本發(fā)明涉及一種使用神經(jīng)網(wǎng)絡(luò)處理圖像的技術(shù)。

背景技術(shù)：

對象檢測在許多圖像處理任務(wù)中起著重要的作用。對象檢測的動機是在圖像中找到某個對象或其一部分。在對象被定位之后，可進行例如對象辨識的其它任務(wù)。

對象檢測的一個實施例是人臉識別。人臉識別通常需要將臉部在某個方向上對準，以實現(xiàn)高識別性能。為了對準該臉部區(qū)域，可使用臉部的特征，例如眼睛、鼻子、嘴巴等。通過對象檢測，可識別這些臉部特征。能夠使用識別的臉部特征來對準臉部的方向。

在對象檢測中，使用所謂的滑動窗口。該方法從圖像中提取任意區(qū)域，并計算提取區(qū)域包括特定對象的概率。如果概率超過給定閾值，則在提取的區(qū)域中檢測對象。通過這種滑動窗口方法，可實現(xiàn)高精度。然而，如果關(guān)于可能的對象位置的先驗信息不可用，則該方法具有高計算成本的缺點。這是因為窗口必須放置在許多不同的位置并縮放，直到達到預(yù)定義的概率閾值。

此外，這種滑動窗口方法通常使用模板匹配來計算特定對象在區(qū)域中的概率。這些模板通常是預(yù)定義的，并且如果對象外觀隨時間而變化，則不能很好地適用。因此，需要更新模板以實現(xiàn)高檢測準確度。

機器學(xué)習(xí)是適應(yīng)對象變化的一種方法。機器學(xué)習(xí)方法通過學(xué)習(xí)辨識對象的外部特征元素來提取對象的外部特征，從而識別這些特征。通常，機器學(xué)習(xí)預(yù)先學(xué)習(xí)已知的圖像數(shù)據(jù)對以及從圖像數(shù)據(jù)中獲取的已知檢測結(jié)果。學(xué)習(xí)器使用學(xué)習(xí)結(jié)果對新的圖像數(shù)據(jù)進行對象檢測。也能夠根據(jù)檢測結(jié)果的準確性來調(diào)整學(xué)習(xí)參數(shù)。

神經(jīng)網(wǎng)絡(luò)通常稱為實施機器學(xué)習(xí)的學(xué)習(xí)器。神經(jīng)網(wǎng)絡(luò)包括受人腦中的神經(jīng)元啟發(fā)的人造神經(jīng)元。給定的權(quán)重因子與每個神經(jīng)元的輸入相乘，然后添加偏差，從而獲取神經(jīng)元的輸出。

下面列出的專利文獻1描述了使用卷積神經(jīng)網(wǎng)絡(luò)來在低分辨率圖像中辨識人的方法。在專利文獻1中，使用要辨識的人的圖像來重復(fù)學(xué)習(xí)過程。

引用列表

專利文獻

專利文獻1：美國專利公開2011/0222724。

技術(shù)實現(xiàn)要素：

技術(shù)問題

當使用神經(jīng)網(wǎng)絡(luò)進行對象檢測時，在學(xué)習(xí)過程中調(diào)整加權(quán)因子和偏差以獲取所需的檢測結(jié)果。使用神經(jīng)網(wǎng)絡(luò)進行對象檢測時的技術(shù)問題之一在于，在獲取所需結(jié)果之前需要較長學(xué)習(xí)時間。

鑒于上述問題提供了本發(fā)明。本發(fā)明的目的在于提高使用神經(jīng)網(wǎng)絡(luò)檢測對象的過程的效率。

解決問題的方案

本發(fā)明：將對象檢測所需的任務(wù)轉(zhuǎn)換為解決分類問題所需的任務(wù)；使用對輸入數(shù)據(jù)進行分類的神經(jīng)網(wǎng)絡(luò)將對象檢測處理為分類問題。

本發(fā)明的有益效果

通過本發(fā)明，能夠通過使用對輸入數(shù)據(jù)進行分類的神經(jīng)網(wǎng)絡(luò)將對象檢測中所需的任務(wù)有效地處理為分類問題。從以下實施例的描述中，除上述之外的技術(shù)問題、配置和效果將顯而易見。

