專利名稱：學(xué)習(xí)裝置、學(xué)習(xí)方法和程序的制作方法
技術(shù)領(lǐng)域：
本技術(shù)涉及學(xué)習(xí)裝置、學(xué)習(xí)方法和程序，更具體地，涉及能夠以更高速度獲得高度精確的分類器的學(xué)習(xí)裝置、學(xué)習(xí)方法和程序。
背景技術(shù)：
盡管例如在多類別對象識別器(諸如，手部形狀檢測器)的學(xué)習(xí)中需要大量手部形狀的學(xué)習(xí)圖像，但是在使用大量學(xué)習(xí)圖像的情況下，學(xué)習(xí)是耗時的。已提出了能夠使用先前獲得的知識縮短學(xué)習(xí)時間的遷移學(xué)習(xí)(例如，參見L. Torrey和J. Shavlik, “TransferLearning, ” 在 E. Soria, J. Martin, R. Magdalena, M. Martinez 和 A. Serrano 作為編輯的Handbook of Research on Machine Learning Applications, IGI Global 2009 中;以及Sinno Jialin Pan和Qiang Yang,uK Survey on Transfer Learning,，’IEEE Transactionson Knowledge and Data Engineering, Vol. 22, No. 10, pp 1345 至 1359，2010 年 10 月)。
另外，近年來，已提出了使用遷移學(xué)習(xí)的對象識別系統(tǒng)(例如，參見L. Fei-Fei, R.Fergus 和 P. Perona, uOne-Shot learning of object categories, ”IEEE Trans.Pattern Analysis and Machine Intelligence, Vol. 28, No. 4, pp 594to 611,2006;E.Bart, S. Ullman, “Cross-generalization:learning novel classes from a singleexample by feature replacement, ” 在 Proc. CVPR, 2005 中；以及 M. Stark, M. Goesele 和B.Schiele, “AShape-Based Object Class Model for Knowledge Transfer,，，第12 屆 IEEEInternational Conference on Computer Vision (ICCV), 2009,京都，日本(2009))。在這些對象識別系統(tǒng)中，對象由小部分表現(xiàn)，并且學(xué)習(xí)這些部分的表現(xiàn)和位置的分布并通過遷移已知類別的分布來學(xué)習(xí)未知的類別。另外，對象識別系統(tǒng)使用貝葉斯估計的框架，并且關(guān)注對一個或多個樣本或少量樣本的學(xué)習(xí)。

發(fā)明內(nèi)容
然而，如果在真實世界中不存在許多用于魯棒對象檢測的學(xué)習(xí)樣本，則不能獲得充分的性能。期望以更高的速度獲得高度精確的分類器。根據(jù)本實施例，提供了一種學(xué)習(xí)裝置，包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中，多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含檢測目標(biāo)的學(xué)習(xí)圖像；弱分類計算單元，用于針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)該弱分類器的檢測目標(biāo)的分類結(jié)果，其中該遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測檢測目標(biāo)的分類器；以及分類器生成單元，用于使用基于分類結(jié)果從多個弱分類器選擇的弱分類器來生成用于檢測該檢測目標(biāo)的分類器。學(xué)習(xí)裝置還可包括權(quán)重設(shè)置單元，用于基于分類結(jié)果設(shè)置學(xué)習(xí)圖像的權(quán)重；以及誤差率計算單元，用于基于權(quán)重和根據(jù)弱分類器的各學(xué)習(xí)圖像的分類結(jié)果而計算弱分類器的誤差率，其中，分類器生成單元基于誤差率選擇弱分類器。分類器生成單元所生成的分類器可用于多類別對象識別。分類器生成單元所生成的分類器是構(gòu)成樹結(jié)構(gòu)分類器的分類器，并且遷移分類器是構(gòu)成樹結(jié)構(gòu)分類器的葉子的分類器。根據(jù)本技術(shù)的第一方面的學(xué)習(xí)方法或程序包括以下步驟針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點中提取特征量，其中，多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含檢測目標(biāo)的學(xué)習(xí)圖像；針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)該弱分類器的檢測目標(biāo)的分類結(jié)果，其中該遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測檢測目標(biāo)的分類器；以及使用基于分類結(jié)果從多個弱分類器選擇的弱分類器來檢測該檢測目標(biāo)，該學(xué)習(xí)方法包括通過特征量提取單元從學(xué)習(xí)圖像中提取特征量；以及通過弱分類計算單元計算分類結(jié)果，并且通過分類器生成單元生成分類器。
根據(jù)本技術(shù)的第一方面，提供了一種學(xué)習(xí)裝置，包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中，多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含檢測目標(biāo)的學(xué)習(xí)圖像；弱分類計算單元，用于針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)該弱分類器的檢測目標(biāo)的分類結(jié)果，其中該遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測檢測目標(biāo)的分類器；以及分類器生成單元，用于使用基于分類結(jié)果從多個弱分類器選擇的弱分類器來生成用于檢測該檢測目標(biāo)的分類器，通過特征量提取單元從學(xué)習(xí)圖像中提取特征量；通過弱分類計算單元計算分類結(jié)果；以及通過分類器生成單元生成分類器。根據(jù)本技術(shù)的第二方面，提供了一種學(xué)習(xí)裝置，包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點中提取特征量，其中，多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含檢測目標(biāo)的學(xué)習(xí)圖像；弱分類計算單元，用于針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)該弱分類器的檢測目標(biāo)的分類結(jié)果，其中該遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測該檢測目標(biāo)的分類器；以及分類器生成單元，用于使用基于分類結(jié)果從多個弱分類器中選擇的弱分類器來生成用于檢測該檢測目標(biāo)的分類器，通過特征量提取單元從學(xué)習(xí)圖像中提取特征量；通過弱分類計算單元計算分類結(jié)果；以及通過分類器生成單元生成分類器。學(xué)習(xí)裝置還可包括權(quán)重設(shè)置單元，用于基于分類結(jié)果設(shè)置學(xué)習(xí)圖像的權(quán)重；以及誤差率計算單元，用于基于權(quán)重和根據(jù)弱分類器的各學(xué)習(xí)圖像的分類結(jié)果而計算弱分類器的誤差率。分類器生成單元基于誤差率選擇弱分類器。分類器生成單元所生成的分類器用于多類別對象識別。分類器生成單元所生成的分類器是構(gòu)成樹結(jié)構(gòu)分類器的分類器，并且遷移分類器是構(gòu)成樹結(jié)構(gòu)分類器的葉子的分類器。一種用在學(xué)習(xí)裝置中的學(xué)習(xí)方法，其中，該學(xué)習(xí)裝置包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中，多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含檢測目標(biāo)的學(xué)習(xí)圖像；弱分類器設(shè)置單元，用于基于學(xué)習(xí)圖像以及在從學(xué)習(xí)圖像提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特征量，生成弱分類器，其中該遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測該檢測目標(biāo)的分類器；弱分類計算單元，用于通過將與弱分類器對應(yīng)的特征量代入弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)該弱分類器的檢測目標(biāo)的分類結(jié)果；以及分類器生成單元，用于使用基于分類結(jié)果從多個弱分類器中選擇的弱分類器來生成用于檢測該檢測目標(biāo)的分類器。
