本發(fā)明總體上涉及對(duì)視頻中的目標(biāo)進(jìn)行分類。具體而言，本發(fā)明涉及一種高效率高準(zhǔn)確率的對(duì)視頻中的目標(biāo)進(jìn)行分類的方法和裝置。

背景技術(shù)：
視頻中的多目標(biāo)跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)重要的研究課題。該技術(shù)可用于視頻監(jiān)控、視覺(jué)分析和人機(jī)交互等多個(gè)領(lǐng)域。該項(xiàng)技術(shù)的主要任務(wù)是獲得出現(xiàn)在視頻中的所有目標(biāo)的軌跡?，F(xiàn)有的多目標(biāo)跟蹤方法大多包含兩個(gè)步驟：目標(biāo)檢測(cè)和編號(hào)匹配。第一步將標(biāo)出每幀圖像中出現(xiàn)的所有目標(biāo)的位置和大小，檢測(cè)結(jié)果用矩形框表示。該步驟通常利用離線訓(xùn)練的通用檢測(cè)器對(duì)目標(biāo)進(jìn)行檢測(cè)。在編號(hào)匹配步驟中，出現(xiàn)在不同幀的屬于同一目標(biāo)的檢測(cè)結(jié)果被分配相同的編號(hào)，其位置被連接生成對(duì)應(yīng)的軌跡。該步驟通常采用在線特定目標(biāo)檢測(cè)器對(duì)檢測(cè)結(jié)果和編號(hào)進(jìn)行匹配。圖1是示出根據(jù)現(xiàn)有技術(shù)的目標(biāo)檢測(cè)和跟蹤框架的示意圖。如圖1所示，在步驟S102中，通過(guò)離線通用檢測(cè)器從視頻中檢測(cè)目標(biāo)。在步驟S104中，通過(guò)在線特定目標(biāo)檢測(cè)器對(duì)目標(biāo)進(jìn)行編號(hào)匹配，即跟蹤目標(biāo)?，F(xiàn)有方法的一個(gè)重要問(wèn)題是編號(hào)匹配錯(cuò)誤：當(dāng)兩個(gè)目標(biāo)的位置上相互接近并且視覺(jué)上相似時(shí)，其對(duì)應(yīng)的編號(hào)容易發(fā)生分配錯(cuò)誤。而在線特定目標(biāo)檢測(cè)器在訓(xùn)練時(shí)所選擇的特征是用于區(qū)分特定目標(biāo)與其他所有目標(biāo)和背景的，這些特征并不能最優(yōu)地包含兩個(gè)特定目標(biāo)的區(qū)分信息。此外，現(xiàn)有方法中，不同的檢測(cè)器或分類器的特征選擇過(guò)程相互獨(dú)立。如圖2所示，虛線框1中的離線通用目標(biāo)檢測(cè)器的特征選擇過(guò)程與虛線框2中的在線特定目標(biāo)檢測(cè)器的特征選擇過(guò)程相互獨(dú)立。這樣做的缺點(diǎn)是計(jì)算效率不高，并且由于樣本數(shù)量的限制，容易發(fā)生過(guò)擬合問(wèn)題。因此，期望一種能夠解決上述問(wèn)題的技術(shù)。

技術(shù)實(shí)現(xiàn)要素：
在下文中給出關(guān)于本發(fā)明的簡(jiǎn)要概述，以便提供關(guān)于本發(fā)明的某些方面的基本理解。應(yīng)當(dāng)理解，這個(gè)概述并不是關(guān)于本發(fā)明的窮舉性概述。它并不是意圖確定本發(fā)明的關(guān)鍵或重要部分，也不是意圖限定本發(fā)明的范圍。其目的僅僅是以簡(jiǎn)化的形式給出某些概念，以此作為稍后論述的更詳細(xì)描述的前序。本發(fā)明的一個(gè)主要目的在于，提供一種對(duì)視頻中的目標(biāo)進(jìn)行分類的方法和裝置。根據(jù)本發(fā)明的一個(gè)方面，提供了一種對(duì)視頻中的目標(biāo)進(jìn)行分類的方法，該方法包括：通過(guò)第一分類器初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類；利用訓(xùn)練第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器；以及通過(guò)訓(xùn)練好的第二分類器進(jìn)一步進(jìn)行與至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類，其中，利用訓(xùn)練所述第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器的步驟包括：基于訓(xùn)練樣本計(jì)算每個(gè)第一特征的類可分性度量，其中，訓(xùn)練樣本選自第一分類器初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類所得到的候選目標(biāo)；根據(jù)類可分性度量選擇至少一部分第一特征；以及利用至少一部分第一特征訓(xùn)練第二分類器。根據(jù)本發(fā)明的另一個(gè)方面，提供了一種對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置，該裝置包括：第一分類器，用于初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類；第一訓(xùn)練模塊，被配置用于利用訓(xùn)練第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器；以及第二分類器，用于進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類，其中，第一訓(xùn)練模塊包括：類可分性度量計(jì)算子模塊，被配置用于基于訓(xùn)練樣本計(jì)算每個(gè)第一特征的類可分性度量，其中，訓(xùn)練樣本選自第一分類器初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類所得到的候選目標(biāo)；第一特征選擇子模塊，被配置用于根據(jù)類可分性度量選擇至少一部分第一特征；以及第一訓(xùn)練子模塊，被配置用于利用至少一部分第一特征訓(xùn)練第二分類器。另外，本發(fā)明的實(shí)施例還提供了用于實(shí)現(xiàn)上述方法的計(jì)算機(jī)程序。此外，本發(fā)明的實(shí)施例還提供了至少計(jì)算機(jī)可讀介質(zhì)形式的計(jì)算機(jī)程序產(chǎn)品，其上記錄有用于實(shí)現(xiàn)上述方法的計(jì)算機(jī)程序代碼。通過(guò)以下結(jié)合附圖對(duì)本發(fā)明的最佳實(shí)施例的詳細(xì)說(shuō)明，本發(fā)明的這些 以及其他優(yōu)點(diǎn)將更加明顯。附圖說(shuō)明參照下面結(jié)合附圖對(duì)本發(fā)明實(shí)施例的說(shuō)明，會(huì)更加容易地理解本發(fā)明的以上和其它目的、特點(diǎn)和優(yōu)點(diǎn)。附圖中的部件只是為了示出本發(fā)明的原理。在附圖中，相同的或類似的技術(shù)特征或部件將采用相同或類似的附圖標(biāo)記來(lái)表示。