附圖說明

圖1是根據(jù)實施例1的圖像處理裝置100的功能框圖。

圖2是示出區(qū)域定義器110的處理、坐標分離器120的處理和量化器130的處理的示圖。

圖3是示出學(xué)習(xí)器150的層配置的示例的示圖。

圖4是說明從分類器160輸出的輸出向量的示圖。

圖5是示出再生器170的處理的示圖。

圖6是根據(jù)實施例2的圖像處理裝置100的功能框圖。

圖7是示出移位器180的處理的示圖。

圖8是示出圖像數(shù)據(jù)200是從汽車側(cè)面捕獲的行駛汽車的圖像時的區(qū)域定義器110的處理和量化器130的處理的示圖。

圖9是示出圖像數(shù)據(jù)200是從汽車正面捕獲的汽車的圖像時的區(qū)域定義器110的處理的示圖。

圖10是示出根據(jù)實施例4的圖像處理裝置100的硬件配置的示圖。

具體實施方式

<本發(fā)明的基本概念>

在下文中，為了更好地理解本發(fā)明，將首先描述本發(fā)明的基本概念。然后將描述本發(fā)明的實施例。

專利文獻1中描述的卷積神經(jīng)網(wǎng)絡(luò)是使用神經(jīng)網(wǎng)絡(luò)檢測對象的一種方法。在專利文獻1的方法中，例如：對于對圖像數(shù)據(jù)應(yīng)用形狀檢測濾波器(卷積)，從而檢測對象的形狀；例如最大值池化(maxpooling)的一些方法應(yīng)用于來自濾波器的輸出，從而稀釋濾波器中的對象的位置誤差。通過連接實施上述處理的多個層來形成神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)的其它應(yīng)用在于解決分類問題。在這種情況下，神經(jīng)網(wǎng)絡(luò)預(yù)先學(xué)習(xí)輸入數(shù)據(jù)與輸入數(shù)據(jù)所屬的分類之間的關(guān)系。當新輸入數(shù)據(jù)進入神經(jīng)網(wǎng)絡(luò)中時，神經(jīng)網(wǎng)絡(luò)根據(jù)先前學(xué)習(xí)的結(jié)果輸出顯示新輸入數(shù)據(jù)所屬分類的值。

通常，神經(jīng)網(wǎng)絡(luò)可比進行對象檢測更有效地解決分類問題。這是因為：對象檢測是辨識對象存在位置的任務(wù)；而分類問題是回答分類目標所屬分類的任務(wù)，其中，輸出結(jié)果比對象檢測的輸出結(jié)果更簡化。本發(fā)明側(cè)重于這種性質(zhì)。本發(fā)明旨在通過提供用于將對象檢測問題處理為分類問題的措施，以提高使用神經(jīng)網(wǎng)絡(luò)檢測對象的處理效率。

<實施例1>

圖1是根據(jù)本發(fā)明的實施例1的圖像處理裝置100的功能框圖。圖像處理裝置100是使用神經(jīng)網(wǎng)絡(luò)來檢測圖像數(shù)據(jù)200中的對象的裝置。圖像處理裝置100包括區(qū)域定義器110、坐標分離器120、量化器130、映射器140、學(xué)習(xí)器150、分類器160和再生器170。在下文中，人的臉部圖像將被處理為圖像數(shù)據(jù)200的示例。稍后將描述每個功能單元的行為。

圖2是示出區(qū)域定義器110的處理、坐標分離器120的處理以及量化器130的處理的示圖。在下文中，將根據(jù)圖2描述這三個功能單元的行為。

區(qū)域定義器110根據(jù)假設(shè)包括在圖像數(shù)據(jù)200中的特征元素的數(shù)量和位置來定義圖像數(shù)據(jù)200上的一個或多個子區(qū)域。當檢測到人臉時，例如：圖像數(shù)據(jù)200的左上部區(qū)域(當在朝向圖的方向上看時)被定義為右眼區(qū)域；右上部區(qū)域被定義為左眼區(qū)域；以及下半部被定義為嘴部區(qū)域。由區(qū)域定義器110定義的子區(qū)域的數(shù)量和位置可根據(jù)檢測對象的特性預(yù)先定義。替換地，可每次通過包括在圖像處理裝置100中的一些適當?shù)慕缑鎭碇付ㄗ訁^(qū)域的數(shù)量和位置。并不總是需要定義子區(qū)域。例如，整個圖像數(shù)據(jù)200可被定義為用于進行對象檢測的一個區(qū)域。在下文中，假設(shè)如圖2所示定義子區(qū)域。