根據(jù)本技術(shù)的第二方面，提供了一種程序，該程序用于使計算機執(zhí)行以下步驟針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中，多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含檢測目標(biāo)的學(xué)習(xí)圖像；基于學(xué)習(xí)圖像以及在從學(xué)習(xí)圖像提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特 征量，生成弱分類器，其中該遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測該檢測目標(biāo)的分類器；通過將與弱分類器對應(yīng)的特征量代入弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)該弱分類器的檢測目標(biāo)的分類結(jié)果；以及使用基于分類結(jié)果從多個弱分類器中選擇的弱分類器來生成用于檢測該檢測目標(biāo)的分類器。根據(jù)如上所述的本技術(shù)的第一和第二實施例，可以以更高速度獲得高度精確的分類器。


圖I是示出本技術(shù)的概述的圖；圖2是示出通過參數(shù)的遷移進行的學(xué)習(xí)的圖；圖3是示出通過特征量的遷移進行的學(xué)習(xí)的圖；圖4是示出手部形狀分類系統(tǒng)的實施例的配置示例的圖；圖5是示出分類器生成單元的配置示例的圖；圖6是示出遷移學(xué)習(xí)處理的流程圖；圖7是示出通過參數(shù)的遷移進行的學(xué)習(xí)的效果的圖；圖8是示出分類處理的流程圖；圖9是示出學(xué)習(xí)裝置的另一配置示例的圖；圖10是示出分類器生成單元的配置示例的圖；圖11是示出遷移學(xué)習(xí)處理的流程圖；圖12是示出分類器的設(shè)置的圖；圖13是示出分類器的設(shè)置的圖；圖14是示出通過特征量的遷移進行的學(xué)習(xí)的效果的圖；圖15是示出樹結(jié)構(gòu)分類器的圖；圖16是示出識別裝置的配置示例的圖；圖17是示出分類處理的流程圖；以及圖18是示出計算機的配置示例的圖。
具體實施例方式下文中，將參照附圖詳細描述本技術(shù)的優(yōu)選實施例。應(yīng)注意，在本說明書和附圖中，具有基本上相同的功能和結(jié)構(gòu)的結(jié)構(gòu)元件以相同的附圖標(biāo)記表示，并且省略對這些結(jié)構(gòu)元件的重復(fù)說明。下文中，將參照附圖描述應(yīng)用了本技術(shù)的實施例。(本技術(shù)的概述)本技術(shù)旨在根據(jù)基于增強(boosting)的遷移學(xué)習(xí)生成要用于識別檢測目標(biāo)的對象的分類器。盡管檢測目標(biāo)的對象可以是諸如人或面部的任何對象，但是下文中將描述檢測目標(biāo)是人的手部(具體地，具有預(yù)定形狀的手部 )的示例。例如，多形狀手部檢測是圖像識別人物中的難題。由于圖案(手部外觀)在根據(jù)手形變化的圖像上變化很大，因此，難以對每個手形類別建模。另外，作為圖像識別中的一般問題，在真實世界中難以根據(jù)照明變化或部分隱蔽、視點變化、背景復(fù)雜度等執(zhí)行魯棒識另IJ。另外，應(yīng)該提供許多學(xué)習(xí)樣本以處理許多形狀。例如，如圖I所示，根據(jù)本技術(shù)的手部形狀檢測的遷移學(xué)習(xí)旨在使用已通過學(xué)習(xí)所獲得的知識來新學(xué)習(xí)其他手部形狀，并且可用于多形狀手部檢測等。例如，如箭頭All所示，假設(shè)用在石頭剪刀布游戲中的石頭、剪刀和布的手部形狀的分類器已使用并學(xué)習(xí)了大量學(xué)習(xí)樣本。這里，石頭是全部手指縮回的手部狀態(tài)。剪刀是食指和中指伸開而其余手指縮回的手部狀態(tài)。布是全部手指伸開的手部狀態(tài)。如果存在用于檢測如上所述的一些手部形狀的分類器，則已獲得的手部形狀的分類器用于學(xué)習(xí)何時通過學(xué)習(xí)獲得用于檢測手部形狀(例如，僅食指伸開的指向手形狀)的分類器。S卩，使用石頭、剪刀和布的手部形狀的分類器和用于學(xué)習(xí)由箭頭A12表示的指向手形狀的圖像來執(zhí)行基于增強的遷移學(xué)習(xí)。生成用于檢測由箭頭A13表示的指向手形狀的分類器。這里，已獲得的分類器的檢測目標(biāo)和新生成的分類器的檢測目標(biāo)是同一對象(手部)，并且僅對象的狀態(tài)(諸如，這些分類器所檢測到的手部的形狀或方向)不同。例如，在石頭和指向手形狀中，僅伸開的食指部分不同，并且許多其他部分(諸如，縮回的手指部分)具有類似形狀。如果通過學(xué)習(xí)石頭的手部形狀的分類器而獲得的知識用于學(xué)習(xí)指向手形狀的分類器，則可以以更高速度獲得高度精確的分類器。如上所述所獲得的分類器包括多個弱分類器。例如，弱分類器是如下函數(shù)如果如以下表達式(I)所示的那樣代入從圖像的預(yù)定區(qū)域提取的特征量，則其輸出預(yù)定區(qū)域是否很可能是檢測目標(biāo)的確定結(jié)果。fn(x) =anX g (x>thwn) +bn. . . (I)在表達式(I)中，曰11和比是常數(shù)。另外，g(x>thwn)是如下函數(shù)如果特征量X大于閾值thwn，則輸出表示預(yù)定區(qū)域很可能是檢測目標(biāo)的數(shù)值“1”，而如果特征量X小于或等于閾值thwn，則輸出表示預(yù)定區(qū)域不可能是檢測目標(biāo)的數(shù)值“O”。因此，如果fn(x)=an+bn，則確定預(yù)定區(qū)域很可能是檢測目標(biāo)，而如果fn(x) =bn，則確定預(yù)定區(qū)域不可能是檢測目標(biāo)。例如通過以下表達式(2)表示包括如上所述的弱分類器fn(x)的分類器F(X)。F(x)= E fn (x). . . (2)S卩，分類器F(x)是N個弱分類器A(X) Mfn(x)的和。另外，如果分類器F(X)的輸出值大于預(yù)定閾值th，則確定檢測目標(biāo)存在于圖像中，而如果分類器F(X)小于或等于預(yù)定閾值th，則確定檢測目標(biāo)不在圖像中。當(dāng)使用其他已獲得的分類器、通過基于增強的遷移學(xué)習(xí)生成新分類器F(X)時，考慮以下兩種技術(shù)。(技術(shù)I)通過遷移來自其他分類器的參數(shù)進行學(xué)習(xí)的技術(shù)(技術(shù)2)通過遷移來自其他分類器的特征量進行學(xué)習(xí)的技術(shù)例如，在技術(shù)I中通過遷移參數(shù)進行學(xué)習(xí)時，如圖2所示，指向手檢測分類器F13由已通過學(xué)習(xí)獲得的、構(gòu)成石頭檢測分類器Fll的弱分類器和構(gòu)成剪刀檢測分類器F12的弱分類器生成。在圖2的示例中，分類器Fll包括四個弱分類器Hl至fl4，以及分類器F12包括四個弱分類器H5至f 18。在遷移學(xué)習(xí)中，從這八個弱分類器f 11至f 18當(dāng)中選擇適用于檢 測指向手形狀的一些弱分類器，并且將所選擇的弱分類器線性耦合成為分類器F13。這里，分類器F13包括四個弱分類器fll、fl3、fl7和fl8。例如，構(gòu)成分類器F13的弱分類器fll是構(gòu)成石頭檢測分類器Fll的弱分類器當(dāng)中、使用從石頭的縮回的小指的一部分提取的特征量來確定石頭可能性的弱分類器。另外，例如，構(gòu)成分類器F13的弱分類器f 17成為構(gòu)成剪刀檢測分類器F12的弱分類器當(dāng)中、使用從剪刀的伸開的食指的一部分提取的特征量來確定剪刀可能性的弱分類器。如上所述，如果適當(dāng)?shù)亟M合如下弱分類器，則可以更容易地獲得高度精確的分類器其確定對于新生成的弱分類器的檢測目標(biāo)共同(類似)的部位(諸如，縮回的小指的部分和伸開的食指的部分)的檢測目標(biāo)可能性?；谠鰪姷膶W(xué)習(xí)是通過收集作為弱分類器的多個分類器(其單獨時是弱的)來配置一個強分類器的學(xué)習(xí)方法，并且通過學(xué)習(xí)所獲得的分類器可優(yōu)選地用于快速對象檢測系統(tǒng)。上述增強被稱為自適應(yīng)增強(AdaBoost)。另外，例如在Paul Viola&MichaelJones’， “Robust real-time Object Detection, ’’International Journal of ComputerVision 2001中詳細描述了基于增強的學(xué)習(xí)。另一方面，在上述技術(shù)2中對特征量進行遷移的學(xué)習(xí)中，執(zhí)行如下學(xué)習(xí)如圖3所示，使用已通過學(xué)習(xí)所獲得的、構(gòu)成石頭檢測分類器F21的弱分類器的特征量和構(gòu)成剪刀檢測分類器F22的弱分類器的特征量。S卩，分類器F21包括四個弱分類器。分類器F21從圖像中提取特征量til至tl4，并且這些特征量til至tl4被代入弱分類器中。另外，分類器F22包括四個弱分類器。分類器F22從圖像中提取特征量tl5至tl8，并且這些特征量tl5至tl8被代入弱分類器中。在指向手形狀分類器F23的遷移學(xué)習(xí)中，從八個特征量til至tl8當(dāng)中選擇適用于檢測指向手形狀的一些特征量，并且根據(jù)所選擇的特征量生成弱分類器。即，使用適用于檢測指向手形狀的特征量，以使得重新學(xué)習(xí)構(gòu)成弱分類器的參數(shù)，諸如，表達式(I)的常數(shù)an和bn以及閾值thwn。在圖3的不例中，選擇特征量tll、tl6、tl3和tl8,并且根據(jù)這些特征量生成弱分類器f21至f24。具體地，例如，在作為用在學(xué)習(xí)中的樣本的多個學(xué)習(xí)圖像中，以與提取特征量til的方法相同的方法從與特征量til的提取位置相同的位置提取特征量，并且使用所提取的特征量生成弱分類器f21。S卩，更詳細地，特征量til表示適用于檢測指向手形狀的特征量的提取位置和提取方法。如果基于所選擇的特征量獲得弱分類器f21至f24，則這些弱分類器線性耦合成為分類器F23。在圖3所示的遷移學(xué)習(xí)中，使用代入已獲得的其他分類器的弱分類器中的特征量當(dāng)中適用于檢測指向手形狀的提取位置和提取方法的特征量來生成新的分類器。接下來，將按技術(shù)I的參數(shù)遷移學(xué)習(xí)和技術(shù)2的特征量遷移學(xué)習(xí)的順序描述具體實施例。<第一實施例>[手形分類系統(tǒng)的配置示例]圖4是示出當(dāng)執(zhí)行技術(shù)I的參數(shù)遷移學(xué)習(xí)時手形分類系統(tǒng)的實施例的配置示例的圖。手形分類系統(tǒng)包括學(xué)習(xí)裝置11、分類器記錄單元12和識別裝置13，并且從輸入圖像檢測作為檢測目標(biāo)(目標(biāo)對象)的具有特定形狀的手部。