圖1是示出根據(jù)現(xiàn)有技術(shù)的目標(biāo)檢測(cè)和跟蹤框架的示意圖；圖2是示出根據(jù)現(xiàn)有技術(shù)的利用獨(dú)立的特征選擇進(jìn)行目標(biāo)檢測(cè)和跟蹤的框架的示意圖；圖3是示出根據(jù)本發(fā)明的一個(gè)實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的方法的流程圖；圖4是示出特征篩選繼承過(guò)程的流程圖；圖5是示出同時(shí)利用特征篩選繼承和聯(lián)合特征選擇的對(duì)視頻中的目標(biāo)進(jìn)行分類的目標(biāo)檢測(cè)和跟蹤的框架的示意圖；圖6A是示出聯(lián)合特征選擇過(guò)程的流程圖；圖6B是示出梯度特征和灰度特征的示意圖；圖7是示出同時(shí)利用離線通用目標(biāo)檢測(cè)器、在線特定目標(biāo)檢測(cè)器和在線特定目標(biāo)組檢測(cè)器來(lái)跟蹤視頻中的目標(biāo)的方法的流程圖；圖8是示出同時(shí)利用離線通用目標(biāo)檢測(cè)器、在線特定目標(biāo)檢測(cè)器和在線特定目標(biāo)組檢測(cè)器來(lái)跟蹤視頻中的目標(biāo)的框架的示意圖；以及圖9是示出根據(jù)本發(fā)明的實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置的框圖；圖10是示出第一訓(xùn)練模塊的配置的框圖；圖11是示出根據(jù)本發(fā)明的另一實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置的框圖；圖12是示出第二特征選擇模塊的配置的框圖；圖13是示出根據(jù)本發(fā)明的又一實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置的框圖；以及圖14是示出可以用于實(shí)施本發(fā)明的對(duì)視頻中的目標(biāo)進(jìn)行分類的方法和裝置的計(jì)算設(shè)備的舉例的結(jié)構(gòu)圖。具體實(shí)施方式下面參照附圖來(lái)說(shuō)明本發(fā)明的實(shí)施例。在本發(fā)明的一個(gè)附圖或一種實(shí)施方式中描述的元素和特征可以與一個(gè)或更多個(gè)其它附圖或?qū)嵤┓绞街惺境龅脑睾吞卣飨嘟Y(jié)合。應(yīng)當(dāng)注意，為了清楚的目的，附圖和說(shuō)明中省略了與本發(fā)明無(wú)關(guān)的、本領(lǐng)域普通技術(shù)人員已知的部件和處理的表示和描述。以下參照?qǐng)D3來(lái)描述根據(jù)本發(fā)明的一個(gè)實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的方法300。如圖3所示，在步驟S302中，可以通過(guò)第一分類器初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。其中，第一分類器是預(yù)先用第一特征訓(xùn)練的。例如，可以通過(guò)第一分類器初步從視頻中檢測(cè)至少兩個(gè)目標(biāo)，進(jìn)一步而言，可以將視頻中的至少兩個(gè)目標(biāo)與背景區(qū)分開。具體而言，假如目標(biāo)是人，則在步驟S302中，可以將視頻中的人與背景區(qū)分開?？梢岳斫獾?，本文所提到的目標(biāo)例如也可以是動(dòng)物、汽車等其他物體。或者，第一分類器也可以用于識(shí)別至少兩個(gè)目標(biāo)，從而可以初步地將視頻中的至少兩個(gè)目標(biāo)區(qū)分開。在步驟S304中，可以利用訓(xùn)練第一分類器所用的第一特征中的至少一部分來(lái)訓(xùn)練第二分類器。換句話說(shuō)，可以繼承訓(xùn)練第一分類器所用的第一特征，對(duì)第一特征進(jìn)行篩選，然后利用篩選出的這部分第一特征訓(xùn)練第二分類器。稍后將參照?qǐng)D4來(lái)描述特征篩選繼承過(guò)程即步驟S304的詳細(xì)過(guò)程。在步驟S306中，可以通過(guò)訓(xùn)練好的第二分類器進(jìn)一步進(jìn)行與至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。例如，可以通過(guò)訓(xùn)練好的第二分類器對(duì)所述至少兩個(gè)目標(biāo)進(jìn)行更準(zhǔn)確的分類。仍以目標(biāo)是人為例，在已經(jīng)在步驟S302中從視頻中檢測(cè)出作為目標(biāo) 的人(即，將視頻中的人與背景區(qū)分開)的情況下，在步驟S306中，可以通過(guò)訓(xùn)練好的第二分類器進(jìn)一步將檢測(cè)出的人分類。例如，在步驟S306中，可以跟蹤每個(gè)人即識(shí)別出特定的人，從而可以將每個(gè)人與特定編號(hào)聯(lián)系起來(lái)，然后將人與特定軌跡聯(lián)系起來(lái)?；蛘?，在第一分類器用于識(shí)別至少兩個(gè)目標(biāo)的情況下，第二分類器可以用于區(qū)分過(guò)于接近的、容易混淆的至少兩個(gè)目標(biāo)。以下參照?qǐng)D4來(lái)描述圖1中的特征篩選繼承過(guò)程即步驟S304。如圖4所示，在步驟S402中，可以對(duì)訓(xùn)練樣本進(jìn)行隨機(jī)采樣。其中，訓(xùn)練樣本選自第一分類器初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類所得到的候選目標(biāo)。由于通過(guò)特征篩選繼承過(guò)程得到的特征依賴于最初使用的訓(xùn)練樣本，因而如果不對(duì)訓(xùn)練樣本隨機(jī)采樣，則有最終得到的特征有可能過(guò)度地依賴于訓(xùn)練樣本，從而出現(xiàn)過(guò)擬合的問(wèn)題。通過(guò)在每次循環(huán)中對(duì)訓(xùn)練樣本進(jìn)行隨機(jī)采樣，可以避免發(fā)生過(guò)擬合。在步驟S404中，可以基于采樣出的訓(xùn)練樣本計(jì)算每個(gè)第一特征的類可分性度量。具體地，可以將針對(duì)第一分類器選擇的第一特征作為參考特征集合T，然后計(jì)算參考特征集合T中的每一維度(即，每個(gè)第一特征)的類可分性度量。類可分性度量可作為特征選擇的準(zhǔn)則，其定量地描述了特征對(duì)分類的貢獻(xiàn)。通常來(lái)講，兩類數(shù)據(jù)在某一維特征上的分布的重疊區(qū)域越小，則表示該特征的類可分性越好，從而對(duì)分類的幫助也越大。類可分性度量的構(gòu)建方式主要有三種：基于幾何距離的方式、基于類的概率密度函數(shù)的方式和基于熵函數(shù)的方式。以基于幾何距離的方式為例。兩類數(shù)據(jù)的類可分性度量可表示為類間距離與類內(nèi)距離之比。其中類間距離為兩類數(shù)據(jù)樣本的幾何中心之間的距離；類內(nèi)距離則為同類數(shù)據(jù)樣本間的均方距離。關(guān)于類可分性度量的計(jì)算過(guò)程可以參考：IntroductiontoPatternRecognition4.7章，AMatlabApproach，作者為SergiosTheodoridis、AggelosPikrakis、KonstantinosKoutroumbas和DionisisCavouras。通過(guò)引用將該文獻(xiàn)的全部?jī)?nèi)容結(jié)合于此用于所有目的。