坐標分離器120將每個子區(qū)域的像素坐標分離為每個坐標軸的值。分離后的每個坐標被處理為單個一維向量。由于實施例1處理人臉的二維圖像，所以每個像素坐標將被分為x坐標值和y坐標值。

量化器130使用預(yù)定間隔量化通過坐標分離器120分離的每個坐標軸的像素坐標值。然后，每個子區(qū)域中的像素都從每一個像素處的連續(xù)像素轉(zhuǎn)換為每個間隔處的離散像素。每個子區(qū)域的量化間隔不一定彼此相同。此外，每個坐標軸的量化間隔不一定彼此相同。如圖2所示，例如，可將小區(qū)域中的量化間隔設(shè)定得較小，并且可將水平長區(qū)域中的量化間隔設(shè)定為使得x坐標的量化間隔大于y坐標的量化間隔。當下面提到的再生器170在坐標系上再生每個特征元素時，量化間隔定義誤差寬度。稍后將詳細描述。量化器130用于減少計算負荷，因此當提供足夠的計算資源時，量化器130不是必要的。

映射器140進行將對象檢測問題處理為分類問題所需的過程。當將對象檢測問題處理為分類問題時，可假設(shè)：在卷積神經(jīng)網(wǎng)絡(luò)中形成的每個層對圖像數(shù)據(jù)200中的每個像素是否對應(yīng)于目標對象的坐標值進行分類；并且最后通過聚合來自每層的輸出來獲取目標對象的坐標值。然后，本發(fā)明假設(shè)圖像數(shù)據(jù)200中的每個像素坐標值(如果進行量化，則為量化后的坐標值)是分類問題中的分類目標。然后，本發(fā)明將每個坐標值分類為屬于目標對象的坐標值和不屬于目標對象的坐標值(即，每個坐標值是否包括在目標對象的一部分中)。

映射器140將學(xué)習(xí)器150中的分類分配給圖像數(shù)據(jù)200中的每個像素的坐標值(如果進行量化，則為量化后的坐標值)。例如，像素坐標值與內(nèi)部分類之間的關(guān)系可提前定義為轉(zhuǎn)換表。對于每個子區(qū)域并且對于每個坐標軸進行從像素坐標值到學(xué)習(xí)器150的內(nèi)部分類的轉(zhuǎn)換。在實施例1中，存在三個子區(qū)域和xy軸。因此，映射器140將右眼區(qū)域/左眼區(qū)域/嘴部區(qū)域的xy像素坐標轉(zhuǎn)換為學(xué)習(xí)器150的內(nèi)部分類。

學(xué)習(xí)器150是使用例如卷積神經(jīng)網(wǎng)絡(luò)形成的機器學(xué)習(xí)器。學(xué)習(xí)器150預(yù)先知道通過映射器140分類的每個像素坐標是否是檢測目標對象的坐標值。在實施例1中，檢測目標對象是圖像數(shù)據(jù)200中的右眼/左眼/嘴部。學(xué)習(xí)器150使用先前學(xué)習(xí)的結(jié)果來辨識圖像數(shù)據(jù)200的新數(shù)據(jù)的右眼/左眼/嘴部的坐標。

圖3是示出學(xué)習(xí)器150的層配置的示例的示圖。在圖中假設(shè)圖像數(shù)據(jù)200是64像素×64像素的二維圖像。在下文中，將使用圖3來描述學(xué)習(xí)器150的配置示例。

第一層對圖像數(shù)據(jù)200應(yīng)用9像素×9像素的形狀檢測濾波器。例如，如果該濾波器是檢測豎直線的濾波器，則該濾波器為9×9陣列，中心列具有較大值，而其它列具有較小值。學(xué)習(xí)器150將圖像數(shù)據(jù)200的左上部像素與濾波器的左上邊緣對準。然后，學(xué)習(xí)器150將濾波器窗口中的每個像素值乘以與像素相同位置處的濾波器值。還能夠根據(jù)設(shè)計條件向乘積結(jié)果添加偏差值。濾波器中的所有元素的偏差值可相同。替換地，每個元素的偏差值可不同。學(xué)習(xí)器150對通過對于濾波器中的每9×9個元素將每個像素值與濾波器值相乘獲取的結(jié)果(或通過進一步添加偏差值獲取的結(jié)果)進行求和。學(xué)習(xí)器150將求和結(jié)果輸入至與像素位置對應(yīng)的神經(jīng)元。