·
學(xué)習(xí)裝置11在執(zhí)行基于輸入學(xué)習(xí)圖像在識別裝置13中對圖像上的檢測目標(biāo)的存在/不存在進行分類的處理時被使用，生成分類特征量和分類器，并且使得分類器記錄單元12記錄所生成的特征量和分類器。識別裝置13使用記錄在分類器記錄單元12上的分類特征量和分類器來對輸入圖像中是否存在檢測目標(biāo)進行分類。學(xué)習(xí)裝置11包括特征點提取單元21、特征量計算單元22、獲取單元23和分類器生成單元24。特征點提取單元21從輸入學(xué)習(xí)圖像中提取在生成分類器時要使用的特征點，并且向特征量計算單元22提供所提取的特征點和學(xué)習(xí)圖像。特征量計算單元22基于來自特征點提取單元21的學(xué)習(xí)圖像計算各特征點的特征量，并且向分類器生成單元24提供所算出的特征量和學(xué)習(xí)圖像。獲取單元23從外部裝置等獲取如下的一些分類器(下文中，稱為遷移分類器)，并且將所獲取的分類器提供給分類器生成單元24 :其與用作與當(dāng)前生成的分類器的檢測目標(biāo)相同的檢測目標(biāo)的對象相關(guān)，而與用作檢測目標(biāo)的對象的不同狀態(tài)無關(guān)。分類器生成單元24基于從特征量計算單元22提供的學(xué)習(xí)圖像和特征量以及從獲取單元23提供的遷移分類器，執(zhí)行例如基于增強的遷移學(xué)習(xí)以生成對檢測目標(biāo)進行分類的分類器。另外，通過將在使用所生成的分類器對檢測目標(biāo)進行分類時要使用的特征點的特征量指定為分類特征量，分類器生成單元24向分類器記錄單元12提供分類器和分類特征量，并且使得分類器記錄單元12記錄分類器和分類特征量。另外，識別裝置13包括特征點提取單元31、特征量計算單元32、分類計算單元33和分類結(jié)果輸出單元34。由于識別裝置13的特征點提取單元31和特征量計算單元32執(zhí)行與學(xué)習(xí)裝置11的特征點提取單元21和特征量計算單元22相同的處理，因此，省略對其描述。分類計算單元33讀取記錄在分類器記錄單元12上的分類特征量和分類器。另外，分類計算單元33通過將在來自特征量計算單元32的特征量當(dāng)中與分類特征量對應(yīng)的特征量代入所讀取的分類器中來執(zhí)行計算，并且將其計算結(jié)果提供給分類結(jié)果輸出單元34。分類結(jié)果輸出單元34基于來自分類計算單元33的計算結(jié)果輸出是否從輸入圖像中檢測到檢測目標(biāo)的分類結(jié)果。[分類器生成單元的配置示例]
另外，圖4的分類器生成單元24更詳細地如圖5所示那樣配置。分類器生成單元24包括弱分類計算單元61、誤差率計算單元62、分類器更新單元63和權(quán)重設(shè)置單兀64。對于構(gòu)成來自獲取單元23的遷移分類器的各弱分類器，弱分類計算單元61將從由特征量計算單元22提供的學(xué)習(xí)圖像的特征點提取的特征量代入弱分類器中，并且確定弱分類器是否已識別出檢測目標(biāo)。誤差率計算單元62基于從弱分類計算單元61提供的每個弱分類器的計算結(jié)果、添加到來自特征量計算單元22的學(xué)習(xí)圖像的標(biāo)記以及來自權(quán)重設(shè)置單元64的用于每個學(xué)習(xí)圖像的權(quán)重而計算各弱分類器對檢測目標(biāo)的識別的誤差率。假設(shè)表示檢測目標(biāo)是否包括在學(xué)習(xí)圖像中的標(biāo)記被添加到學(xué)習(xí)圖像。例如，如果檢測目標(biāo)包括在學(xué)習(xí)圖像中，則將標(biāo)記作為“ I”添加到學(xué)習(xí)圖像，而如果檢測目標(biāo)不包括在學(xué)習(xí)圖像中，則將標(biāo)記作為“-I”添加到學(xué)習(xí)圖像。
分類器更新單元63在構(gòu)成遷移分類器的弱分類器當(dāng)中選擇具有誤差率計算單元62所算出的最低誤差率的一些弱分類器，生成包括所選擇的弱分類器的分類器，并且將所生成的分類器和分類特征量提供給分類器記錄單元12。另外，分類器更新單元63基于所選擇的弱分類器的誤差率計算可靠度，并且將所算出的可靠度提供給權(quán)重設(shè)置單元64。權(quán)重設(shè)置單元64基于來自分類器更新單元63的可靠度而更新每幅學(xué)習(xí)圖像的權(quán)重，并且將更新后的權(quán)重提供給誤差率計算單元62。[遷移學(xué)習(xí)處理的描述]接下來，將參照圖6的流程圖描述學(xué)習(xí)裝置11的遷移學(xué)習(xí)處理。如果將包括檢測目標(biāo)的學(xué)習(xí)圖像和不包括檢測目標(biāo)的學(xué)習(xí)圖像提供給學(xué)習(xí)裝置11并生成分類器生成指令，則遷移學(xué)習(xí)處理開始。即，添加有標(biāo)記“ I ”的多幅學(xué)習(xí)圖像和添加有標(biāo)記“-I ”的多幅學(xué)習(xí)圖像被提供給學(xué)習(xí)裝置11。在步驟Sll中，獲取單元23獲取多個遷移分類器，并且將所獲取的遷移分類器提供給分類器生成單元24的弱分類計算單元61。例如，如果此后生成用于識別具有指向形狀的手部的分類器，則獲取通過諸如AdaBoost的統(tǒng)計學(xué)習(xí)而生成的石頭分類器或剪刀分類器作為遷移分類器。在步驟S12中，特征點提取單元21針對所提供的每幅學(xué)習(xí)圖像來提取一些位置(像素)作為學(xué)習(xí)圖像上的特征點，并且向特征量計算單元22提供所提取的特征點和學(xué)習(xí)圖像。在步驟S13中，特征量計算單元22基于從特征點提取單元21提供的學(xué)習(xí)圖像和特征點計算特征量。例如，特征量計算單元22使用諸如矩形濾波器的濾波器來針對學(xué)習(xí)圖像上的特征點執(zhí)行濾波操作，并且指定其濾波結(jié)果作為在特征點處的特征量。特征量計算單元22針對每幅學(xué)習(xí)圖像來計算學(xué)習(xí)圖像上的每個特征點的特征量，將每個特征點的特征量提供給弱分類計算單元61，并且將學(xué)習(xí)圖像提供給誤差率計算單元62。在步驟S14中，權(quán)重設(shè)置單元64初始化用于每幅學(xué)習(xí)圖像的權(quán)重。例如，如果提供了 M幅學(xué)習(xí)圖像P1至PM，則每幅學(xué)習(xí)圖像的權(quán)重Wni (其中，I彡m彡M)為1/M。另外，分類器更新單元63將所保持的分類器F(X)初始化為O。
在步驟S15中，弱分類計算單元61將從特征量計算單元22提供的特征點的特征量代入構(gòu)成從獲取單元23提供的遷移分類器的弱分類器中，并且對檢測目標(biāo)進行識別(分類)。例如，將k個遷移分類器從獲取單元23提供給弱分類計算單元61，并且假設(shè)構(gòu)成遷移分類器的弱分類器的和為N。即，假設(shè)N個弱分類器f\(X)至fN(x)被提供給弱分類計算單元61。另外，假設(shè)從每幅學(xué)習(xí)圖像Pm (其中，I彡m彡M)提取與弱分類器fl(x)至400對應(yīng)的N個特征點FPn的特征量Fn (其中，I < n < N)。S卩，與弱分類器fn(x)對應(yīng)的特征點FPn是從其提取要代入弱分類器fn(x)中的特征量的特征點。在該情況下，針對每個弱分類器fn(x)(其中，I彡n彡N)，弱分類計算單元61將每幅學(xué)習(xí)圖像Pm的特征點FPn的特征量Fn作為表達式(I)中的變量X代入構(gòu)成弱分類器fn(x)的函數(shù)g(x>thwn)中。其計算結(jié)果為在弱分類器fn(x)的學(xué)習(xí)圖像Pm中的特征點FPn處的分類結(jié)果。即，如果特征量Fn大于函數(shù)g (x>thwn)的閾值thwn，則在特征點FPn處包括檢測目 標(biāo)。即，識別出檢測目標(biāo)，并且表示識別出檢測目標(biāo)的數(shù)值“I”成為分類結(jié)果。另一方面，如果特征量Fn小于或等于閾值thwn，則在特征點FPn處不包括檢測目標(biāo)。即，未識別出檢測目標(biāo)，并且表示未識別出檢測目標(biāo)的數(shù)值“0”成為分類結(jié)果。弱分類計算單元61向誤差率計算單元62提供如上所述那樣獲得的分類結(jié)果。在步驟S16中，誤差率計算單元62基于來自弱分類計算單元61的分類結(jié)果、添加到來自特征量計算單元22的學(xué)習(xí)圖像的標(biāo)記以及來自權(quán)重設(shè)置單元64的用于每幅學(xué)習(xí)圖像的權(quán)重而計算每個弱分類器對檢測目標(biāo)的識別的誤差率。即，針對每個弱分類器fn(x)來計算誤差率En (其中，I彡n彡N)。具體地，誤差率計算單元62針對弱分類器fn(x)將在每幅學(xué)習(xí)圖像Pm的特征點FPn處的分類結(jié)果與添加到學(xué)習(xí)圖像Pm的標(biāo)記進行比較，并且指定分類結(jié)果為錯誤識別的學(xué)習(xí)圖像Pm的權(quán)重Wm的和為誤差率En。例如，如果在學(xué)習(xí)圖像Pm的特征點FPn處的分類結(jié)果為“ I ”而學(xué)習(xí)圖像Pm的標(biāo)記為“-1”，即，如果檢測目標(biāo)實際上未包括在學(xué)習(xí)圖像Pm中但弱分類器fn(x)在學(xué)習(xí)圖像Pm中識別出檢測目標(biāo)，則識別錯誤。另外，例如，如果在學(xué)習(xí)圖像Pm的特征點FPn處的分類結(jié)果為“0”而學(xué)習(xí)圖像Pm的標(biāo)記為“1”，即，如果檢測目標(biāo)實際上包括在學(xué)習(xí)圖像Pm中但弱分類器fn(x)在學(xué)習(xí)圖像Pm中未識別出檢測目標(biāo)，則識別錯誤。