別對(duì)應(yīng)的模型參數(shù)，Z(Xl)表示Xl的隱變量z的取 值范圍，f(Xi,z)表示Xi的特征向量，< 表示模型參數(shù)為及(;::時(shí)Xi隱變量的當(dāng)前值，i為1至N中的任意整數(shù)。
[0123] 可選地，作為一個(gè)實(shí)施例，所述處理器520具體用于根據(jù)公式
確定每一個(gè)所述圖像樣本的隱變量的初始值，其中，Xl表示 所述N個(gè)圖像樣本中的第i樣本，βk表示所述K個(gè)模型參數(shù)中的第k個(gè)模型參數(shù)，Z(Xl)表 示Xi的隱變量Z的取值范圍，f(Xi, Z)表示Xi的特征向量，4表示模型參數(shù)為βk時(shí)Xi隱 變量Z的初始值，i為1至N中的任意整數(shù)，k為1至K中的任意整數(shù)。
[0124] 圖6是本發(fā)明實(shí)施例的圖像分類方法的示意性流程圖。圖6的方法中，可利用圖 1方法訓(xùn)練出的K個(gè)分類器對(duì)圖像進(jìn)行分類，圖6方法包括：
[0125] 610、獲取待分類圖像的特征向量；
[0126] 620、基于待分類圖像的特征向量，利用K個(gè)分類器，確定待分類圖像的類別；
[0127] 630、根據(jù)公￥
^確定待分類圖像在K個(gè)類別下的概率，其 中
X表示待分類圖像，i3k表示K個(gè)分類器中第k個(gè)分類器的模 型參數(shù)，f(X，Z)表示X的特征向量，Z(x)表示X的隱變量z的取值范圍，k為1至K中的任 意整數(shù)。
[0128] 現(xiàn)有的LSVM的分類結(jié)果僅給出待分類圖像屬于哪一類，但是實(shí)際情況中，不同類 型之間可能存在一定的聯(lián)系，某一圖像并非絕對(duì)屬于哪一類。例如，可以將建筑物的風(fēng)格 進(jìn)行分類，包括現(xiàn)代風(fēng)格，中世紀(jì)風(fēng)格等，圖像中某一建筑物風(fēng)格可能既采用了一些現(xiàn)代風(fēng) 格，也采用了一部分中世紀(jì)風(fēng)格，此時(shí)，現(xiàn)有LSVM的分類結(jié)果僅會(huì)顯示待分類圖像中的建 筑物歸為哪種建筑風(fēng)格，顯然不夠準(zhǔn)確。本實(shí)施例中，除了給出待分類圖像所屬的類別，還 給出了該圖片在各類別中的概率，與現(xiàn)有技術(shù)相比，引入圖像分類結(jié)果的概率解釋使得圖 像分類結(jié)果的描述更加準(zhǔn)確。
[0129] 圖7是本發(fā)明實(shí)施例的圖像分類的裝置的示意性框圖。圖7中的裝置700可利用 圖4的裝置400訓(xùn)練出的K個(gè)分類器對(duì)圖像進(jìn)行分類，裝置700包括：
[0130] 第一獲取單元710,用于獲取待分類圖像的特征向量；
[0131] 第一確定單元720,用于基于待分類圖像的特征向量，利用K個(gè)分類器，確定待分 類圖像的類別；
[0132] 第二確定單元730,用于根據(jù)公式
確定待分類圖像在K 個(gè)類別下的概率，其中
?表示待分類圖像，βk表示K個(gè)分類器 中第k個(gè)分類器的模型參數(shù)，f(x，z)表示X的特征向量，Z(x)表示X的隱變量z的取值范 圍，k為1至K中的任意整數(shù)。
[0133] 現(xiàn)有的LSVM的分類結(jié)果僅給出待分類圖像屬于哪一類，但是實(shí)際情況中，不同類 型之間可能存在一定的聯(lián)系，某一圖像并非絕對(duì)屬于哪一類。例如，可以將建筑物的風(fēng)格 進(jìn)行分類，包括現(xiàn)代風(fēng)格，中世紀(jì)風(fēng)格等，圖像中某一建筑物風(fēng)格可能既采用了一些現(xiàn)代風(fēng) 格，也采用了一部分中世紀(jì)風(fēng)格，此時(shí)，現(xiàn)有LSVM的分類結(jié)果僅會(huì)顯示待分類圖像中的建 筑物歸為哪種建筑風(fēng)格，顯然不夠準(zhǔn)確。本實(shí)施例中，除了給出待分類圖像所屬的類別，還 給出了該圖片在各類別中的概率，與現(xiàn)有技術(shù)相比，引入圖像分類結(jié)果的概率解釋使得圖 像分類結(jié)果的描述更加準(zhǔn)確。
[0134] 圖8是本發(fā)明實(shí)施例的圖像分類的裝置的示意性框圖。圖8中的圖像分類裝置 800可利用圖5的裝置500訓(xùn)練出的K個(gè)分類器對(duì)圖像進(jìn)行分類，圖8方法包括：
[0135] 存儲(chǔ)器810,用于存儲(chǔ)程序；
[0136] 處理器820,用于執(zhí)行程序，當(dāng)所述程序被執(zhí)行時(shí)，所述程序用于獲取待分類 圖像的特征向量；基于待分類圖像的特征向量，利用K個(gè)分類器，確定待分類圖像的類 另|J;根據(jù)公￥
