CN105404901A - 分类器的训练方法、图像检测方法及各自*** - Google Patents
分类器的训练方法、图像检测方法及各自*** Download PDFInfo
- Publication number
- CN105404901A CN105404901A CN201510989019.8A CN201510989019A CN105404901A CN 105404901 A CN105404901 A CN 105404901A CN 201510989019 A CN201510989019 A CN 201510989019A CN 105404901 A CN105404901 A CN 105404901A
- Authority
- CN
- China
- Prior art keywords
- classifier
- training
- sample
- weak classifier
- classification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种分类器的训练方法、图像检测方法及各自***。该训练方法用于训练级联强分类器。各强分类器采用以下步骤训练:1)根据所接收的用于训练的各样本的数量,初始化各样本的样本权重;2)将所得到的各样本特征值及其权重输入一弱分类器进行分类训练,使得当前弱分类器中错误概率最小;3)基于预设偏见量比例,按当前弱分类器训练结果更新下一阶弱分类器的各样本权重;重复上述步骤2)-3),直至最后一阶弱分类器训练完毕。将当前阶强分类器所分类出的误差最小类别中的样本予以剔除,将剩余部分输入下一阶强分类器,直至最后一阶强分类器训练结束。图像检测方法利用经训练的级联强分类器对所获取的差异估计块进行分类。本发明解决了分类器分类准确率低、训练成本高等问题。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种分类器的训练方法、图像检测方法及各自***。
背景技术
深度估计问题是实现3D自动转换的核心问题。3D自动转换是指将传统3D左右图格式,转换成可用于多角度3D图像生成的2D+Z(深度)格式。
一般而言,3D自动转换包括深度估计模块与深度加强模块。其中,深度估计模块基于所输入的左右图,生成粗差异图(低分辨率)。其输出的粗差异图(低分辨率)以块为单位,每块包括N*N像素。
所述3D深度加强模块则基于粗差异图以及可能的其他信息(如左右图、前一帧深度图等),完成分类、滤波、插值等操作,生成最终的细差异图,并据此生成有效的深度图。
其中,所述深度加强模块通常采用以下框架:
a)(坏块检测)对深度估计模块产生粗深度图进行分类处理,区分深度图中有效块和无效块;
b)(自适应滤波)对于不同分类结果,依据前已有信息(如前一帧预测结果、相邻块预测结果),在时域、空间域进行自适应滤波;
c)(块腐蚀)将滤波后的粗差异场按一定方法插值(如块腐蚀、或自适应块腐蚀)得到最终的细差异场;
d)(深度转化)依据以上差异图生成对应深度图。
由上述步骤可见,一幅3D图的立体效果是否明显,与坏块检测步骤中对有效块和无效块的区分准确性有很大关系。
为此,目前技术人员采用分类器的方式对差异估计块进行分类。具体如下:
预设级联的双选分类器,采用样本特征值对所预设的强分类器中各弱分类器进行无偏差的训练,以得到对应错误分类概率最小的弱分类器。该种方式未能考虑错误分类的类别,导致每种类别中均含有被错分的样本,进而导致所生成的3D图像的效果不理想。
因此,需要对现有技术进行改进。
发明内容
本发明提供一种分类器的训练方法、图像检测方法及各自***,用于解决现有技术中分类器的训练成本过高,分类训练准确度低,以及使用现有技术中的分类器图像检测错误率高等问题。
基于上述目的,本发明提供一种强分类器的训练方法,其中,所述强分类器由多阶弱分类器构成,所述训练方法包括:1)根据所接收的用于训练的各样本的数量,初始化各样本的权重wi=1/N,i=1,...,N,其中,N为待训练的强分类器所接收的样本的数量;2)将所得到的各权重及其样本特征值输入一弱分类器进行分类训练,使得当前弱分类器中错误概率最小;3)基于所在强分类器偏见量比例,按当前弱分类器训练结果更新待输入下一阶弱分类器的各样本的权重;按照所确定的各权重,重复上述步骤2)-3),以训练下一阶弱分类器,直至最后一阶弱分类器训练完毕。
优选地,所述步骤2)包括:2-1)将各样本按实际类别分为类1、类-1两部分;2-2)分别按照同一特征类型的特征值顺序将类1和类-1的各样本进行排序;2-3)分别将排序后类1、和类-1中各样本的权重逐个累加,并对应类1与类-1分别构建各累加值的离散曲线;2-4)在分属不同类别的、相邻的累加值之间,选取当前弱分类器的候选分类阈值和候选分类方向;2-5)比较不同候选分类方向与候选分类阈值所对应误差,选取使当前弱分类器误差最小的分类阈值与分类方向。