如上所述那樣獲得的弱分類器fn(x)的誤差率￡ 表示根據(jù)弱分類器fn(x)的檢測目標(biāo)的識別精確性。弱分類器fn(x)的誤差率En越小，則弱分類器會越適合于檢測該檢測目標(biāo)。當(dāng)計算弱分類器400的誤差率En時，誤差率計算單元62將所算出的誤差率提供給分類器更新單元63。在步驟S17中，分類器更新單元63基于從誤差率計算單元62提供的弱分類器fn(x)的誤差率￡ 而在N個弱分類器A(X)至&00當(dāng)中選擇誤差率En被最小化的弱分類器仁00。即，選擇用于檢測用作檢測目標(biāo)的具有指向形狀的手部的最佳弱分類器。分類器更新單元63經(jīng)由誤差率計算單元62從弱分類計算單元61獲取所選擇的弱分類器fn(x)。在步驟S18中，分類器更新單元63通過將在步驟S17中所選擇的弱分類器fn(X)添加到所保持的分類器F(x)來更新分類器。S卩，如果當(dāng)前保持的分類器是F’(X)，則F’ (x)+fn(x)變?yōu)樾碌姆诸惼鱂(x)。另夕卜，此時，與所選擇的弱分類器fn(x)對應(yīng)的特征點FPn的特征量Fn變?yōu)榉诸愄卣髁?。在步驟S19中，權(quán)重設(shè)置單元64更新每幅學(xué)習(xí)圖像Pm的權(quán)重Wm，并且將更新后的各學(xué)習(xí)圖像的權(quán)重提供給誤差率計算單元62。例如，分類器更新單元63基于在步驟S17中所選擇的弱分類器fn(x)的誤差率En而計算通過以下表達式(3)表達的可靠度Cn，并且將其計算結(jié)果提供給權(quán)重設(shè)置單元64。Cn = log ((I-En)/En)…(3)權(quán)重設(shè)置單元64基于來自分類器更新單元63的可靠度Cn而計算以下等式(4)，從而重新計算各學(xué)習(xí)圖像Pm的權(quán)重wm，并且對全部權(quán)重Wm進行歸一化并更新，而且將歸一化并更新后的權(quán)重Wm提供給誤差率計算單元62。 Wm = ffmexp [-Cn I(y ^ fn)], m = 1,2,…M …(4)在表達式(4)中，y古fn表示已發(fā)生錯誤識別的特征點的條件。表達式(4)表明包括已發(fā)生錯誤識別的特征點FPn的學(xué)習(xí)圖像Pm的權(quán)重Wm在所選擇的弱分類器fn(x)進行識別時增大。另外，在表達式(4)中，未發(fā)生錯誤識別的學(xué)習(xí)圖像Pm的權(quán)重Wn/變?yōu)椴蛔兊闹?。由于已發(fā)生錯誤識別的學(xué)習(xí)圖像Pm是從其難以識別出檢測目標(biāo)的圖像，因此，如果更新各學(xué)習(xí)圖像的權(quán)重以使得該圖像的權(quán)重增大，則可以獲得能夠在遷移學(xué)習(xí)中以更高的精確度識別檢測目標(biāo)的分類器。在步驟S20中，分類器更新單元63確定是否已選擇所需數(shù)量的弱分類器。例如，如果指定要生成的分類器包括J個弱分類器，則當(dāng)要生成的分類器包括J個弱分類器時，確定已選擇所需數(shù)量的弱分類器。即，當(dāng)重復(fù)步驟S15至S19的處理J次時，確定已選擇所需數(shù)量的弱分類器。如果在步驟S20中確定未選擇所需數(shù)量的弱分類器，則處理返回至步驟S15并且
重復(fù)上述處理。另一方面，如果在步驟S20中確定已選擇所需數(shù)量的弱分類器，則處理進入步驟S21。在步驟S21中，分類器更新單元63將所保持的分類器F(X)和構(gòu)成該分類器的各弱分類器的分類特征量輸出至分類器記錄單元12，使得分類器記錄單元12記錄所保持的分類器F(X)和分類特征量，并且結(jié)束遷移學(xué)習(xí)處理。例如，如果已執(zhí)行步驟S15至S19的處理J次，則所選擇的J個弱分類器的和成為分類器F (X)。如上所述，學(xué)習(xí)裝置11使用學(xué)習(xí)圖像和已通過統(tǒng)計學(xué)習(xí)所獲得的遷移分類器來執(zhí)行基于增強的遷移學(xué)習(xí)。如果在如上所述那樣通過高度精確的分類器獲得的基于增強的學(xué)習(xí)中使用已獲得的其他分類器的弱分類器，則可以以更高速度獲得高度精確的分類器。例如，如果如圖7的上側(cè)所示，在正常的基于增強的學(xué)習(xí)中從L幅學(xué)習(xí)圖像(學(xué)習(xí)樣本)的H個特征點中提取特征量，則針對特征點來記錄每L幅學(xué)習(xí)圖像的特征量，并設(shè)置弱分類器。從所獲得的H個弱分類器當(dāng)中選擇一個最佳弱分類器并將其添加到分類器，以使得分類器被更新并因此獲得最終分類器。
另一方面，如果如圖7的下側(cè)中所示，從L幅學(xué)習(xí)圖像的各學(xué)習(xí)圖像中提取H個特征點的特征量并且在基于增強的遷移學(xué)習(xí)中生成分類器，則遷移構(gòu)成該分類器的Z (其中，Z < H)個弱分類器。從所遷移的Z個弱分類器當(dāng)中選擇一個最佳弱分類器并將其添加到分類器，以使得分類器被更新并因此獲得最終分類器。因此，優(yōu)選地，針對數(shù)量為Z (小于H)的特征點來執(zhí)行處理，其中，H表示各學(xué)習(xí)圖像上的特征點的總數(shù)。另外，由于不需要設(shè)置弱分類器，因此，可以以比在正常的基于增強的學(xué)習(xí)中快LX (H/Z)倍的速度獲得分類器。[分類處理的描述]如果在上述遷移學(xué)習(xí)處理中將分類器和分類特征量記錄在分類器記錄單元12上，則識別裝置13可以使用分類器和分類特征量來從提供的輸入圖像中檢測檢測目標(biāo)。下文中，將參照圖8的流程圖描述識別裝置13的分類處理。
在步驟S41中，特征點提取單元31提取所提供的輸入圖像上的一些位置(像素)作為特征點，并且將所提取的特征點和輸入圖像提供給特征量計算單元32。在步驟S42中，特征量計算單元32基于從特征點提取單元31提供的輸入圖像和特征點而計算特征量，并且將計算結(jié)果提供給分類計算單元33。例如，特征量計算單元32使用諸如矩形濾波器的濾波器來針對學(xué)習(xí)圖像上的特征點執(zhí)行濾波操作，并且將在特征點處的其濾波結(jié)果指定為特征量。在步驟S41和S42中，執(zhí)行與在圖6的步驟S12和S13中相同的處理。在步驟S43中，分類計算單元33從分類器記錄單元12讀取分類器F (X)和分類特征量，并且通過將特征量代入所讀取的分類器中來執(zhí)行計算。即，分類計算單元33通過將在來自特征量計算單元32的特征量當(dāng)中與分類特征量對應(yīng)的特征量代入以表達式(2)所表示的分類器中來執(zhí)行計算。這里，要代入構(gòu)成分類器的弱分類器中的特征量是輸入圖像上位置與獲得用作分類特征量的特征量的學(xué)習(xí)圖像的特征點的位置相同的特征點的特征量。如果通過表達式(2)的計算所獲得的輸出值大于閾值th，則分類計算單元33指定表示輸入圖像中存在檢測目標(biāo)的數(shù)值“I”作為分類結(jié)果，而如果輸出值小于或等于閾值th，則分類計算單元33指定表示輸入圖像中不存在檢測目標(biāo)的數(shù)值“-I”作為分類結(jié)果。分類計算單元33將如上所述那樣獲得的分類結(jié)果提供給分類結(jié)果輸出單元34。在步驟S44中，分類結(jié)果輸出單元34輸出從分類計算單元33提供的分類結(jié)果，并且結(jié)束分類處理。例如，分類結(jié)果輸出單元34基于分類結(jié)果使得顯示單元(未示出)顯示從輸入圖像中已檢測到還是未檢測到檢測目標(biāo)的事實。如上所述，識別裝置13使用分類器記錄單元12上所記錄的分類器和分類特征量來從輸入圖像中檢測檢測目標(biāo)。通過使用通過基于增強的遷移學(xué)習(xí)而獲得的分類器來檢測檢測目標(biāo)，可以以更高的精確性檢測該檢測目標(biāo)?！吹诙嵤├礫學(xué)習(xí)裝置的配置示例]隨后，將描述當(dāng)執(zhí)行上述的技術(shù)2的特征量遷移學(xué)習(xí)時學(xué)習(xí)裝置的配置。圖9是示出當(dāng)執(zhí)行特征量遷移學(xué)習(xí)時學(xué)習(xí)裝置的實施例的配置示例的圖。在圖9中以相同的附圖標(biāo)記表示與圖4的部分對應(yīng)的部分，并且適當(dāng)?shù)厥÷云涿枋觥?br> 學(xué)習(xí)裝置91包括特征點提取單元21、特征量計算單元22、獲取單元23和分類器生成單元101。分類器生成單元101基于從特征量計算單元22提供的學(xué)習(xí)圖像和特征量以及構(gòu)成從獲取單元23提供的遷移分類器的各弱分類器的分類特征量，執(zhí)行例如基于AdaBoost的遷移學(xué)習(xí)處理。另外，分類器生成單元101向分類器記錄單元12提供所生成的分類器和構(gòu)成該分類器的弱分類器的分類特征量，并且使得分類器記錄單元12記錄所生成的分類器和分類特征量。[分類器生成單元的配置示例]另外，更詳細地如圖10所示那樣配置圖9的分類器生成單元101。在圖10中以相同的附圖標(biāo)記表示與圖5的部分對應(yīng)的部分，并且適當(dāng)?shù)厥÷云涿枋?。分類器生成單?01包括弱分類器設(shè)置單元131、弱分類計算單元61、誤差率計算單元62、分類器更新單元63和權(quán)重設(shè)置單元64。 弱分類器設(shè)置單元131使用在從特征量計算單元22提供的學(xué)習(xí)圖像的特征點的特征量當(dāng)中與構(gòu)成來自獲取單元23的遷移分類器的各弱分類器的分類特征量相同的、特征點的特征量，來針對每個特征點設(shè)置弱分類器。另外，弱分類器設(shè)置單元131向弱分類計算單元61提供所設(shè)置的弱分類器和各學(xué)習(xí)圖像的特征點的特征量。[遷移學(xué)習(xí)處理的描述]接下來，將參照圖11的流程圖描述學(xué)習(xí)裝置9的遷移學(xué)習(xí)處理。在遷移學(xué)習(xí)處理中，將添加有標(biāo)記“I”的多幅學(xué)習(xí)圖像和添加有標(biāo)記“-I”的多幅學(xué)習(xí)圖像提供給學(xué)習(xí)裝置91。由于步驟S51至S54的處理與圖6的步驟Sll至S14中相同，因此，省略其描述。