接收輸入值的神經(jīng)元將輸入值輸入至預(yù)定激活函數(shù)來計算輸出值。激活函數(shù)的示例可為非線性濾波函數(shù)，例如整流線性單元(relu)。relu被定義為f(x)＝max(0,x)。

學(xué)習(xí)器150順序地從圖像數(shù)據(jù)200的左上部像素移動濾波器窗口，從而通過濾波器掃描圖像數(shù)據(jù)200的所有像素。學(xué)習(xí)器150在濾波窗口的每個位置處進行與上述相同的計算，并將計算結(jié)果輸入至與該位置對應(yīng)的神經(jīng)元。神經(jīng)元計算輸出值。在圖3所示的示例中，將9×9像素的濾波器應(yīng)用于64×64像素的圖像數(shù)據(jù)200。因此，濾波器的起始位置從第一像素到第56像素。因此，獲取與第一層之后的56×56像素對應(yīng)的處理結(jié)果。

如果僅使用一種類型的形狀檢測濾波器，則僅可檢測到一種類型的形狀。如果要檢測多個形狀，則可在每一層應(yīng)用多種類型的形狀檢測濾波器。在圖3中，在第一層應(yīng)用20種類型的形狀檢測濾波器，并且為每種濾波器類型提供神經(jīng)元。為每個層提供多個形狀檢測濾波器的這種類型的方法被稱為特征映射。因此，第一層輸出與56×56×20像素對應(yīng)的處理結(jié)果。

當在卷積神經(jīng)網(wǎng)絡(luò)中應(yīng)用形狀檢測濾波器時，檢測目標的形狀的位置可從假設(shè)存在于濾波器窗口中的位置移位?？墒褂美缱畲笾党鼗?maxpooling)的一些方法來稀釋這種位置誤差。最大值池化是一種僅保留窗口中最大值的方法。通過最大值對窗口中的形狀進行抽象化。這對應(yīng)于降低圖像的分辨率。在圖3所示的示例中，使用2×2窗口對來自第一層的輸出進行最大值池化，從而獲取28×28×20的處理結(jié)果。

第二層對通過最大值池化獲取的28×28×20的處理結(jié)果應(yīng)用7×7濾波器窗口。由于更高的層檢測比更低的層更復(fù)雜的形狀，所以第二層的形狀檢測濾波器的數(shù)量為40。后續(xù)的層進行與先前層相同的處理。在圖3所示的配置示例中，最終獲取3×3×60的處理結(jié)果。

最后階段完全連接的層有120個神經(jīng)元。先前層中的所有神經(jīng)元連接至完全連接的層中的一些神經(jīng)元。因此，完全連接的層具有先前層中所有神經(jīng)元的信息。

圖4是說明從分類器160輸出的輸出向量的示圖。分類器160對來自包括在完全連接的層中的120個神經(jīng)元的每個輸出進行邏輯回歸分析。然后，分類器160輸出與右眼x坐標/右眼y坐標/左眼x坐標/左眼y坐標/嘴部x坐標/嘴部y坐標有關(guān)的分析結(jié)果。該分析結(jié)果可處理為具有六個元素的向量。

學(xué)習(xí)器150分別具有與右眼區(qū)域/左眼區(qū)域/嘴部區(qū)域的xy坐標對應(yīng)的內(nèi)部分類。因此，可假設(shè)，隨著從更低層到更高層聚合信息，包括在學(xué)習(xí)器150中的分類被聚合成右眼x坐標/右眼y坐標/左眼x坐標/左眼y坐標/嘴部x坐標/嘴部y坐標的六個分類。然后，在實施例1中，分類器160通過對來自在學(xué)習(xí)器150的最后階段完全連接的層中的每個神經(jīng)元的輸出值進行邏輯回歸分析，來獲取具有這六個元素值的輸出向量。

