本发明专利技术涉及模式识别单元生成方法及信息处理装置。所述模式识别单元生成方法生成模式识别单元，在所述模式识别单元中，通过将多个弱判别器级联连接而获得的弱判别器阵列分支，并且分支之后的各个枝连接有所述弱判别器阵列，所述模式识别单元生成方法基于通过向所述弱判别器阵列输入一组评价用的数据而获得的处理结果，来评价分支之后的弱判别器阵列是否达到要连接的段数。基于该评价结果，确定作为所述弱判别器阵列的要不分支地连接的所述弱判别器的段数。
【技术实现步骤摘要】
本专利技术涉及一种模式识别单元生成方法及信息处理装置。
技术介绍
近年来，在模式辨识领域中，以下这种方法受到关注通过将弱判别 器级联连接来构造识别单元，并且高速地执行用于检测诸如图像中的人脸 等的特定物体的处理。例如，在由Viola禾口 Jones在P. Viola and M. Jones， "Rapid Object Detection using a Boosted Cascade of Simple Features", Proc. IEEE Conf. on Computer Vision and Pattern Recognition, Vol. 1, pp. 511 - 518， December 2001 (下文称为"非专利文献1")中所公开的方法中，将用于提取矩形特 征的预定数量的弱判别器级联连接，以构造称为"级"的强判别器。该弱判 别器是利用增强(boosting)学习算法(在日本特开平8-329031号公报等 中所公开的)来生成的。此外，已经提出了一种具有通过将多个这种级级 联连接而获得的结构的模式识别单元。通过在对各强判别器进行中止确定 (对图像中某一检测对象位置的处理结束)的同时推进处理，由于中止了 对早期被确定为不是检测对象的输入的后续计算，因此总体上能够执行高 速处理。以下将详细地描述该模式识别方法。非专利文献1的模式识别单元使具有特定尺寸的矩形区(处理窗801) 在要被处理的图像800内移动，并且检査各移动目的地处的处理窗801是 否包含人脸，如图8所示。图9是示出非专利文献1中的在各移动目的地位置处的处理窗801中所执行的人脸检测处理的序列的图。使用多级来执行某一处理窗中的人脸 检测处理。向各个级分配不同的组合的弱判别器，并且通过级联连接来处 理不同的组合的弱判别器，以使其用作强判别器。各弱判别器检测所谓的 "Haar相似"特征，并且由矩形滤波器的组合构成。如图9所示，分配给各 个级的弱判别器的数量是不同的。各个级也具有级联连接的结构，并且按 它们的连接顺序来执行确定处理。即，例如在图9中，第二级在第一级之6后执行确定处理，然后第三级执行确定。各级依次地使用所分配的模式的弱判别器来检査处理窗是否包含人 脸。如果在某一级中确定该处理窗不包含任何人脸，则后续级不对该位置 处的处理窗执行确定处理。即，级联处理中止。如果在最终级中确定包含 人脸，则确定该位置处的处理窗包含人脸。以下将参照图10的流程图来详细地描述人脸检测处理的序列。在人脸检测处理中，在人脸检测对象图像800上分配要被处理的处理 窗801 (步骤S1001)。基本上，通过从人脸检测对象图像800的末端沿垂 直方向和水平方向按预定间隔依次地进行扫描来全面地移动并选择该处理 窗，如图8所示。例如，通过对人脸检测对象图像800进行光栅扫描来选 择处理窗。对所选择的处理窗执行关于该处理窗是否包含人脸的确定处理。使用 多个级来执行该确定处理，如以上使用图9所描述的。因此，从第一级开 始依次地选择执行确定处理的级(步骤S1002)。所选择的级执行确定处理(步骤S1003)。在该级的确定处理中，如果 累积得分(稍后描述)不超过预先针对各级而确定的阈值(步骤S1004中 的"否")，则确定该处理窗不包含任何人脸(步骤S1008)，并且执行步骤 S1007以及后续步骤中的处理。稍后将描述步骤S1007以及后续步骤中的 处理。另一方面，如果累积得分超过预先针对各级而确定的阈值(步骤S1004 中的"是")，则确定是否由最终级来执行该确定处理(步骤S1003中的处 理)。如果不由最终级来执行该确定处理(步骤S1005中的"否")，则处理 返回到步骤S1002以选择下一级，并且由新选择的级来执行该确定处理。 