在步驟S406中，可以根據(jù)類可分性度量從訓(xùn)練第一分類器所用的第一特征中選擇至少一部分第一特征。換句話說(shuō)，可以根據(jù)類可分性度量從訓(xùn)練第一分類器所用的第一特征中刪除一部分第一特征，例如，可以將類可分性度量最差的一維(即，類可分性度量最差的第一特征)刪除。然后，可以選擇剩余的第一特征。當(dāng)然，所刪除的數(shù)量不限于一，而可以刪除多個(gè)最差的第一特征。上述選擇第一特征的過(guò)程可以重復(fù)多次，以基于多次的隨機(jī)采樣盡量刪除類可分性度量不好的多個(gè)第一特征。在步驟S408中，可以判斷步驟S402至步驟S406的過(guò)程是否已重復(fù)預(yù)定次數(shù)(例如，N1次，N1為自然數(shù))。如果步驟S402至步驟S406的過(guò)程已重復(fù)預(yù)定次數(shù)，則前進(jìn)到步驟S410。如果步驟S402至步驟S406的過(guò)程還未重復(fù)預(yù)定次數(shù)，則返回到步驟S402，重復(fù)步驟S402至步驟S406的過(guò)程。接下來(lái)，在步驟S410中，可以利用N1個(gè)循環(huán)后剩余的第一特征來(lái)訓(xùn)練第二分類器，從而得到利用剩余的第一特征訓(xùn)練而成的初級(jí)第二分類器Ci。根據(jù)圖4所示的特征篩選繼承過(guò)程，在開始訓(xùn)練第二分類器時(shí)，為第一分類器選擇的第一特征將全部被繼承，即在步驟S404中，將針對(duì)第一分類器所選擇的第一特征作為參考特征集合T。然后，從參考特征集合T中去除在當(dāng)前訓(xùn)練樣本上的可分性度量較差的N1個(gè)特征，并在剩下的第一特征上訓(xùn)練初級(jí)的第二分類器Ci。再次參考圖3，在得到初級(jí)第二分類器Ci之后，可以在步驟S306中直接利用初級(jí)第二分類器Ci進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。通過(guò)圖4所示的特征篩選繼承過(guò)程，能夠提高計(jì)算效率并避免過(guò)擬合問(wèn)題。要注意，在參照?qǐng)D4描述的特征篩選繼承過(guò)程中，步驟S408中的循環(huán)判斷條件不限于重復(fù)N1次，例如，該循環(huán)判斷條件也可以是判斷是否已剩下預(yù)定個(gè)數(shù)的第一特征或其他循環(huán)判斷條件。此外，例如，也可以不執(zhí)行步驟S402中的對(duì)訓(xùn)練樣本進(jìn)行的隨機(jī)采樣，而可以采用全部的訓(xùn)練樣本。如果僅繼承篩選后的第一特征不能取得期望的訓(xùn)練誤差，則優(yōu)選地可以生成新的特征(以下也稱作第三特征)，并在第三特征中選取一部分作為第二特征，并用第二特征進(jìn)一步訓(xùn)練初級(jí)第二分類器Ci。優(yōu)選地，在這個(gè)過(guò)程中，第一分類器和初級(jí)第二分類器Ci可以同時(shí)起作用，即聯(lián)合進(jìn)行特征選擇。以下參照?qǐng)D5來(lái)描述同時(shí)利用特征篩選繼承過(guò)程(即步驟S304)和聯(lián)合特征選擇過(guò)程對(duì)視頻中的目標(biāo)進(jìn)行分類的目標(biāo)檢測(cè)和跟蹤的框架。在如圖5所示的框架中，除了利用特征篩選繼承過(guò)程之外，還利用了聯(lián)合特征選擇過(guò)程，即通過(guò)第一分類器和初級(jí)第二分類器Ci聯(lián)合起作用。以下將參照?qǐng)D6A來(lái)詳細(xì)描述聯(lián)合選擇特征的過(guò)程。如圖6A所示，在步驟S602中，可以基于訓(xùn)練樣本生成第三特征。在步驟S604，從訓(xùn)練樣本中隨機(jī)采樣出一部分訓(xùn)練樣本，計(jì)算初級(jí)第二分類器Ci(即，利用至少一部分第一特征訓(xùn)練的第二分類器)對(duì)訓(xùn)練樣本分類的困難程度，即計(jì)算初級(jí)第二分類器Ci在區(qū)分各個(gè)訓(xùn)練樣本時(shí)的困難程度，然后根據(jù)計(jì)算出的困難程度從訓(xùn)練樣本中刪除部分訓(xùn)練樣本。例如，可以刪除預(yù)定數(shù)目的困難程度較高的訓(xùn)練樣本。這樣做的原因在于，在隨機(jī)采樣的訓(xùn)練樣本中，可能有一些不正確的訓(xùn)練樣本，不正確的訓(xùn)練樣本往往表現(xiàn)為難以用分類器區(qū)分，因此根據(jù)困難程度來(lái)刪除部分訓(xùn)練樣本有助于刪除這些不正確的訓(xùn)練樣本。其中，初級(jí)第二分類器Ci可以對(duì)每個(gè)訓(xùn)練樣本給出一個(gè)分?jǐn)?shù)，因而可以由該分?jǐn)?shù)決定該訓(xùn)練樣本的困難程度。在步驟S606中，其中，根據(jù)第三特征與第一特征的集合(即，參考特征集合T)的相似性度量，以及第三特征在剩余的訓(xùn)練樣本上的類可分性度量中的至少一個(gè)，從第三特征中選擇預(yù)定數(shù)量的第三特征作為第二特征。此處，由于參考特征集合T是針對(duì)第一分類器選擇的，所以計(jì)算第三特征與第一特征的結(jié)合的相似性度量就相當(dāng)于第一分類器對(duì)選擇第二特征起一定作用。此外，由于在步驟S604中還考慮了初級(jí)第二分類器Ci在區(qū)分訓(xùn)練樣本的困難程度，所以計(jì)算困難程度就相當(dāng)于第二分類器對(duì)選擇第二特征起一定作用。關(guān)于類可分性度量的計(jì)算過(guò)程可以參考：IntroductiontoPatternRecognition4.7章，AMatlabApproach，作者為SergiosTheodoridis、AggelosPikrakis、KonstantinosKoutroumbas和DionisisCavouras。通過(guò)引用將該文獻(xiàn)的全部?jī)?nèi)容結(jié)合于此用于所有目的。在圖6A的聯(lián)合特征選擇過(guò)程中，需要計(jì)算第三特征與參考特征集合T的相似性度量。第一分類器和第二分類器可以使用不同的特征。假設(shè)第一分類器是離線通用目標(biāo)檢測(cè)器，第二分類器是在線特定目標(biāo)檢測(cè)器。離線通用目標(biāo)檢測(cè)器例如可以使用梯度直方圖特征(HOG)，而在線特征目標(biāo)檢測(cè)器例如可以使用灰度直方圖特征，如圖6B所示。如圖6B所示，子區(qū)域A的梯度特征在離線通用目標(biāo)檢測(cè)器被使用，相近子區(qū)域B的灰度特征在在線特定目標(biāo)檢測(cè)器被使用。這兩種特征均針對(duì)樣本圖像中的某個(gè)子區(qū)域進(jìn)行計(jì)算?？砂l(fā)現(xiàn)，如果一個(gè)子區(qū)域?qū)?yīng)的梯度特征在離線通用目標(biāo)檢測(cè)器中的權(quán)重較大，那么其對(duì)應(yīng)的灰度特征在在線特定目標(biāo)檢測(cè)器中的權(quán)重也可能較大。這是由于該區(qū)域往往對(duì)應(yīng)目標(biāo)的特定部分。以行人為例，樣本圖像中對(duì)應(yīng)軀干部分的梯度特征在離線通用目標(biāo)檢測(cè)器中起重要作用，而軀干部分的灰度特征則在在線特定目標(biāo)檢測(cè)器中起重要作用。