然而，在步驟S51中，將獲取單元23所獲取的遷移分類器提供給弱分類器設(shè)置單元131。另夕卜，在步驟S53中，將從學(xué)習(xí)圖像的各特征點提取的特征量從特征量計算單元22提供給弱分類器設(shè)置單元131，并且將學(xué)習(xí)圖像的標(biāo)記從特征量計算單元22提供給誤差率計算單元62。在步驟S55中，弱分類器設(shè)置單元131基于從特征量計算單元22提供的學(xué)習(xí)圖像的各特征點的特征量以及構(gòu)成來自獲取單元23的遷移分類器的各弱分類器的分類特征量，設(shè)置弱分類器。例如，將k個遷移分類器從獲取單元23提供給弱分類器設(shè)置單元131，并且假設(shè)構(gòu)成這些遷移分類器的弱分類器的總數(shù)為N。即，假設(shè)提供N個弱分類器f\(X)至fN(x)。在這種情況下，如圖12所示，使用從各學(xué)習(xí)圖像Pm (其中，I彡m彡M)提取的特征量當(dāng)中與弱分類器f\(x)至&00對應(yīng)的N個特征點FP1J^特征量，并且針對每個特征點設(shè)置弱分類器。在圖12中，從學(xué)習(xí)圖像Pni提取的特征量布置在水平方向上。例如，在附圖中，在水平方向上布置在最上面的A1, A2, A3, ...,An表示學(xué)習(xí)圖像P1的特征點的特征量當(dāng)中與弱分類器A(X)至&00的分類特征量對應(yīng)的特征量。即，在學(xué)習(xí)圖像P1的特征點的特征量當(dāng)中，存在位置與從其獲得用作分類特征量的特征量的特征點的位置相同的、學(xué)習(xí)圖像P1I的特征點的特征量。另外，在字符“Pm”表示學(xué)習(xí)圖像的圖中，左側(cè)的數(shù)字“ + I”或“-I”表示添加到學(xué)習(xí)圖像P1J^標(biāo)記。即，數(shù)字“+I”是表示檢測目標(biāo)包括在學(xué)習(xí)圖像中的標(biāo)記，而數(shù)字“-I”是表示檢測目標(biāo)不包括在學(xué)習(xí)圖像中的標(biāo)記。另外，在圖12中，布置在垂直方向上的M個特征量An至Vn在一個組Grn中成組(其中，I < n < N)，并且屬于組Grn的特征量為學(xué)習(xí)圖像中的相同特征點的特征量。弱分類器設(shè)置單元131針對每個組6^按降序或升序記錄屬于該組的M個特征量。弱分類器設(shè)置單元131通過基于學(xué)習(xí)圖像的標(biāo)記、針對每組指定以表達式(I)所表示的弱分類器的函數(shù)g(x>thwn)、常數(shù)an和常數(shù)bn來設(shè)置弱分類器。具體地，如圖13所示，屬于組Gr1的特征量A1至V1順序地布置，并且弱分類器設(shè)置單元131設(shè)置指定特征量A1與C1之間的函數(shù)g(x>thwl)的閾值thwlt)這里，在特征量小于閾值thWl的范圍(S卩，在從閾值thWl起在左側(cè)由“-I”表示的 范圍)內(nèi)未識別出檢測目標(biāo)。另外，在特征量大于閾值thWl的范圍(即，在從閾值thWl起在圖的右側(cè)由“+1”表示的范圍)內(nèi)識別出檢測目標(biāo)。在該示例中，由于圖中的虛線所包圍的特征量A1是包括檢測目標(biāo)的學(xué)習(xí)圖像的特征量，因此，這被視為誤差(錯誤識別)。同樣，由于圖中的虛線所包圍的特征量C1和V1是不包括檢測目標(biāo)的學(xué)習(xí)圖像的特征量，因此，這些也被視為誤差(錯誤識別)。弱分類器設(shè)置單元131通過在改變閾值IAw1的值的同時例如針對各閾值IAw1的值來計算上述弱分類器f\(X)的誤差率E1、并且指定誤差率E1被最小化的閾值thWl，來設(shè)置弱分類器。在這種情況下，弱分類器設(shè)置單元131通過從權(quán)重設(shè)置單元64獲取各學(xué)習(xí)圖像的權(quán)重來計算誤差率。當(dāng)針對各組(S卩，與遷移分類器的各弱分類器的分類特征量對應(yīng)的學(xué)習(xí)圖像的特征點)設(shè)置弱分類器時，弱分類器設(shè)置單元131將所設(shè)置的弱分類器和學(xué)習(xí)圖像的各特征點的特征量提供給弱分類計算單元61。如果如上所述的那樣設(shè)置弱分類器，則執(zhí)行步驟S56至S62的處理，以使得遷移學(xué)習(xí)處理結(jié)束。然而，由于該處理與圖6的步驟S15至S21中的處理相同，因此省略其描述。然而，在圖6的步驟S15中執(zhí)行使用構(gòu)成遷移分類器的弱分類器的處理，但是在圖11的步驟S56中執(zhí)行使用在步驟S55的處理中所設(shè)置的弱分類器的處理。如上所述，學(xué)習(xí)裝置91使用學(xué)習(xí)圖像和已通過統(tǒng)計學(xué)習(xí)獲得的遷移分類器來執(zhí)行基于增強的遷移學(xué)習(xí)。如果在可以如上所述那樣獲得高度精確的分類器的基于增強的學(xué)習(xí)中使用已獲得的其他分類器的弱分類器的分類特征量，則能夠以更高速度獲得高度精確的分類器。例如，如圖14所示，如果在基于增強的遷移學(xué)習(xí)中從L幅學(xué)習(xí)圖像的各學(xué)習(xí)圖像中提取H個特征點的特征量并生成分類器，則遷移構(gòu)成該分類器的Z個弱分類器(其中，Z< H)的分類特征量。另外，針對每個特征點，使用與所遷移的Z個分類特征量對應(yīng)的學(xué)習(xí)圖像的特征點的特征量來設(shè)置弱分類器。選擇所設(shè)置的弱分類器中的一個最佳弱分類器并將其添加到分類器，以使得通過更新分類器來獲得最終分類器。另一方面，由于在正常的基于增強的學(xué)習(xí)中沒有對分類器進行遷移，因此，針對每H個特征點來設(shè)置弱分類器。因此，由于優(yōu)選地在基于增強的遷移學(xué)習(xí)中針對數(shù)量為Z (小于H)的特征點來執(zhí)行處理，因此，能夠以比正常的基于增強的學(xué)習(xí)中快(H/Z)倍的速度獲得分類器，其中，H表示各學(xué)習(xí)圖像上的特征點的總數(shù)。如果學(xué)習(xí)裝置91生成的分類器和分類特征量也記錄在分類器記錄單元12上，則分類器和分類特征量用于識別裝置13的分類處理。即，這些分類器和分類特征量用于參照圖8所述的分類處理。(第三實施例)[樹結(jié)構(gòu)分類器]盡管以上已描述在學(xué)習(xí)用于檢測特定手部形狀的分類器時使用已獲得的用于對其他形狀的手部檢測的分類器的示例，但是可以將遷移學(xué)習(xí)應(yīng)用于使用樹結(jié)構(gòu)分類器的識別系統(tǒng)。
將描述使用如圖15所示的包括11個分類器TFll至TF21的樹結(jié)構(gòu)分類器來對輸入圖像上的手部形狀進行分類的示例。樹結(jié)構(gòu)分類器是用于多類別對象識別的分類器，該分類器從輸入圖像中檢測石頭形狀的右手或左手、布形狀的右手或左手、或者剪刀形狀的右手或左手中的具有任何形狀的手部。構(gòu)成樹結(jié)構(gòu)分類器的分類器TFll是用于從輸入圖像中檢測手部的分類器，并且具體地，被稱為根節(jié)點。這里，如果在分類器TFll的手部檢測中存在與輸入圖像中的手部類似的東西而不取決于諸如石頭或布的手部形狀，則輸出表示已檢測到手部的識別結(jié)果。另外，分類器TF12是用于從輸入圖像中檢測石頭形狀的分類器，并且分類器TF13是用于從輸入圖像中檢測布或剪刀形狀的分類器。分類器TF14和TF15均用于從輸入圖像中分別檢測右手石頭和左手石頭，并且分類器TF16和TF17是用于從輸入圖像中分別檢測具有布形狀的手部和具有剪刀形狀的手部的分類器。另外，分類器TF18和TF19是用于從輸入圖像中分別檢測右手布和左手布的分類器，并且分類器TF20和TF21是用于從輸入圖像中分別檢測右手剪刀和左手剪刀的分類器。具體地，將在樹的末端處的分類器TF14、TF15和TF18至TF21稱為葉子。將分類器TF12、TF13、TF16和TF17稱為根節(jié)點與葉子之間的節(jié)點。當(dāng)對用在樹結(jié)構(gòu)分類器中的手部形狀進行分類時，分類器TFll執(zhí)行對輸入圖像的手部檢測。如果從輸入圖像中檢測到手部，則分類器TF12接著對輸入圖像執(zhí)行石頭檢測，并且此外，分類器TF13對輸入圖像執(zhí)行布或剪刀檢測。此時，如果分類器TF12的分類結(jié)果比分類器TF13的分類結(jié)果可能性更高，即，如果估計出具有石頭形狀的手部存在于輸入圖像中，則執(zhí)行分類器TF14和TF15對輸入圖像的分類。結(jié)果，如果分類器TF14的分類結(jié)果比分類器TF15的分類結(jié)果可能性更高，則假設(shè)從輸入圖像中已檢測到右手石頭。如果分類器TF15的分類結(jié)果比分類器TF14的分類結(jié)果可能性更高，則假設(shè)已從輸入圖像中檢測到左手石頭。另外，如果分類器TF13的分類結(jié)果比分類器TF12的分類結(jié)果可能性更高，即，如果估計出具有布或剪刀形狀的手部存在于輸入圖像中，則執(zhí)行分類器TF16和TF17對輸入圖像的分類。