'確定待分類圖像在K個(gè)類別下的概率，其中，
表示待分類圖像，i3k表示K個(gè)分類器中第k個(gè)分類器的模型 參數(shù)，f(X，Z)表示X的特征向量，Z(x)表示X的隱變量Z的取值范圍，k為1至K中的任意 整數(shù)。
[0137] 現(xiàn)有的LSVM的分類結(jié)果僅給出待分類圖像屬于哪一類，但是實(shí)際情況中，不同類 型之間可能存在一定的聯(lián)系，某一圖像并非絕對(duì)屬于哪一類。例如，可以將建筑物的風(fēng)格 進(jìn)行分類，包括現(xiàn)代風(fēng)格，中世紀(jì)風(fēng)格等，圖像中某一建筑物風(fēng)格可能既采用了一些現(xiàn)代風(fēng) 格，也采用了一部分中世紀(jì)風(fēng)格，此時(shí)，現(xiàn)有LSVM的分類結(jié)果僅會(huì)顯示待分類圖像中的建 筑物歸為哪種建筑風(fēng)格，顯然不夠準(zhǔn)確。本實(shí)施例中，除了給出待分類圖像所屬的類別，還 給出了該圖片在各類別中的概率，與現(xiàn)有技術(shù)相比，引入圖像分類結(jié)果的概率解釋使得圖 像分類結(jié)果的描述更加準(zhǔn)確。
[0138]應(yīng)理解，在本發(fā)明實(shí)施例中，術(shù)語"和/或"僅僅是一種描述關(guān)聯(lián)對(duì)象的關(guān)聯(lián)關(guān)系， 表示可以存在三種關(guān)系。例如，A和/或B，可以表示：?jiǎn)为?dú)存在A，同時(shí)存在A和B，單獨(dú)存 在B這三種情況。另外，本文中字符"/"，一般表示前后關(guān)聯(lián)對(duì)象是一種"或"的關(guān)系。
[0139]本領(lǐng)域普通技術(shù)人員可以意識(shí)到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單 元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件 和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這 些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專 業(yè)技術(shù)人員可以對(duì)每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不 應(yīng)認(rèn)為超出本發(fā)明的范圍。
[0140]所屬領(lǐng)域的技術(shù)人員可以清楚地了解到，為了描述的方便和簡(jiǎn)潔，上述描述的系 統(tǒng)、裝置和單元的具體工作過程，可以參考前述方法實(shí)施例中的對(duì)應(yīng)過程，在此不再贅述。
[0141]在本申請(qǐng)所提供的幾個(gè)實(shí)施例中，應(yīng)該理解到，所揭露的系統(tǒng)、裝置和方法，可以 通過其它的方式實(shí)現(xiàn)。例如，以上所描述的裝置實(shí)施例僅僅是示意性的，例如，所述單元的 劃分，僅僅為一種邏輯功能劃分，實(shí)際實(shí)現(xiàn)時(shí)可以有另外的劃分方式，例如多個(gè)單元或組件 可以結(jié)合或者可以集成到另一個(gè)系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另外，所顯示或討 論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口、裝置或單元的間接耦合 或通信連接，也可以是電的，機(jī)械的或其它的形式連接。
[0142]所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯 示的部件可以是或者也可以不是物理單元，即可以位于一個(gè)地方，或者也可以分布到多個(gè) 網(wǎng)絡(luò)單元上?？梢愿鶕?jù)實(shí)際的需要選擇其中的部分或者全部單元來實(shí)現(xiàn)本發(fā)明實(shí)施例方案 的目的。
[0143] 另外，在本發(fā)明各個(gè)實(shí)施例中的各功能單元可以集成在一個(gè)處理單元中，也可以 是各個(gè)單元單獨(dú)物理存在，也可以是兩個(gè)或兩個(gè)以上單元集成在一個(gè)單元中。上述集成的 單元既可以采用硬件的形式實(shí)現(xiàn)，也可以采用軟件功能單元的形式實(shí)現(xiàn)。