另一方面，如果由最终级来执行该确定处理(步骤S1005中的"是")，则最 终地确定当前的处理窗包含人脸(步骤S1006)。此时，确定该处理窗包含 人脸。然后，确定已经受确定处理的处理窗是否是人脸检测对象图像中的最 后一个处理窗。如果该处理窗不是最后一个处理窗(步骤S1007中的"否")， 则处理返回到步骤S1001以选择下一处理窗，并且执行步骤S1002及后续 步骤中的处理。另一方面，如果该处理窗是最后一个处理窗，则对作为人 脸检测对象的该输入图像的人脸检测处理结束。以下将描述各级中的确定的处理内容。将一个或更多个模式的弱判别器分配给各级。该分配在学习处理中由诸如AdaBoost等的集成学习算法来执行。各级基于分配给自身的模式的弱 判别器来确定处理窗是否包含人脸。在各级中，基于分配给该级的模式的弱判别器来计算处理窗中的多个 矩形区中的特征量。在这种情况下，所使用的特征量是使用各矩形区中的 像素值的总和值(矩形区中的总和值)(例如，矩形区中的像素值的合计值、 平均值等)而计算出的值。能够使用累积图像信息(称为总和面积表(SAT)或积分图像)来对输入图像高速地计算矩形区中的总和值。图IIA及图IIB是用于说明SAT的示例的图。图IIA示出了原输入图像IIOI，以左上角为原点(O，O)。假设I (x，y)为输入图像1101的坐标位置(x, y)处的像素值，将SAT的相同位置(x, y)处的成分C(x, y)定义为Q^ =》(x',3/) …a)/5少如图IIB所示，输入图像1101上的以原点位置(O，O)及位置(x,y) 为对角位置而限定的矩形中的像素的总和值是位置(x,y)处的值C(x,y)。 例如参照图12中所示的四个点，能够使用下式来计算输入图像1101上的 任意矩形区中的像素值I(x, y)的和 C(xo， y0; Xl, yi) = C(x0-1， y。画l) - C(x0-1， yi) - C(Xl, yO-1) + C(Xl, yi) ...(2)作为计算出的特征量的相对值(例如，比率或差值；假定在这种情况 下计算特征量的差值)，计算差值，并且基于该差值来确定处理窗是否包含 人脸。更具体来说，确定计算出的差值比在确定中所使用的模式的弱判别 器中所设定的阈值大还是小。根据该确定结果，确定处理窗是否包含人脸。然而，此时的确定是基于各模式的单独的弱判别器而进行的，并不是 对级的确定。以这种方式，在各级中，基于所分配的所有的模式的弱判别 器来单独地执行确定处理，并且获得各个确定结果。接下来，计算该级中的累积得分。向各个模式的弱判别器分配单独的 可靠性权重(得分)。可靠性权重是表示"确定的概率"的固定值，S卩，单独 的可靠性。如果确定处理窗包含人脸，则参照分配给此时所使用的模式的8弱判别器的得分，并将该得分加到该级的累积得分中。以这种方式，单独 地加起来的得分的总和被计算为该级的累积得分。即，该累积得分是表示 作为整体的该级中的确定的概率的值(级整体可靠度)。如果级整体可靠性 超过预定阈值(级整体可靠性阈值)，则在该级中确定处理窗有可能包含人 脸，并且处理继续前进到下一级。另一方面，如果该级中的级整体可靠性 不超过阈值，则确定处理窗不包含任何人脸，并且中止后续的级联处理。 在非专利文献l中，以该序列来实现由人脸检测所代表的高速模式识别。注意，图9及图IO中的检测器在预先经过适当的学习的情况下，能够用作针对除人脸以外本文档来自技高网...
【技术保护点】
一种模式识别单元生成方法，该方法生成模式识别单元，在所述模式识别单元中，使通过将多个弱判别器级联连接而获得的弱判别器阵列分支，并且分支之后的各枝连接有弱判别器阵列，所述模式识别单元生成方法包括以下步骤： 评价步骤，该步骤基于通过向所述 弱判别器阵列输入一组评价用的数据而获得的处理结果，来评价分支之后的一弱判别器阵列是否达到要连接的段数； 确定步骤，该步骤基于所述评价步骤中的评价结果，确定作为分支之后的所述弱判别器阵列的、要不分支地连接的所述弱判别器的段数。
【技术特征摘要】
...
【专利技术属性】
技术研发人员：加藤政美，森克彦，山本贵久，野村修，伊藤嘉则，
申请(专利权)人：佳能株式会社，
类型：发明
国别省市：JP[日本]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。