結(jié)果，如果分類器TF16的分類結(jié)果比分類器TF17的分類結(jié)果可能性更高，即，如果估計出具有布形狀的手部存在于輸入圖像中，則執(zhí)行分類器TF18和TF19對輸入圖像的分類。如果分類器TF18的分類結(jié)果在這些分類器的分類結(jié)果中可能性更高，則假設(shè)已從輸入圖像中檢測到右手布。如果分類器TF19的分類結(jié)果可能性更高，則假設(shè)已從輸入圖像中檢測到左手布。另外，如果分類器TF17的分類結(jié)果比分類器TF16的分類結(jié)果可能性更高，即，如果估計出具有剪刀形狀的手部存在于輸入圖像中，則執(zhí)行分類器TF20和分類器TF21對輸入圖像的分類。如果在這些分類器的分類結(jié)果當(dāng)中分類器TF20的分類結(jié)果是可能性更高的，則假設(shè)已從輸入圖像中檢測到右手剪刀。如果分類器TF21的分類結(jié)果是可能性更高的，則假設(shè)已從輸入圖像中檢測到左手剪刀。如上所述，可以進行多類別對象識別的樹結(jié)構(gòu)分類器中的一些分類器執(zhí)行對輸入圖像的對象識別。根據(jù)其結(jié)果，檢測諸如右手布和左手剪刀的類別當(dāng)中的任意類別的對象。另外，如果通過諸如AdaBoost的基于增強的學(xué)習(xí)生成用作葉子的分類器，則例如 當(dāng)打算通過學(xué)習(xí)獲得如上所述的樹結(jié)構(gòu)分類器時，可以獲得高度精確的分類器。另外，如果使用用作葉子的分類器作為遷移分類器、通過基于增強的遷移學(xué)習(xí)來生成各節(jié)點或根節(jié)點的分類器，則可以利用更少的學(xué)習(xí)樣本來以更高的速度獲得高度精確的分類器。具體地，由于當(dāng)通過正常的基于增強的學(xué)習(xí)生成根節(jié)點的分類器時，需要具有許多形狀(諸如，布和石頭)的手部的大量學(xué)習(xí)圖像，因此，需要極大的計算時間。另一方面，如果遷移葉子的分類器并通過遷移學(xué)習(xí)生成根節(jié)點的分類器，則能夠顯著地改進學(xué)習(xí)效率。例如，優(yōu)選地，當(dāng)打算獲得節(jié)點分類器TF12時，使用葉子分類器TF14、TF15和TF18至TF21作為遷移分類器來執(zhí)行遷移學(xué)習(xí)。具體地，例如，如果圖4所示的學(xué)習(xí)裝置11通過遷移構(gòu)成分類器TF14、TF15和TF18至TF21的弱分類器來執(zhí)行圖6的遷移學(xué)習(xí)處理，則可以獲得分類器TF12。另外，當(dāng)然，例如，如果圖9所示的學(xué)習(xí)裝置91通過遷移構(gòu)成分類器TF14、TF15、和TF18至TF21的弱分類器的分類特征量來執(zhí)行圖11的遷移學(xué)習(xí)處理，則可以獲得分類器TF12。[識別裝置的配置示例]接下來，將描述使用圖15所示的樹結(jié)構(gòu)分類器來執(zhí)行多類別手部形狀識別的識
別裝置。S卩，識別裝置161包括手部分類單元171、石頭分類單元172、剪刀/布分類單元173、比較單元174、右邊石頭分類單元175、左邊石頭分類單元176、布分類單元177、剪刀分類單元178、比較單元179、右邊布分類單元180、左邊布分類單元181、右邊剪刀分類單元182、左邊剪刀分類單元183和輸出單元184。在識別裝置161中，圖15的分類器TFll至TF21分別記錄在手部分類單元171、石頭分類單元172、剪刀/布分類單元173、右邊石頭分類單元175、左邊石頭分類單元176、布分類單元177、剪刀分類單元178、右邊布分類單元180、左邊布分類單元181、右邊剪刀分類單元182和左邊剪刀分類單元183。手部分類單元171從使用分類器TFll所提供的輸入圖像中檢測手部。如果已檢測到手部，則手部分類單元171將表示已檢測到手部的分類結(jié)果和輸入圖像提供給石頭分類單元172和剪刀/布分類單元173。另外，如果從輸入圖像中未檢測到手部，則手部分類單元171向輸出單元184通知未檢測到手部的事實。石頭分類單元172和剪刀/布分類單元173基于所記錄的分類器TF12和TF13而對從手部分類單元171提供的輸入圖像上的石頭和布或剪刀進行分類，并且向比較單元174提供分類結(jié)果和輸入圖像。比較單元174通過將從石頭分類單元172和剪刀/布分類單元173提供的分類結(jié)果進行比較，將輸入圖像提供給右邊石頭分類單元175和左邊石頭分類單元176或者布分類單元177和剪刀分類單元178。右邊石頭分類單元175和左邊石頭分類單元176基于所記錄的分類器TF14和TF15而對從比較單元174提供的輸入圖像上的右手石頭和左手石頭進行分類，并且將其分類結(jié)果提供給輸出單元184。
布分類單元177和剪刀分類單元178基于所記錄的分類器TF16和TF17而對從比較單元174提供的輸入圖像上的布和剪刀進行分類，并且將其分類結(jié)果和輸入圖像提供給比較單元179。比較單元179通過將從布分類單元177和剪刀分類單元178提供的分類結(jié)果進行比較，將輸入圖像提供給右邊布分類單元180和左邊布分類單元181或者右邊剪刀分類單元182和左邊剪刀分類單元183。右邊布分類單元180和左邊布分類單元181基于所記錄的分類器TF18和TF19而對從比較單元179提供的輸入圖像上的右手布和左手布進行分類，并且將其分類結(jié)果提供給輸出單元184。右邊剪刀分類單元182和左邊剪刀分類單元183基于所記錄的分類器TF20和TF21而對從比較單元179提供的輸入圖像上的右手剪刀和左手剪刀進行分類，并且將其分類結(jié)果提供給輸出單元184。輸出單元184基于來自手部分類單元171、右邊石頭分類單元175、左邊石頭分類單元176、右邊布分類單元180、左邊布分類單元181、右邊剪刀分類單元182和左邊剪刀分類單元183的分類結(jié)果而輸出根據(jù)輸入圖像的手部分類結(jié)果。[分類處理的描述]如果將輸入圖像提供給圖16的識別裝置161并且生成手部形狀識別指令，則識別裝置161通過執(zhí)行分類處理來從輸入圖像中檢測手部。下文中，將參照圖17的流程圖描述識別裝置161的分類處理。在步驟S91中，手部識別單元171從使用分類器TFll提供的輸入圖像中檢測手部。即，手部分類單元171從輸入圖像中提取特征量并且將該特征量代入分類器TF11。如果其計算結(jié)果大于預(yù)定閾值，則假設(shè)已從輸入圖像中檢測到手部。在步驟S92中，手部分類單元171確定是否從輸入圖像中檢測到手部。如果在步驟S92中確定未檢測到手部，則將其確定結(jié)果提供給輸出單元184，并且處理進入步驟S105。另一方面，如果在步驟S92中確定已檢測到手部，則手部分類單元171向石頭分類單元172和剪刀/布分類單元173提供表示已檢測到手部的分類結(jié)果，并且處理進入步驟S93。在步驟S93中，石頭分類單元172基于所記錄的分類器TF12，執(zhí)行對來自從手部分類單元171提供的輸入圖像的石頭的分類。即，石頭分類單元172從輸入圖像中提取特征量，將所提取的特征量代入分類器TF12，并且將作為其計算結(jié)果所獲得的輸出值和輸入圖像提供給比較單元174。如上所述那樣獲得的輸出值表示輸入圖像的石頭手部可能性。當(dāng)輸出值大時，輸入圖像很可能是石頭形狀手部的圖像。在其他分類器中，通過將特征量代入分類器中所獲得的輸出值表示分類器檢測到的對象(即，這里為特定手部形狀)的可能性。在步驟S94中，剪刀/布分類單元173基 于所記錄的分類器TF13，執(zhí)行對來自從手部分類單元171提供的輸入圖像的布或剪刀的分類。即，剪刀/布分類單元173從輸入圖像中提取特征量，將所提取的特征量代入分類器TF13中，并且將作為其計算結(jié)果所獲得的輸出值和輸入圖像提供給比較單元174。在步驟S95中，比較單元174通過將來自石頭分類單元172的輸出值與來自剪刀/布分類單元173的輸出值進行比較，確定輸入圖像上的石頭是否已被分類。例如，如果來自石頭分類單元172的輸出值大于來自剪刀/布分類單元173的輸出值，則由于石頭比剪刀或布包括在輸入圖像中的可能性更高，因此確定為石頭已被分類。如果在步驟S95中確定為石頭已被分類，則比較單元174將輸入圖像提供給右邊石頭分類單元175和左邊石頭分類單元176，并且處理進入步驟S96。在步驟S96中，右邊石頭分類單元175基于所記錄的分類器TF14，執(zhí)行對來自從比較單元174提供的輸入圖像的右手石頭的分類。即，右手石頭分類單元175從輸入圖像中提取特征量，將所提取的特征量代入分類器TF14，并且將作為其計算結(jié)果所獲得的輸出值提供給輸出單元184。 在步驟S97中，左邊石頭分類單元176基于所記錄的分類器TF15，執(zhí)行對來自從比較單元174提供的輸入圖像的左手石頭的分類。即，左邊石頭分類單元176從輸入圖像中提取特征量，將所提取的特征量代入分類器TF15，并且將作為其計算結(jié)果所獲得的輸出值提供給輸出單元184。如果執(zhí)行步驟S97的處理，則處理進入步驟S105。另外，如果在步驟S95中確定輸入圖像上的石頭未被分類，即，如果輸入圖像上的布或剪刀已被分類，則比較單元174將輸入圖像提供給布分類單元177和剪刀分類單元178，并且處理進入步驟S98。在步驟S98中，布分類單元177基于所記錄的分類器TF16，執(zhí)行對來自從比較單元174提供的輸入圖像的布的分類。S卩，布分類單元177從輸入圖像中提取特征量，將所提取的特征量代入分類器TF16，并且將作為其計算結(jié)果所獲得的輸出值和輸入圖像提供給比較單元179。在步驟S99中，剪刀分類單元178基于所記錄的分類器TF17，執(zhí)行對來自從比較單元174提供的輸入圖像的剪刀的分類。即，剪刀分類單元178從輸入圖像中提取特征量，將所提取的特征量代入分類器TF17中，并且將作為其計算結(jié)果所獲得的輸出值和輸入圖像提供給比較單元179。在步驟SlOO中，比較單元179通過將來自布分類單元177的輸出值與來自剪刀分類單元178的輸出值進行比較來確定輸入圖像上的布是否已被分類。例如，如果來自布分類單元177的輸出值大于來自剪刀分類單元178的輸出值，則確定為布已被分類。