[0144]所述集成的單元如果以軟件功能單元的形式實(shí)現(xiàn)并作為獨(dú)立的產(chǎn)品銷售或使用 時(shí)，可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中?；谶@樣的理解，本發(fā)明的技術(shù)方案本質(zhì) 上或者說對(duì)現(xiàn)有技術(shù)做出貢獻(xiàn)的部分，或者該技術(shù)方案的全部或部分可以以軟件產(chǎn)品的形 式體現(xiàn)出來，該計(jì)算機(jī)軟件產(chǎn)品存儲(chǔ)在一個(gè)存儲(chǔ)介質(zhì)中，包括若干指令用以使得一臺(tái)計(jì)算 機(jī)設(shè)備（可以是個(gè)人計(jì)算機(jī)，服務(wù)器，或者網(wǎng)絡(luò)設(shè)備等）執(zhí)行本發(fā)明各個(gè)實(shí)施例所述方法 的全部或部分步驟。而前述的存儲(chǔ)介質(zhì)包括：U盤、移動(dòng)硬盤、只讀存儲(chǔ)器（ROM，Read-Only Memory)、隨機(jī)存取存儲(chǔ)器（RAM,RandomAccessMemory)、磁碟或者光盤等各種可以存儲(chǔ)程 序代碼的介質(zhì)。
[0145] 以上所述，僅為本發(fā)明的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此，任何 熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到各種等效的修改或替 換，這些修改或替換都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利 要求的保護(hù)范圍為準(zhǔn)。
【主權(quán)項(xiàng)】
1. 一種圖像分類器的生成方法，其特征在于，包括： 獲取訓(xùn)練樣本集，所述訓(xùn)練樣本集包括N個(gè)圖像樣本，所述N個(gè)圖像樣本屬于K個(gè)類 另|J，N、K為正整數(shù)，N大于K; 獲取每一個(gè)所述圖像樣本的特征向量，其中，所述特征向量包括圖像樣本的隱變量； 基于所述N個(gè)圖像樣本的隱變量，通過多元邏輯回歸模型，訓(xùn)練所述K個(gè)類別的分類 器。2. 如權(quán)利要求1所述的方法，其特征在于，所述K個(gè)類別的分類器分別包括K個(gè)模型參 數(shù)， 所述基于所述N個(gè)圖像樣本的隱變量，通過多元邏輯回歸模型，訓(xùn)練所述K個(gè)類別的分 類器，包括： 獲取所述K個(gè)模型參數(shù)的初始值； 獲取所述N個(gè)圖像樣本的隱變量的初始值； 基于所述N個(gè)圖像樣本的特征向量，以及所述N個(gè)圖像樣本隱變量的初始值，通過所述 多元邏輯回歸模型，訓(xùn)練所述K個(gè)類別的分類器，以確定所述K個(gè)模型參數(shù)的目標(biāo)值。3. 如權(quán)利要求2所述的方法，其特征在于，所述N個(gè)圖像樣本隱變量的初始值包括：正 圖像樣本隱變量的初始值和負(fù)圖像樣本隱變量的初始值， 所述基于所述N個(gè)圖像樣本的特征向量，以及所述N個(gè)圖像樣本隱變量的初始值，通過 所述多元邏輯回歸模型，訓(xùn)練所述K個(gè)類別的分類器，以確定所述K個(gè)模型參數(shù)的目標(biāo)值， 包括： 基于所述N個(gè)圖像樣本的特征向量，以及所述N個(gè)圖像樣本隱變量的初始值，通過所述 多元邏輯回歸模型，訓(xùn)練所述K個(gè)類別的分類器，以確定所述K個(gè)模型參數(shù)的當(dāng)前值， 當(dāng)所述K個(gè)模型參數(shù)的當(dāng)前值滿足預(yù)設(shè)的收斂條件時(shí)，將所述K個(gè)模型參數(shù)的當(dāng)前值 確定為所述K個(gè)模型參數(shù)的目標(biāo)值， 當(dāng)所述K個(gè)模型參數(shù)的當(dāng)前值不滿足所述收斂條件時(shí)，基于所述N個(gè)圖像樣本的特征 向量，以及所述K個(gè)模型參數(shù)的當(dāng)前值，確定所述正圖像樣本隱變量的當(dāng)前值，并利用所述 正圖像樣本隱變量的當(dāng)前值更新所述正圖像樣本隱變量的初始值，重復(fù)執(zhí)行本步驟直到所 述K個(gè)模型參數(shù)的當(dāng)前值滿足所述收斂條件。4. 如權(quán)利要求3所述的方法，其特征在于，所述基于所述N個(gè)圖像樣本的特征向量，以 及所述N個(gè)圖像樣本隱變量的初始值，通過所述多元邏輯回歸模型，訓(xùn)練所述K個(gè)類別的分 類器，以確定所述K個(gè)模型參數(shù)的當(dāng)前值，包括： 基于所述N個(gè)圖像樣本的特征向量，以及所述N個(gè)圖像樣本隱變量的初始值，通過所述 多元邏輯回歸模型，訓(xùn)練所述K個(gè)類別的分類器，以確定所述K個(gè)模型參數(shù)的迭代值， 基于所述N個(gè)圖像樣本的特征向量，以及所述K個(gè)模型參數(shù)的迭代值，確定所述負(fù)圖像 樣本隱變量的迭代值，并利用所述負(fù)圖像樣本隱變