另一方面，離線通用目標(biāo)檢測(cè)器擁有較多訓(xùn)練樣本，所選擇的子區(qū)域較準(zhǔn)確。而在線特定目標(biāo)檢測(cè)器的訓(xùn)練樣本則較少，所選擇的子區(qū)域不準(zhǔn)確。為了提高在線特定目標(biāo)檢測(cè)器的性能并減少過(guò)擬合問(wèn)題，將第三特征與參考特征集合T的空間相似性度量作為第三特征選擇的標(biāo)準(zhǔn)之一。該相似性衡量的是不同類型特征之間的空間和形狀的接近程度。以下是第三特征a與參考特征集合T的相似性度量θ的計(jì)算公式：其中a∩b表示特征a和b對(duì)應(yīng)子區(qū)域的交集的面積，而a∪b則表示相應(yīng)并集的面積，N≥1。以上過(guò)程可以進(jìn)行多次。例如，在步驟S608中，可以判斷步驟S604至步驟S606的過(guò)程是否已被重復(fù)預(yù)定次數(shù)(例如，N2次，N2為自然數(shù))。如果步驟S604至步驟S606的過(guò)程已重復(fù)預(yù)定次數(shù)，則前進(jìn)到步驟S610。如果步驟S604至步驟S606的過(guò)程還未重復(fù)預(yù)定次數(shù)，則返回到步驟S604， 重復(fù)步驟S604至步驟S406的過(guò)程。在步驟S610中，利用選擇出的第二特征進(jìn)一步訓(xùn)練初級(jí)第二分類器Ci。換句話說(shuō)，利用選擇出的第二特征基于初級(jí)第二分類器Ci進(jìn)行訓(xùn)練以得到次級(jí)第二分類器Cj。再次參考圖3，在步驟S306中，可以通過(guò)在步驟S610中訓(xùn)練出的次級(jí)第二分類器Cj進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類?？蛇x地，在步驟S306中，可以通過(guò)初級(jí)第二分類器Ci和次級(jí)第二分類器Cj的組合進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。例如，在分類的過(guò)程中，可以利用初級(jí)第二分類器Ci在目標(biāo)上的分值與次級(jí)第二分類器Cj在目標(biāo)上的分值的乘積、或者兩種分值的加權(quán)和來(lái)進(jìn)行分類。這樣做的優(yōu)勢(shì)在于能夠充分利用訓(xùn)練出的分類器，從而改進(jìn)分類性能。此外，如果利用第二特征訓(xùn)練出的次級(jí)第二分類器Cj存在過(guò)擬合的問(wèn)題，則通過(guò)利用初級(jí)第二分類器Ci和次級(jí)第二分類器Cj的組合，能夠減輕這種過(guò)擬合對(duì)分類結(jié)果的影響。以下參照?qǐng)D7和圖8來(lái)描述同時(shí)利用離線通用目標(biāo)檢測(cè)器、在線特定目標(biāo)檢測(cè)器和在線特定目標(biāo)組檢測(cè)器跟蹤視頻中的目標(biāo)的方法700。如圖7所示，在虛線框A中，將離線通用目標(biāo)檢測(cè)器當(dāng)作第一分類器，而將在線特定目標(biāo)檢測(cè)器當(dāng)作第二分類器。在虛線框B中，將在線特定目標(biāo)檢測(cè)器當(dāng)作第一分類器，而將在線特定目標(biāo)組分類器當(dāng)作第二分類器。在步驟S702中，可以通過(guò)離線通用目標(biāo)檢測(cè)器檢測(cè)視頻中的至少兩個(gè)目標(biāo)。換句話說(shuō)，通過(guò)離線通用目標(biāo)檢測(cè)器初步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類，將目標(biāo)與背景區(qū)分開，但是不一定識(shí)別和跟蹤特定的目標(biāo)。在步驟S704中，通過(guò)訓(xùn)練好的在線特定目標(biāo)檢測(cè)器跟蹤至少兩個(gè)目標(biāo)。也就是識(shí)別特定的目標(biāo)并跟蹤。在步驟S706中，可以判斷是否存在可能跟蹤錯(cuò)誤的情況。例如，可以將每個(gè)目標(biāo)分配一個(gè)特定的編號(hào)，如果存在多個(gè)目標(biāo)爭(zhēng)奪一個(gè)編號(hào)的情況，則判定可能存在跟蹤錯(cuò)誤的情況，如果不存在多個(gè)目標(biāo)爭(zhēng)奪一個(gè)編號(hào)的情況，則判定不存在跟蹤錯(cuò)誤的情況。跟蹤錯(cuò)誤往往是由于至少兩個(gè)目標(biāo)彼此接近達(dá)到一定距離而發(fā)生的。當(dāng)然也可以通過(guò)其他方式來(lái)判斷是否 可能出現(xiàn)跟蹤錯(cuò)誤，例如判斷兩個(gè)或者多個(gè)不同的目標(biāo)是否過(guò)于相互接近(例如其間的距離小于預(yù)定閾值)。如果在步驟S706中判定可能存在跟蹤錯(cuò)誤的情況，則前進(jìn)到步驟S708，否則結(jié)束流程。在步驟S708中，通過(guò)訓(xùn)練好的在線特定目標(biāo)組檢測(cè)器區(qū)分所述至少兩個(gè)目標(biāo)中的多個(gè)特定目標(biāo)。具體而言，在虛線框A中，將訓(xùn)練好的離線通用目標(biāo)檢測(cè)器作為第一分類器，將在線特定目標(biāo)檢測(cè)器作為第二分類器，進(jìn)行參照?qǐng)D3描述的步驟S302和S304、參照?qǐng)D4描述的特征篩選繼承過(guò)程、參照?qǐng)D5描述的架構(gòu)、以及參照?qǐng)D6A描述的聯(lián)合特征選擇過(guò)程訓(xùn)練在線特定目標(biāo)檢測(cè)器。在訓(xùn)練在線特定目標(biāo)檢測(cè)器時(shí)，所使用的樣本是離線通用目標(biāo)檢測(cè)器檢測(cè)出來(lái)的候選目標(biāo)。通過(guò)上述特征繼承和選擇過(guò)程訓(xùn)練的在線特定目標(biāo)檢測(cè)器能夠突出每一個(gè)目標(biāo)個(gè)體的特點(diǎn)，從而能夠更好地識(shí)別和跟蹤特定的目標(biāo)。在虛線框B中，將訓(xùn)練好的在線特定目標(biāo)檢測(cè)器作為第一分類器，將在線特定目標(biāo)組檢測(cè)器作為第二分類器，進(jìn)行參照?qǐng)D3描述的步驟S302和S304、參照?qǐng)D4描述的特征篩選繼承過(guò)程、參照?qǐng)D5描述的架構(gòu)、以及參照?qǐng)D6A描述的聯(lián)合特征選擇過(guò)程訓(xùn)練在線特定目標(biāo)組檢測(cè)器。在在線特定目標(biāo)組檢測(cè)器中，樣本為相互接近的一組特定目標(biāo)，在線特定目標(biāo)組檢測(cè)器的目的是區(qū)分這組特定目標(biāo)(即相當(dāng)于其中一個(gè)目標(biāo)以該組特定目標(biāo)中的其他目標(biāo)為背景)。通過(guò)上述特征繼承和選擇過(guò)程訓(xùn)練的在線特定目標(biāo)組檢測(cè)器能夠突出特定目標(biāo)組中的目標(biāo)之間的不同特征，從而能夠更好地區(qū)分相互接近的這組特定目標(biāo)中的每個(gè)目標(biāo)。