圖5是示出再生器170的處理的圖。再生器170使用來自分類器160的輸出向量，在圖像數(shù)據(jù)200中的坐標系上再生右眼x坐標/右眼y坐標/左眼x坐標/左眼y坐標/嘴部x坐標/嘴部y坐標的六個坐標。具體地，(a)使用量化器130將輸出向量的每個元素值投影至圖像數(shù)據(jù)200中的坐標系上，(b)使用坐標分離器120將每個反量化的元素值格式化為xy坐標，(c)使用區(qū)域定義器110將每個xy坐標分配給圖像數(shù)據(jù)200中的子區(qū)域。

輸出向量的每個元素值都對應(yīng)于右眼/左眼/嘴部的量化xy坐標。量化器130將量化的xy坐標反量化為連續(xù)坐標值。例如，假設(shè)量化器130配置為將圖像數(shù)據(jù)200中的0.3或以上至0.4以下的坐標值量化為0.3。如果輸出向量的元素值為0.3，則量化器130將元素值反量化為從0.3或以上至0.4以下的坐標值。0.3或以上至0.4以下的任何坐標值都是可接受的。為了最小化反量化坐標值與右眼/左眼/嘴部的真實xy坐標之間的差值，需要將坐標值反量化為0.35(中心值)。那么將最小化反量化坐標值與從0.3或以上至0.4以下的真實坐標值中的任何一個之間的期望差值。

坐標分離器120通過配對反量化xy坐標來生成(x，y)坐標。例如，通過將右眼x坐標的反量化邏輯回歸分析結(jié)果與右眼y坐標的反量化邏輯回歸分析結(jié)果進行配對，將生成右眼坐標向量(xre，yre)。它也適用于左眼和嘴部。

區(qū)域定義器110將通過坐標分離器120獲取的右眼/左眼/嘴部的xy坐標分配給對應(yīng)的每個子區(qū)域。

作為上述的結(jié)果，將在圖像數(shù)據(jù)200的坐標系上再生右眼/左眼/嘴部的xy坐標。圖5的下部示圖示出了在圖像數(shù)據(jù)200中再生這些坐標值的結(jié)果的示例。

<實施例1：總結(jié)>

如上所述，根據(jù)實施例1的圖像處理裝置200：量化圖像數(shù)據(jù)200中的坐標值；將學(xué)習(xí)器150內(nèi)的分類分配給量化的坐標值；以及將每個坐標值分類為屬于每個子區(qū)域中的檢測目標的xy坐標的分類以及不屬于它們的分類。因此，能夠?qū)ο髾z測問題處理為分類問題，從而提高學(xué)習(xí)器150的學(xué)習(xí)效率。

在實施例1中，坐標分離器120對于每個坐標軸分離圖像數(shù)據(jù)200中的坐標值。這用于為每個坐標軸分配學(xué)習(xí)器150的內(nèi)部分類，從而簡化對于每個坐標軸的學(xué)習(xí)過程，以提高整體學(xué)習(xí)過程的效率。如果在不將坐標值分離到每個軸中的情況下實現(xiàn)足夠的效率，則并不總是需要分離坐標值。

<實施例2>

圖6是根據(jù)本發(fā)明的實施例2的圖像處理裝置100的功能框圖。除了實施例1中描述的配置之外，根據(jù)實施例2的圖像處理裝置100還包括移位器180。其它配置與實施例1中相同。

圖7是示出移位器180的處理的示圖。如果由再生器170再生的右眼/左眼/嘴部的xy坐標從圖像數(shù)據(jù)200的中心移位，則移位器180將整個圖像數(shù)據(jù)200朝向中心移位。例如，在臉部圖像的情況下，圖像數(shù)據(jù)200被移位，使得右眼/左眼/嘴部的xy坐標的形心位于圖像數(shù)據(jù)200的中心，由此以平衡方式在圖像數(shù)據(jù)200中定位右眼/左眼/嘴部。具體的移位過程取決于圖像數(shù)據(jù)200中的對象。因此，可根據(jù)對象來定義移位圖像數(shù)據(jù)200的這種特定方法。

<實施例3>

本發(fā)明的實施例3示出在圖像數(shù)據(jù)200不是臉部圖像的情況下的子區(qū)域的定義的示例。圖像處理裝置100的配置與實施例1-2中描述的相同。

圖8是示出圖像數(shù)據(jù)200是從汽車的側(cè)面捕獲的行駛車輛的圖像時的區(qū)域定義器110的處理和量化器130的處理的示圖。由于汽車在路上行駛，所以只需要檢測道路周圍的汽車。然后，區(qū)域定義器110將圖像數(shù)據(jù)200的下半部分定義為道路區(qū)域，并且量化器130對道路區(qū)域中的坐標值進行量化。可僅對道路區(qū)域進行后續(xù)處理。那么能夠提高處理效率而不犧牲檢測準確度。