如果在步驟SlOO中確定為布已被分類，則比較單元179將輸入圖像提供給右邊布分類單元180和左邊布分類單元181，并且處理進入步驟S101。在步驟SlOl中，右邊布分類單元180基于所記錄的分類器TF18，對來自從比較單元179提供的輸入圖像的右手布進行分類。即，右邊布分類單元180從輸入圖像中提取特征量，將所提取的特征量代入分類器TF18，并且將作為其計算結(jié)果所獲得的輸出值提供給輸出單元184。在步驟S102中，左邊布分類單元181基于所記錄的分類器TF19，對來自從比較單元179提供的輸入圖像的左手布進行分類。即，左邊布分類單元181從輸入圖像中提取特征量，將所提取的特征量代入分類器TF19中，并且將作為其計算結(jié)果所獲得的輸出值提供給輸出單元184。如果執(zhí)行步驟S102的處理，則處理進入步驟S105。另外，如果在步驟SlOO中確定為布未被分類，即，如果確定為剪刀已被分類，則t匕 較單元179將輸入圖像提供給右邊剪刀分類單元182和左邊剪刀分類單元183，并且處理進入步驟S103。在步驟S103中，右邊剪刀分類單元182基于所記錄的分類器TF20，對來自從比較單元179提供的輸入圖像的右手剪刀進行分類。即，右邊剪刀分類單元182從輸入圖像中提取特征量，將所提取的特征量代入分類器TF20，并且將作為其計算結(jié)果所獲得的輸出值提供給輸出單元184。在步驟S104中，左邊剪刀分類單元183基于所記錄的分類器TF21，對來自從比較單元179提供的輸入圖像的左手剪刀進行分類。即，左邊剪刀分類單元183從輸入圖像中提取特征量，將所提取的特征量代入分類器TF21，并且將作為其計算結(jié)果所獲得的輸出值提供給輸出單元184。如果執(zhí)行步驟S104的處理，則處理進入步驟S105。如果在步驟S92中確定為未檢測到手部，如果在步驟S97中已對左手石頭分類，如果在步驟S102中已對左手布分類，或者如果在步驟S104中已對左手剪刀分類，則執(zhí)行步驟S105的處理。S卩，在步驟S105中，輸出單元184基于來自手部分類單元171、右邊石頭分類單元175和左邊石頭分類單元176、右邊布分類單元180和左邊布分類單元181、或者右邊剪刀分類單元182和左邊剪刀分類單元183的分類結(jié)果，輸出根據(jù)輸入圖像的最終手部分類結(jié)果。具體地，如果在步驟S92中確定為未檢測到手部，即，如果已從手部分類單元171提供表示未檢測到手部的分類結(jié)果，則輸出單元184輸出分類結(jié)果作為最終分類結(jié)果。另外，如果已根據(jù)步驟S96和S97的處理提供來自右邊石頭分類單元175和左邊石頭分類單兀176的輸出值,則輸出單兀184輸出由輸出值之中較大的輸出值表不的分類結(jié)果作為最終分類結(jié)果。例如，如果來自右邊石頭分類單元175的輸出值較大，則輸出表示右邊石頭已被分類的分類結(jié)果。另外，如果已根據(jù)步驟SlOl和S102的處理提供來自右邊布分類單元180和左邊布分類單元181的輸出值，則輸出單元184輸出由輸出值之中較大的輸出值表示的分類結(jié)果作為最終分類結(jié)果。另外，如果已根據(jù)步驟S103和S104的處理提供來自右邊剪刀分類單元182和左邊剪刀分類單元183的輸出值，則輸出單元184輸出由輸出值之中較大的輸出值表示的分類結(jié)果作為最終分類結(jié)果。如果如上所述那樣從輸出單元184輸出最終分類結(jié)果，則分類處理結(jié)束。如上所述，識別裝置161使用樹結(jié)構(gòu)分類器對輸入圖像上的對象進行分類，并且輸出其分類結(jié)果。如果將通過基于增強的遷移學(xué)習(xí)而獲得的分類器用作樹結(jié)構(gòu)分類器，則能夠以高精確性對對象進行分類。上述的一系列處理可由硬件執(zhí)行或可由軟件執(zhí)行。當(dāng)這一系列處理由軟件執(zhí)行時，將形成軟件的程序安裝到并入專用硬件中的計算機中，或者從程序存儲介質(zhì)安裝到例如可以通過安裝各種類型的程序來執(zhí)行各種類型的功能的通用個人計算機中。圖18是示出使用程序執(zhí)行上述一系列處理的計算機的硬件配置示例的框圖。在計算機中，中央處理單元(CPU) 301、只讀存儲器(ROM) 302和隨機存取存儲器(RAM) 303通過總線304相互連接。
另外，輸入/輸出接口 305連接到總線304。由鍵盤、鼠標(biāo)、麥克風(fēng)等形成的輸入部306和由顯示器、揚聲器等形成的輸出部307、由硬盤、非易失性存儲器等形成的存儲部308、由網(wǎng)絡(luò)接口等形成的通信部309、和驅(qū)動可移動介質(zhì)311的驅(qū)動器310連接至輸入/輸出接口 305，其中，可移動介質(zhì)311是磁盤、光盤、磁光盤或半導(dǎo)體存儲器等。在如上所述那樣配置的計算機中，CPU 301將例如存儲在存儲部308中的程序經(jīng)由輸入/輸出接口 305和總線304加載到RAM 303中，并且執(zhí)行該程序。因而，執(zhí)行了上述一系列處理。由計算機(CPU 301)執(zhí)行的程序記錄在可移動介質(zhì)311中，該可移動介質(zhì)是例如由磁盤(包括軟盤)、光盤(致密盤只讀存儲器(⑶-ROM)、數(shù)字通用盤(DVD)等)、磁光盤或半導(dǎo)體存儲器等形成的封裝介質(zhì)。替選地，程序經(jīng)由有線或無線傳輸介質(zhì)(諸如，局域網(wǎng)、因特網(wǎng)和數(shù)字衛(wèi)星廣播)提供。然后，可以通過將可移動介質(zhì)311插入驅(qū)動器310中來將程序經(jīng)由輸入/輸出接口 305安裝在存儲部908中。此外，該程序可以由通信部309經(jīng)由有線或無線傳輸介質(zhì)接收，并被安裝在存儲部908中。此外，可以預(yù)先將程序安裝在ROM 302或存儲部908中。應(yīng)該注意，計算機所執(zhí)行的程序可以是根據(jù)本說明書所述的順序按時序處理的程序，或者可以是并行地或在諸如調(diào)用時的必要時刻處理的程序。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，在所附權(quán)利要求書或其等同物的范圍內(nèi)，可以根據(jù)設(shè)計要求和其它因素來進行各種修改、組合、子組合和變更。另外，還可以如下配置本技術(shù)。(I) 一種學(xué)習(xí)裝置，包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像；弱分類計算單元，用于針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；以及分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器選擇的弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。(2)根據(jù)(I)所述的學(xué)習(xí)裝置，還包括權(quán)重設(shè)置單元，用于基于所述分類結(jié)果設(shè)置所述學(xué)習(xí)圖像的權(quán)重；以及誤差率計算單元，用于基于所述權(quán)重和根據(jù)所述弱分類器的各學(xué)習(xí)圖像的分類結(jié)果而計算所述弱分類器的誤差率，其中，所述分類器生成單元基于所述誤差率選擇所述弱分類器。(3)根據(jù)(I )或(2)所述的學(xué)習(xí)裝置，其中，所述分類器生成單元所生成的分類器用于多類別對象識別。(4)根據(jù)(I)至(3)中任一項所述的學(xué)習(xí)裝置，其中所述分類器生成單元所生成的分類器是構(gòu)成樹結(jié)構(gòu)分類器的分類器，并且 所述遷移分類器是構(gòu)成所述樹結(jié)構(gòu)分類器的葉子的分類器。(5)—種用在學(xué)習(xí)裝置中的學(xué)習(xí)方法，其中，所述學(xué)習(xí)裝置包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像；弱分類計算單元，用于針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；以及分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器中選擇的弱分類器來生成用于檢測所述檢測目標(biāo)的分類器，所述學(xué)習(xí)方法包括通過所述特征量提取單元從所述學(xué)習(xí)圖像中提取所述特征量；通過所述弱分類計算單元計算所述分類結(jié)果；以及通過所述分類器生成單元生成所述分類器。(6) 一種程序，用于使計算機執(zhí)行以下步驟針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像；針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；以及使用基于所述分類結(jié)果從所述多個弱分類器中選擇的弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。(7) 一種學(xué)習(xí)裝置，包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像；弱分類器設(shè)置單元，用于基于所述學(xué)習(xí)圖像以及在從所述學(xué)習(xí)圖像中提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特征量，生成弱分類器，其中，所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；弱分類計算單元，用于通過將與所述弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果；以及分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器中選擇的所述弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。( 8 )根據(jù)(7 )所述的學(xué)習(xí)裝置，還包括權(quán)重設(shè)置單元，用于基于所述分類結(jié)果設(shè)置所述學(xué)習(xí)圖像的權(quán)重；以及誤差率計算單元，用于基于所述權(quán)重和根據(jù)所述弱分類器的各學(xué)習(xí)圖像的分類結(jié)果而計算所述弱分類器的誤差率，其中，所述分類器生成單元基于所述誤差率而選擇所述弱分類器。(9)根據(jù)(7)或(8)所述的學(xué)習(xí)裝置，其中，所述分類器生成單元所生成的所述分類器用于多類別對象識別。 (10)根據(jù)(7)至(9)中任一項所述的學(xué)習(xí)裝置，其中所述分類器生成單元所生成的所述分類器是構(gòu)成樹結(jié)構(gòu)分類器的分類器，并且所述遷移分類器是構(gòu)成所述樹結(jié)構(gòu)分類器的葉子的分類器。