由于針對(duì)在線特定目標(biāo)組檢測(cè)器選擇的特征能夠最優(yōu)地區(qū)分一組特定目標(biāo)，所以在線特定目標(biāo)組檢測(cè)器能夠區(qū)分位置上接近并且視覺(jué)上相似的一組特定目標(biāo)，從而能夠顯著降低跟蹤錯(cuò)誤的風(fēng)險(xiǎn)。其中，這組特定目標(biāo)的個(gè)數(shù)可以為2個(gè)、3個(gè)或小于總目標(biāo)個(gè)數(shù)的其他個(gè)數(shù)。以下參照?qǐng)D9來(lái)描述根據(jù)本發(fā)明的實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置900。如圖9所示，對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置900可以包括：第一分 類器902、第一訓(xùn)練模塊904和第二分類器906。第一分類器902可以初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。其中，第一分類器902是預(yù)先用第一特征訓(xùn)練的。例如，第一分類器902可以初步從視頻中檢測(cè)至少兩個(gè)目標(biāo)，進(jìn)一步而言，可以將視頻中的至少兩個(gè)目標(biāo)與背景區(qū)分開。具體而言，假如目標(biāo)是人，則第一分類器可以將視頻中的人與背景區(qū)分開。可以理解到，本文所提到的目標(biāo)例如也可以是動(dòng)物、汽車等其他物體?；蛘撸谝环诸惼?02也可以用于識(shí)別至少兩個(gè)目標(biāo)，從而可以初步地將視頻中的至少兩個(gè)目標(biāo)區(qū)分開。第一訓(xùn)練模塊904可以利用訓(xùn)練第一分類器902所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器906。換句話說(shuō)，第一訓(xùn)練模塊904可以繼承訓(xùn)練第一分類器902所用的第一特征，對(duì)第一特征進(jìn)行篩選，然后利用篩選出的這部分第一特征訓(xùn)練第二分類器906。訓(xùn)練好的第二分類器906可以進(jìn)一步進(jìn)行與至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。例如，訓(xùn)練好的第二分類器906可以對(duì)所述至少兩個(gè)目標(biāo)進(jìn)行更準(zhǔn)確的分類。仍以目標(biāo)是人為例，在第一分類器902已經(jīng)從視頻中檢測(cè)出作為目標(biāo)的人(即，將視頻中的人與背景區(qū)分開)的情況下，訓(xùn)練好的第二分類器906可以進(jìn)一步將檢測(cè)出的人分類。例如，第二分類器906可以跟蹤每個(gè)人即識(shí)別出特定的人，從而可以將每個(gè)人與特定編號(hào)聯(lián)系起來(lái)，然后將人與特定軌跡聯(lián)系起來(lái)?；蛘撸诘谝环诸惼?02用于識(shí)別至少兩個(gè)目標(biāo)的情況下，第二分類器906可以用于區(qū)分過(guò)于接近的、容易混淆的至少兩個(gè)目標(biāo)。以下參照?qǐng)D10來(lái)描述第一訓(xùn)練模塊904的配置。第一訓(xùn)練模塊904可以包括類可分性度量計(jì)算子模塊904-2、第一特征選擇子模塊904-4和第一訓(xùn)練子模塊904-6。類可分性度量計(jì)算子模塊904-2可以基于訓(xùn)練樣本計(jì)算每個(gè)第一特征的類可分性度量，其中，訓(xùn)練樣本可以選自第一分類器初步進(jìn)行與視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類所得到的候選目標(biāo)。具體地，類可分性度量 計(jì)算子模塊904-2可以將針對(duì)第一分類器選擇的第一特征作為參考特征集合T，然后計(jì)算參考特征集合T中的每一維度(即，每個(gè)第一特征)的類可分性度量。由于已參照?qǐng)D4描述了類可分性度量，因而為了簡(jiǎn)明起見，在此不再贅述。第一特征選擇子模塊904-4可以根據(jù)類可分性度量選擇至少一部分第一特征。換句話說(shuō)，第一特征選擇子模塊904-4可以根據(jù)類可分性度量從訓(xùn)練第一分類器902所用的第一特征中刪除一部分第一特征，例如，可以將類可分性度量最差的一維(即，類可分性度量最差的第一特征)刪除。然后，可以選擇剩余的第一特征。當(dāng)然，所刪除的數(shù)量不限于一，而可以刪除多個(gè)最差的第一特征。第一訓(xùn)練子模塊904-6可以利用至少一部分第一特征訓(xùn)練第二分類器906。可選地，第一訓(xùn)練模塊904還可以包括隨機(jī)采樣子模塊(未示出)，隨機(jī)采樣子模塊可以對(duì)訓(xùn)練樣本進(jìn)行隨機(jī)采樣。在這種情況下，類可分性度量計(jì)算子模塊904-2可以基于隨機(jī)采樣子模塊隨機(jī)采樣出的訓(xùn)練樣本計(jì)算每個(gè)第一特征的類可分性度量。由于選出的特征依賴于最初使用的訓(xùn)練樣本，因而如果不對(duì)訓(xùn)練樣本隨機(jī)采樣，則有最終得到的特征有可能過(guò)度地依賴于訓(xùn)練樣本，從而出現(xiàn)過(guò)擬合的問(wèn)題。通過(guò)對(duì)訓(xùn)練樣本進(jìn)行隨機(jī)采樣，可以避免發(fā)生過(guò)擬合。以下參照?qǐng)D11來(lái)描述根據(jù)本發(fā)明的另一實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置900’。如圖11所示，裝置900’與裝置900的區(qū)別在于，裝置900’還可以包括第二特征選擇模塊908和第二訓(xùn)練模塊910。第二特征選擇模塊908可以選擇第二特征。例如，第二特征選擇模塊908控制第一分類器902和第二分類器906聯(lián)合選擇第二特征。第二訓(xùn)練模塊910可以利用第二特征基于經(jīng)第一訓(xùn)練子模塊904-6訓(xùn)練的第二分類器進(jìn)行訓(xùn)練以得到經(jīng)第二特征訓(xùn)練的第二分類器。在這種情況下?？梢岳媒?jīng)第二訓(xùn)練模塊910訓(xùn)練的第二分類器進(jìn)一步進(jìn)行與至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類，或者利用經(jīng)所述至少一部分第一特征訓(xùn)練的第二分類器進(jìn)行與至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類，或者利用這兩者的組合進(jìn)行與 至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。以下參照?qǐng)D12來(lái)描述第二特征選擇模塊908的配置。如圖12所示，第二特征選擇模塊908可以包括第三特征生成子模塊908-2、困難程度計(jì)算子模塊908-4、訓(xùn)練樣本刪除子模塊908-6和第二特征選擇子模塊908-8。第三特征生成子模塊908-2可以基于訓(xùn)練樣本生成第三特征。困難程度計(jì)算子模塊908-4可以計(jì)算利用至少一部分第一特征訓(xùn)練的第二分類器對(duì)訓(xùn)練樣本分類的困難程度。