīng)的所注冊的多維得分矢量之間的相似度。
文檔編號G06K9/66GK101937513SQ20101021339
公開日2011年1月5日 申請日期2010年6月23日 優(yōu)先權(quán)日2009年6月30日
發(fā)明者佐部浩太郎, 大久保厚志, 日臺健一 申請人:索尼公司