(11) —種用在學(xué)習(xí)裝置中的學(xué)習(xí)方法，其中，所述學(xué)習(xí)裝置包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含檢測目標(biāo)的學(xué)習(xí)圖像；弱分類器設(shè)置單元，用于基于所述學(xué)習(xí)圖像以及在從所述學(xué)習(xí)圖像中提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特征量，生成弱分類器，其中，所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；弱分類計算單元，用于通過將與所述弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果；以及分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器中選擇的所述弱分類器來生成用于檢測所述檢測目標(biāo)的分類器，所述學(xué)習(xí)方法包括通過所述特征量提取單元從所述學(xué)習(xí)圖像中提取所述特征量；通過所述弱分類器設(shè)置單元生成所述弱分類器；通過所述弱分類計算單元計算所述分類結(jié)果；以及通過所述分類器生成單元生成所述分類器。(12) 一種程序，用于使計算機執(zhí)行如下步驟針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像；基于所述學(xué)習(xí)圖像以及在從所述學(xué)習(xí)圖像中提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特征量，生成弱分類器，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；通過將與所述弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果；以及使用基于所述分類結(jié)果從所述多個弱分類器中選擇的所述弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，在所附權(quán)利要求書或其等同物的范圍內(nèi)，可以根據(jù)設(shè)計要求和其它因素來進行各種修改、組合、子組合和變更。
本公開內(nèi)容包含與2011年5月23日向日本專利局提交的日本優(yōu)先權(quán)專利申請JP 2011-114379中所公開的主題內(nèi)容相關(guān)的主題內(nèi)容，其全部內(nèi)容通過引用而合并于此。
權(quán)利要求
1.一種學(xué)習(xí)裝置，包括 特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像； 弱分類計算單元，用于針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；以及 分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器選擇的弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。
2.根據(jù)權(quán)利要求I所述的學(xué)習(xí)裝置，還包括 權(quán)重設(shè)置單元，用于基于所述分類結(jié)果設(shè)置所述學(xué)習(xí)圖像的權(quán)重；以及誤差率計算單元，用于基于所述權(quán)重和根據(jù)所述弱分類器的各學(xué)習(xí)圖像的分類結(jié)果而計算所述弱分類器的誤差率， 其中，所述分類器生成單元基于所述誤差率選擇所述弱分類器。
3.根據(jù)權(quán)利要求2所述的學(xué)習(xí)裝置，其中，所述分類器生成單元所生成的分類器用于多類別對象識別。
4.根據(jù)權(quán)利要求3所述的學(xué)習(xí)裝置，其中 所述分類器生成單元所生成的分類器是構(gòu)成樹結(jié)構(gòu)分類器的分類器，并且 所述遷移分類器是構(gòu)成所述樹結(jié)構(gòu)分類器的葉子的分類器。
5.一種用在學(xué)習(xí)裝置中的學(xué)習(xí)方法，其中，所述學(xué)習(xí)裝置包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像；弱分類計算單元，用于針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；以及分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器中選擇的弱分類器來生成用于檢測所述檢測目標(biāo)的分類器，所述學(xué)習(xí)方法包括 通過所述特征量提取單元從所述學(xué)習(xí)圖像中提取所述特征量； 通過所述弱分類計算單元計算所述分類結(jié)果；以及 通過所述分類器生成單元生成所述分類器。
6.一種程序，用于使計算機執(zhí)行以下步驟 針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像； 針對構(gòu)成遷移分類器的多個弱分類器中的各弱分類器，通過將與弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；以及 使用基于所述分類結(jié)果從所述多個弱分類器中選擇的弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。
7.一種學(xué)習(xí)裝置，包括 特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像； 弱分類器設(shè)置單元，用于基于所述學(xué)習(xí)圖像以及在從所述學(xué)習(xí)圖像中提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特征量，生成弱分類器，其中，所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器； 弱分類計算單元，用于通過將與所述弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果；以及 分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器中選擇的所述弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。
8.根據(jù)權(quán)利要求7所述的學(xué)習(xí)裝置，還包括 權(quán)重設(shè)置單元，用于基于所述分類結(jié)果設(shè)置所述學(xué)習(xí)圖像的權(quán)重；以及誤差率計算單元，用于基于所述權(quán)重和根據(jù)所述弱分類器的各學(xué)習(xí)圖像的分類結(jié)果而計算所述弱分類器的誤差率， 其中，所述分類器生成單元基于所述誤差率而選擇所述弱分類器。
9.根據(jù)權(quán)利要求8所述的學(xué)習(xí)裝置，其中，所述分類器生成單元所生成的所述分類器用于多類別對象識別。
10.根據(jù)權(quán)利要求9所述的學(xué)習(xí)裝置，其中 所述分類器生成單元所生成的所述分類器是構(gòu)成樹結(jié)構(gòu)分類器的分類器，并且 所述遷移分類器是構(gòu)成所述樹結(jié)構(gòu)分類器的葉子的分類器。
11.一種用在學(xué)習(xí)裝置中的學(xué)習(xí)方法，其中，所述學(xué)習(xí)裝置包括特征量提取單元，用于針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像；弱分類器設(shè)置單元，用于基于所述學(xué)習(xí)圖像以及在從所述學(xué)習(xí)圖像中提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特征量，生成弱分類器，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器；弱分類計算單元，用于通過將與所述弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果；以及分類器生成單元，用于使用基于所述分類結(jié)果從所述多個弱分類器中選擇的所述弱分類器來生成用于檢測所述檢測目標(biāo)的分類器，所述學(xué)習(xí)方法包括 通過所述特征量提取單元從所述學(xué)習(xí)圖像中提取所述特征量； 通過所述弱分類器設(shè)置單元生成所述弱分類器； 通過所述弱分類計算單元計算所述分類結(jié)果；以及 通過所述分類器生成單元生成所述分類器。
12.—種程序，用于使計算機執(zhí)行如下步驟 針對多幅學(xué)習(xí)圖像中的各學(xué)習(xí)圖像，從學(xué)習(xí)圖像的特征點提取特征量，其中所述多幅學(xué)習(xí)圖像包括包含檢測目標(biāo)的學(xué)習(xí)圖像和不包含所述檢測目標(biāo)的學(xué)習(xí)圖像； 基于所述學(xué)習(xí)圖像以及在從所述學(xué)習(xí)圖像中提取的特征量當(dāng)中與構(gòu)成遷移分類器的遷移弱分類器對應(yīng)的特征量，生成弱分類器，其中所述遷移分類器是通過統(tǒng)計學(xué)習(xí)而獲得的用于檢測所述檢測目標(biāo)的分類器； 通過將與所述弱分類器對應(yīng)的特征量代入所述弱分類器中來針對每幅學(xué)習(xí)圖像計算根據(jù)所述弱分類器的所述檢測目標(biāo)的分類結(jié)果；以及 使用基于所述分類結(jié)果從所述多個弱分類器中選擇的所述弱分類器來生成用于檢測所述檢測目標(biāo)的分類器。
全文摘要
本發(fā)明公開了學(xué)習(xí)裝置、學(xué)習(xí)方法和程序。特征量計算單元從學(xué)習(xí)圖像的各特征點提取特征量。獲取單元獲取已通過學(xué)習(xí)所獲得的分類器作為遷移分類器。分類器生成單元將特征量代入構(gòu)成遷移分類器的弱分類器，基于弱分類器的分類結(jié)果和學(xué)習(xí)圖像的權(quán)重而計算弱分類器的誤差率，并且重復(fù)選擇誤差率最小化的弱分類器的處理多次。另外，分類器生成單元通過線性地耦合所選擇的多個弱分類器來生成用于檢測檢測目標(biāo)的分類器。
文檔編號G06K9/46GK102799889SQ201210153019
公開日2012年11月28日 申請日期2012年5月16日 優(yōu)先權(quán)日2011年5月23日
發(fā)明者橫野順 申請人:索尼公司