訓(xùn)練樣本刪除子模塊908-6可以根據(jù)困難程度計(jì)算子模塊908-4計(jì)算出的困難程度從訓(xùn)練樣本中刪除部分訓(xùn)練樣本。第二特征選擇子模塊908-8根據(jù)第三特征與第一特征的集合的相似性度量、以及/或者第三特征在剩余的訓(xùn)練樣本上的類可分性度量，從第三特征中選擇預(yù)定數(shù)量的第三特征作為第二特征。以下參照?qǐng)D13來(lái)描述根據(jù)本發(fā)明的又一實(shí)施例的對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置900”。裝置900”與裝置900’的區(qū)別在于，裝置900”還可以包括在線特定目標(biāo)組檢測(cè)器912。第一分類器902在進(jìn)行分類時(shí)被具體化為離線通用目標(biāo)檢測(cè)器，用于檢測(cè)視頻中的至少兩個(gè)目標(biāo)。第二分類器906在進(jìn)行分類器是被具體化為在線特定目標(biāo)檢測(cè)器，用于跟蹤離線通用目標(biāo)檢測(cè)器檢測(cè)出的至少兩個(gè)目標(biāo)。在線特定目標(biāo)組檢測(cè)器912可以在至少兩個(gè)目標(biāo)中的一組特定目標(biāo)彼此接近(例如，接近達(dá)到閾值距離)時(shí)，區(qū)分這組特定目標(biāo)。其中，在訓(xùn)練在線特定目標(biāo)組檢測(cè)器912時(shí)，可以將在線特定目標(biāo)檢測(cè)器作為第一分類器，將在線特定目標(biāo)組檢測(cè)器912作為第二分類器。換句話說(shuō)，可以通過(guò)繼承并篩選訓(xùn)練在線特定目標(biāo)檢測(cè)器所用的特征來(lái)初步訓(xùn)練在線特定目標(biāo)組檢測(cè)器。附加地，還可以通過(guò)在線特定目標(biāo)檢測(cè)器和經(jīng)初步訓(xùn)練的在線特定目標(biāo)組檢測(cè)器聯(lián)合選擇特征，并用選擇出的特征訓(xùn)練經(jīng)初步訓(xùn)練的在線特定目標(biāo)組檢測(cè)器。在區(qū)分一組特定目標(biāo)時(shí)，可以利用經(jīng)初步訓(xùn)練的在線特定目標(biāo)組檢測(cè)器，或者可以利用經(jīng)聯(lián)合選擇出的特 征訓(xùn)練的在線特定目標(biāo)組檢測(cè)器，或者可以利用前兩者的組合。在參照?qǐng)D9描述的實(shí)施例中，第一分類器902可以是在線特定目標(biāo)檢測(cè)器，用于跟蹤視頻中的至少兩個(gè)目標(biāo)。第二分類器906可以是在線特定目標(biāo)組檢測(cè)器。在線特定目標(biāo)組檢測(cè)器可以在至少兩個(gè)目標(biāo)中的一組特定目標(biāo)彼此接近時(shí)，區(qū)分這組特定目標(biāo)。以上結(jié)合具體實(shí)施例描述了本發(fā)明的基本原理，但是，需要指出的是，對(duì)本領(lǐng)域的普通技術(shù)人員而言，能夠理解本發(fā)明的方法和裝置的全部或者任何步驟或者部件，可以在任何計(jì)算裝置(包括處理器、存儲(chǔ)介質(zhì)等)或者計(jì)算裝置的網(wǎng)絡(luò)中，以硬件、固件、軟件或者它們的組合加以實(shí)現(xiàn)，這是本領(lǐng)域普通技術(shù)人員在閱讀了本發(fā)明的說(shuō)明的情況下運(yùn)用他們的基本編程技能就能實(shí)現(xiàn)的。因此，本發(fā)明的目的還可以通過(guò)在任何計(jì)算裝置上運(yùn)行一個(gè)程序或者一組程序來(lái)實(shí)現(xiàn)。所述計(jì)算裝置可以是公知的通用裝置。因此，本發(fā)明的目的也可以僅僅通過(guò)提供包含實(shí)現(xiàn)所述方法或者裝置的程序代碼的程序產(chǎn)品來(lái)實(shí)現(xiàn)。也就是說(shuō)，這樣的程序產(chǎn)品也構(gòu)成本發(fā)明，并且存儲(chǔ)有這樣的程序產(chǎn)品的存儲(chǔ)介質(zhì)也構(gòu)成本發(fā)明。顯然，所述存儲(chǔ)介質(zhì)可以是任何公知的存儲(chǔ)介質(zhì)或者將來(lái)所開發(fā)出來(lái)的任何存儲(chǔ)介質(zhì)。在通過(guò)軟件和/或固件實(shí)現(xiàn)本發(fā)明的實(shí)施例的情況下，從存儲(chǔ)介質(zhì)或網(wǎng)絡(luò)向具有專用硬件結(jié)構(gòu)的計(jì)算機(jī)，例如圖14所示的通用計(jì)算機(jī)1400安裝構(gòu)成該軟件的程序，該計(jì)算機(jī)在安裝有各種程序時(shí)，能夠執(zhí)行各種功能等等。在圖14中，中央處理單元(CPU)1401根據(jù)只讀存儲(chǔ)器(ROM)1402中存儲(chǔ)的程序或從存儲(chǔ)部分1408加載到隨機(jī)存取存儲(chǔ)器(RAM)1403的程序執(zhí)行各種處理。在RAM1403中，也根據(jù)需要存儲(chǔ)當(dāng)CPU1401執(zhí)行各種處理等等時(shí)所需的數(shù)據(jù)。CPU1401、ROM1402和RAM1403經(jīng)由總線1404彼此鏈路。輸入/輸出接口1405也鏈路到總線1404。下述部件鏈路到輸入/輸出接口1405：輸入部分1406(包括鍵盤、鼠標(biāo)等等)、輸出部分1407(包括顯示器，比如陰極射線管(CRT)、液晶顯示器(LCD)等，和揚(yáng)聲器等)、存儲(chǔ)部分1408(包括硬盤等)、通信部分1409(包括網(wǎng)絡(luò)接口卡比如LAN卡、調(diào)制解調(diào)器等)。通信部分1409經(jīng)由網(wǎng)絡(luò)比如因特網(wǎng)執(zhí)行通信處理。根據(jù)需要，驅(qū)動(dòng)器1410也可鏈路到輸入/輸出接口1405。可拆卸介質(zhì)1411比如磁盤、光盤、磁光盤、半導(dǎo)體存 儲(chǔ)器等等根據(jù)需要被安裝在驅(qū)動(dòng)器1410上，使得從中讀出的計(jì)算機(jī)程序根據(jù)需要被安裝到存儲(chǔ)部分1408中。在通過(guò)軟件實(shí)現(xiàn)上述系列處理的情況下，從網(wǎng)絡(luò)比如因特網(wǎng)或存儲(chǔ)介質(zhì)比如可拆卸介質(zhì)1411安裝構(gòu)成軟件的程序。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，這種存儲(chǔ)介質(zhì)不局限于圖14所示的其中存儲(chǔ)有程序、與設(shè)備相分離地分發(fā)以向用戶提供程序的可拆卸介質(zhì)1411。可拆卸介質(zhì)1111的例子包含磁盤(包含軟盤(注冊(cè)商標(biāo)))、光盤(包含光盤只讀存儲(chǔ)器(CD-ROM)和數(shù)字通用盤(DVD))、磁光盤(包含迷你盤(MD)(注冊(cè)商標(biāo)))和半導(dǎo)體存儲(chǔ)器。或者，存儲(chǔ)介質(zhì)可以是ROM1402、存儲(chǔ)部分1408中包含的硬盤等等，其中存有程序，并且與包含它們的設(shè)備一起被分發(fā)給用戶。