圖9是示出當圖像數(shù)據(jù)200是從汽車正面捕獲的汽車的圖像時的區(qū)域定義器110的處理的示圖。該實施例假設(shè)：從汽車正面看汽車時，左燈、右燈和車牌是特征元素。因此，區(qū)域定義器110定義與那些元素對應(yīng)的子區(qū)域。由于可能有各種汽車設(shè)計，所以圖9中的子區(qū)域彼此重疊。

<實施例4>

圖10是示出根據(jù)本發(fā)明的實施方式4的圖像處理裝置100的硬件配置的示圖。包括在實施例1-3中描述的圖像處理裝置100中的每個功能單元都可通過軟件來實現(xiàn)，該軟件實施由例如cpu(中央處理單元)的處理器執(zhí)行的那些功能。

另外，那些功能單元可分配至多個裝置中，并且每個裝置都可彼此通信，從而構(gòu)建圖像處理裝置100。在圖10中，圖像處理裝置100的功能被劃分到裝置1000a和裝置1000b中，并且這些裝置經(jīng)由網(wǎng)絡(luò)1400彼此通信，從而構(gòu)建圖像處理裝置100。在圖10中，每個裝置1000都包括cpu1100、存儲器1200和通信接口1300。

裝置1000中的任何一個可執(zhí)行任何一個功能。例如：裝置1000a執(zhí)行與區(qū)域定義器110、坐標分離器120、量化器130和映射器140對應(yīng)的處理，并將執(zhí)行結(jié)果發(fā)送至裝置1000b；裝置1000b執(zhí)行與學(xué)習(xí)器150、分類器160、再生器170和移位器180對應(yīng)的處理。

<實施例5>

在實施例1-4中，分類器160對來自完全連接的層的輸出進行邏輯回歸分析。邏輯回歸分析用于對來自完全連接的層的輸出進行分類。因此，這樣的處理可通過神經(jīng)網(wǎng)絡(luò)實施為分類過程。因此，代替進行邏輯回歸分析，分類器160可構(gòu)造為完全連接的層之后的新的神經(jīng)網(wǎng)絡(luò)層。

在實施例1-4中，relu用作神經(jīng)元的激活函數(shù)?？墒褂闷渌愋偷募せ詈瘮?shù)。這些函數(shù)的示例包括雙曲正切函數(shù)、s形函數(shù)等。每層都可使用不同的激活函數(shù)。

在實施例1-4中，子區(qū)域和量化坐標是基于矩形的。取決于檢測對象的形狀，可使用其它形狀，例如三角形或多邊形。

實施例1-4中描述的學(xué)習(xí)器150的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)僅僅是示例，并且可使用其他結(jié)構(gòu)。

<本發(fā)明的變型>

上面已經(jīng)描述了本發(fā)明的各個實施例。然而，在不脫離本發(fā)明的主題的情況下，本發(fā)明包括各種變型。例如，在上述實施例中，為了容易理解本發(fā)明，描述具體配置。然而，本發(fā)明并不總是提供上述所有配置。此外，一個配置示例的一部分可被另一配置示例替換，并且可使用另一實施例的配置來添加一個實施例的配置。而且，在各個配置示例的一部分中，可添加、刪除或替換另一配置。

而且，上述各種配置、功能、處理器、處理裝置中的一些或全部可實現(xiàn)為例如集成電路或其它硬件。而且，上述各種配置和功能可通過允許處理器來解譯和執(zhí)行用于實現(xiàn)各個功能的程序來實現(xiàn)。也就是說，各種配置和功能可通過軟件來實現(xiàn)。用于實現(xiàn)各種功能的程序、表和文件的信息可存儲在例如存儲器、硬盤或ssd(固態(tài)硬盤)的存儲裝置或例如ic卡、sd卡或dvd的存儲介質(zhì)中。

附圖標記列表

100：圖像處理裝置

110：區(qū)域定義器

120：坐標分離器

130：量化器

140：映射器

150：學(xué)習(xí)器

160：分類器

170：再生器

180：移位器

200：圖像數(shù)據(jù)。