本發(fā)明還提出一種存儲(chǔ)有機(jī)器可讀取的指令代碼的程序產(chǎn)品。指令代碼由機(jī)器讀取并執(zhí)行時(shí)，可執(zhí)行上述根據(jù)本發(fā)明實(shí)施例的方法。相應(yīng)地，用于承載上述存儲(chǔ)有機(jī)器可讀取的指令代碼的程序產(chǎn)品的存儲(chǔ)介質(zhì)也包括在本發(fā)明的公開中。存儲(chǔ)介質(zhì)包括但不限于軟盤、光盤、磁光盤、存儲(chǔ)卡、存儲(chǔ)棒等。本領(lǐng)域的普通技術(shù)人員應(yīng)理解，在此所例舉的是示例性的，本發(fā)明并不局限于此。在本說(shuō)明書中，“第一”、“第二”以及“第N個(gè)”等表述是為了將所描述的特征在文字上區(qū)分開，以清楚地描述本發(fā)明。因此，不應(yīng)將其視為具有任何限定性的含義。作為一個(gè)示例，上述方法的各個(gè)步驟以及上述設(shè)備的各個(gè)組成模塊和/或單元可以實(shí)施為軟件、固件、硬件或其組合，并作為相應(yīng)設(shè)備中的一部分。上述裝置中各個(gè)組成模塊、單元通過(guò)軟件、固件、硬件或其組合的方式進(jìn)行配置時(shí)可使用的具體手段或方式為本領(lǐng)域技術(shù)人員所熟知，在此不再贅述。作為一個(gè)示例，在通過(guò)軟件或固件實(shí)現(xiàn)的情況下，可以從存儲(chǔ)介質(zhì)或網(wǎng)絡(luò)向具有專用硬件結(jié)構(gòu)的計(jì)算機(jī)(例如圖14所示的通用計(jì)算機(jī)1400)安裝構(gòu)成該軟件的程序，該計(jì)算機(jī)在安裝有各種程序時(shí)，能夠執(zhí)行各種功能等。在上面對(duì)本發(fā)明具體實(shí)施例的描述中，針對(duì)一種實(shí)施方式描述和/或示出的特征可以以相同或類似的方式在一個(gè)或更多個(gè)其他實(shí)施方式中使用， 與其他實(shí)施方式中的特征相組合，或替代其他實(shí)施方式中的特征。應(yīng)該強(qiáng)調(diào)，術(shù)語(yǔ)“包括/包含”在本文使用時(shí)指特征、要素、步驟或組件的存在，但并不排除一個(gè)或更多個(gè)其他特征、要素、步驟或組件的存在或附加。此外，本發(fā)明的方法不限于按照說(shuō)明書中描述的時(shí)間順序來(lái)執(zhí)行，也可以按照其他的時(shí)間順序地、并行地或獨(dú)立地執(zhí)行。因此，本說(shuō)明書中描述的方法的執(zhí)行順序不對(duì)本發(fā)明的技術(shù)范圍構(gòu)成限制。根據(jù)上面的說(shuō)明，可以看出描述了下面的附記。附記1.一種對(duì)視頻中的目標(biāo)進(jìn)行分類的方法，包括：通過(guò)第一分類器初步進(jìn)行與所述視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類；利用訓(xùn)練所述第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器；以及通過(guò)訓(xùn)練好的第二分類器進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。附記2.根據(jù)附記1所述的方法，其中，所述利用訓(xùn)練所述第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器的步驟包括：基于訓(xùn)練樣本計(jì)算每個(gè)所述第一特征的類可分性度量，其中，所述訓(xùn)練樣本選自所述第一分類器初步進(jìn)行與所述視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類所得到的候選目標(biāo)；根據(jù)所述類可分性度量選擇所述至少一部分第一特征；以及利用所述至少一部分第一特征訓(xùn)練所述第二分類器。附記3.根據(jù)附記1所述的方法，其中，在所述利用訓(xùn)練所述第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器之后，所述方法還包括：選擇第二特征；以及利用所述第二特征基于經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器訓(xùn)練得到經(jīng)所述第二特征訓(xùn)練的所述第二分類器；其中，所述通過(guò)訓(xùn)練好的第二分類器進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo) 相關(guān)聯(lián)的分類的步驟包括：通過(guò)經(jīng)所述第二特征訓(xùn)練的所述第二分類器和經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器之一或其組合進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。附記4.根據(jù)附記2所述的方法，其中，在所述利用訓(xùn)練所述第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器之后，所述方法還包括：選擇第二特征；以及利用所述第二特征基于經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器訓(xùn)練得到經(jīng)所述第二特征訓(xùn)練的所述第二分類器；其中，所述通過(guò)訓(xùn)練好的第二分類器進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類的步驟包括：通過(guò)經(jīng)所述第二特征訓(xùn)練的所述第二分類器和經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器之一或其組合進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。附記5.根據(jù)附記4所述的方法，其中，所述選擇第二特征的步驟包括：基于訓(xùn)練樣本生成第三特征；根據(jù)所述第三特征與所述第一特征的集合的相似性度量，以及所述第三特征在所述訓(xùn)練樣本上的類可分性度量中的至少一個(gè)，從所述第三特征中選擇預(yù)定數(shù)量的第三特征作為所述第二特征。附記6.根據(jù)附記5所述的方法，其中，在從所述第三特征中選擇預(yù)定數(shù)量的第三特征作為所述第二特征的步驟之前，還包括：計(jì)算利用所述至少一部分第一特征訓(xùn)練的第二分類器對(duì)所述訓(xùn)練樣本進(jìn)行分類的困難程度；根據(jù)所述困難程度從所述訓(xùn)練樣本中刪除部分訓(xùn)練樣本，其中，根據(jù)所述第三特征與所述第一特征的集合的相似性度量，以及所述第三特征在剩余的訓(xùn)練樣本上的類可分性度量中的至少一個(gè)，從所述第三特征中選擇預(yù)定數(shù)量的第三特征作為所述第二特征。附記7.根據(jù)附記1-6之一所述的方法，其中，所述第一分類器是離線通用目標(biāo)檢測(cè)器，而所述第二分類器是在線特定目標(biāo)檢測(cè)器，所述通過(guò)第一分類器初步進(jìn)行與所述視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類的步驟包括：通過(guò)所述離線通用目標(biāo)檢測(cè)器檢測(cè)所述視頻中的所述至少兩個(gè)目標(biāo)；并且所述通過(guò)訓(xùn)練好的第二分類器進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類的步驟包括：通過(guò)訓(xùn)練好的在線特定目標(biāo)檢測(cè)器跟蹤所述至少兩個(gè)目標(biāo)。附記8.根據(jù)附記7所述的方法，還包括：在所述至少兩個(gè)目標(biāo)中的多個(gè)目標(biāo)彼此接近時(shí)，重新將所述訓(xùn)練好的在線特定目標(biāo)檢測(cè)器作為第一分類器，將在線特定目標(biāo)組檢測(cè)器作為第二分類器，訓(xùn)練在線特定目標(biāo)組檢測(cè)器；以及通過(guò)訓(xùn)練好的在線特定目標(biāo)組檢測(cè)器區(qū)分所述多個(gè)目標(biāo)。附記9.根據(jù)附記1-6之一所述的方法，其中，所述第一分類器是在線特定目標(biāo)檢測(cè)器，而所述第二分類器是在線特定目標(biāo)組檢測(cè)器，所述通過(guò)第一分類器初步進(jìn)行與所述視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類的步驟包括：通過(guò)所述在線特定目標(biāo)檢測(cè)器跟蹤所述視頻中的所述至少兩個(gè)目標(biāo)；并且所述通過(guò)訓(xùn)練好的第二分類器進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類的步驟包括：在所述至少兩個(gè)目標(biāo)中的多個(gè)目標(biāo)彼此接近時(shí)，通過(guò)訓(xùn)練好的在線特定目標(biāo)組檢測(cè)器區(qū)分所述多個(gè)目標(biāo)。附記10.根據(jù)附記8或9所述的方法，其中，所述多個(gè)目標(biāo)是兩個(gè)目標(biāo)。附記11.一種對(duì)視頻中的目標(biāo)進(jìn)行分類的裝置，包括：第一分類器，用于初步進(jìn)行與所述視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類；第一訓(xùn)練模塊，被配置用于利用訓(xùn)練所述第一分類器所用的第一特征中的至少一部分第一特征來(lái)訓(xùn)練第二分類器；以及所述第二分類器，用于進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。附記12.根據(jù)附記11所述的裝置，其中，所述第一訓(xùn)練模塊包括：類可分性度量計(jì)算子模塊，被配置用于基于訓(xùn)練樣本計(jì)算每個(gè)所述第一特征的類可分性度量，其中，所述訓(xùn)練樣本選自所述第一分類器初步進(jìn)行與所述視頻中的至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類所得到的候選目標(biāo)；第一特征選擇子模塊，被配置用于根據(jù)所述類可分性度量選擇所述至少一部分第一特征；以及第一訓(xùn)練子模塊，被配置用于利用所述至少一部分第一特征訓(xùn)練所述第二分類器。附記13.根據(jù)附記11所述的裝置，還包括：第二特征選擇模塊，被配置用于選擇第二特征；以及第二訓(xùn)練模塊，被配置用于利用所述第二特征基于經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器訓(xùn)練得到經(jīng)所述第二特征訓(xùn)練的所述第二分類器；其中，經(jīng)所述第二特征訓(xùn)練的所述第二分類器和經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器之一或其組合進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。附記14.根據(jù)附記12所述的裝置，還包括：第二特征選擇模塊，被配置用于選擇第二特征；以及第二訓(xùn)練模塊，被配置用于利用所述第二特征基于經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器訓(xùn)練得到經(jīng)所述第二特征訓(xùn)練的所述第二分類器；其中，經(jīng)所述第二特征訓(xùn)練的所述第二分類器和經(jīng)所述至少一部分第一特征訓(xùn)練的所述第二分類器之一或其組合進(jìn)一步進(jìn)行與所述至少兩個(gè)目標(biāo)相關(guān)聯(lián)的分類。附記15.根據(jù)附記14所述的裝置，其中，所述第二特征選擇模塊包括：第三特征生成子模塊，被配置用于基于訓(xùn)練樣本生成第三特征；第二特征選擇子模塊，被配置用于根據(jù)以下兩項(xiàng)中的至少一項(xiàng)從所述第三特征中選擇預(yù)定數(shù)量的第三特征作為所述第二特征：所述第三特征與所述第一特征的集合的相似性度量，以及所述第三特征在所述訓(xùn)練樣本上的類可分性度量。附記16.根據(jù)附記15所述的裝置，其中，所述第二特征選擇模塊還包括：困難程度計(jì)算子模塊，被配置用于計(jì)算利用所述至少一部分第一特征訓(xùn)練的第二分類器對(duì)所述訓(xùn)練樣本進(jìn)行分類的困難程度；訓(xùn)練樣本刪除子模塊，被配置用于根據(jù)所述困難程度從所述訓(xùn)練樣本中刪除部分訓(xùn)練樣本，其中，第二特征選擇子模塊被配置用于根據(jù)以下兩項(xiàng)中的至少一項(xiàng)從所述第三特征中選擇預(yù)定數(shù)量的第三特征作為所述第二特征：所述第三特征與所述第一特征的集合的相似性度量，以及所述第三特征在經(jīng)所述訓(xùn)練樣本刪除子模塊刪除后剩余的訓(xùn)練樣本上的類可分性度量。附記17.根據(jù)附記11-16之一所述的裝置，其中：所述第一分類器為離線通用目標(biāo)檢測(cè)器，用于檢測(cè)所述視頻中的所述至少兩個(gè)目標(biāo)；所述第二分類器為在線特定目標(biāo)檢測(cè)器，用于跟蹤所述至少兩個(gè)目標(biāo)。附記18.根據(jù)附記17所述的裝置，還包括，在線特定目標(biāo)組檢測(cè)器，用于在所述至少兩個(gè)目標(biāo)中的多個(gè)目標(biāo)彼此接近時(shí)，區(qū)分所述多個(gè)目標(biāo)；其中，在訓(xùn)練所述在線特定目標(biāo)組檢測(cè)器時(shí)，將所述在線特定目標(biāo)檢測(cè)器作為所述第一分類器，將所述在線特定目標(biāo)組檢測(cè)器作為所述第二分類器。附記19.根據(jù)附記11-16之一所述的裝置，其中，所述第一分類器為在線特定目標(biāo)檢測(cè)器，用于跟蹤所述視頻中的所述至少兩個(gè)目標(biāo)；所述第二分類器為在線特定目標(biāo)組檢測(cè)器，用于在所述至少兩個(gè)目標(biāo)中的多個(gè)目標(biāo)彼此接近時(shí)，區(qū)分所述多個(gè)目標(biāo)。附記20.根據(jù)附記18或19所述的裝置，其中，所述多個(gè)目標(biāo)是兩個(gè)目標(biāo)。