优选地,当各样本特征值分属多种特征类型时,按照每个特征类型,分别执行步骤2-2)-2-5);以及,所述步骤2-6):比较各特征类型之间的最小误差,选择最小者为本阶弱分类器。
优选地,所述步骤3)包括:3-1)根据弱分类器误差计算Adaboost更新系数αK:αK=Wc-We;其中Wc本阶弱分类器分类正确样本的权重和,We本阶弱分类器分类错误样本的权重和,K为弱分类器的编号;3-2)基于所在强分类器偏见量比例r,按本阶弱分类器对各样本的分类类别Ci,计算各样本偏见量:Pi=r·αK·sign(Ci);3-3)更新各样本权重 其中,yi为第i个样本的实际分类类别。
优选地,在按照所确定的各权重,重复上述步骤2)-3),以训练下一阶弱分类器的步骤之前,还包括:从第二阶弱分类器开始,分别统计此前所有弱分类器对于类1、类-1分类结果中与实际不符的概率;当所述概率小于预设阈值时,停止对后续各阶弱分类器进行训练,并将已训练的各弱分类器作为一强分类器;反之,则按照所确定的各权重,重复上述步骤2)-3),以训练下一阶弱分类器。
基于上述目的,本发明还提供一种级联分类器的训练方法,所述级联分类器由若干阶如上任一所述的强分类器串联组成,各阶强分类器预设偏见量比例,所述训练方法包括:根据当前阶强分类器所接收的样本,来训练当前阶强分类器中的各弱分类器,并将当前阶强分类器中各弱分类器所分类出的、误差最小的类别中的样本予以剔除,将剩余部分作为下一阶强分类器的输入样本,直至最后一阶强分类器训练结束。
优选地,相邻阶的强分类器将各自所接收的特征值偏向的分入不同类别。
基于上述目的,本发明还提供一种图像检测方法,包括:获取多个差异估计块及所对应的特征值;将各所述差异估计块所对应的特征值输入由如上任一所述的级联分类器,进行偏见分类,并确定各差异估计块位于有效类别中、或无效类别中。
基于上述目的,本发明还提供一种强分类器的训练***,其中,所述强分类器由多阶弱分类器构成,所述训练***包括:初始化模块,用于根据所接收的用于训练的各样本的数量,初始化各样本的权重wi=1/N,i=1,...,N,其中,N为待训练的强分类器所接收的样本的数量;弱分类器训练模块,用于将所得到的各权重及其样本中的特征值输入一弱分类器进行分类训练,使得当前弱分类器中错误概率最小;样本权重更新模块,用于基于所在强分类器偏见量比例,按当前弱分类器训练结果更新待输入下一阶弱分类器的各样本的权重;训练结束判断模块,用于按照所确定的各权重,重复上述弱分类器训练模块和样本权重更新模块,以训练下一阶弱分类器,直至最后一阶弱分类器训练完毕。
优选地,所述弱分类器训练模块包括:第一训练子模块,用于将各样本按实际类别分为类1、类-1两部分;第二训练子模块,用于分别按照同一特征类型的特征值顺序将类1和类-1的各样本进行排序;第三训练子模块,用于分别将排序后类1、和类-1中各样本的权重逐个累加,并对应类1与类-1分别构建各累加值的离散曲线;第四训练子模块,用于在分属不同类别的、相邻的累加值之间,选取当前弱分类器的候选分类阈值和候选分类方向;第五训练子模块,用于比较不同候选分类方向与候选分类阈值所对应误差,选取使当前弱分类器误差最小的分类阈值与分类方向。
优选地,当各样本特征值分属多种特征类型时,按照每个特征类型,重复执行所述第二训练子模块至第五训练子模块;对应的,所述弱分类器训练模块还包括:第六训练子模块,用于比较各特征类型之间的最小误差,选择最小者为本阶弱分类器。
优选地,所述样本权重更新模块包括:第一更新子模块,用于根据弱分类器误差计算Adaboost更新系数αK:αK=Wc-We;其中Wc本阶弱分类器分类正确样本的权重和,We本阶弱分类器分类错误样本的权重和,K为弱分类器的编号;第二更新子模块,用于基于所在强分类器偏见量比例r,按本阶弱分类器对各样本的分类类别Ci,计算各样本偏见量:Pi=r·αK·sign(Ci);第三更新子模块,用于更新各样本权重 其中,yi为第i个样本的实际分类类别。
优选地,所述训练结束判断模块还用于从第二阶弱分类器开始,分别统计此前所有弱分类器的类1、类-1分类结果中与实际不符的概率;当所述概率小于预设阈值时,停止对后续各阶弱分类器进行训练,并将已训练的各弱分类器作为一强分类器;反之,则按照所确定的各权重,重复上述弱分类器训练模块和样本权重更新模块,以训练下一阶弱分类器。
基于上述目的,本发明还提供一种级联分类器的训练***,所述级联分类器由若干阶如上任一所述的强分类器串联组成,各阶强分类器预设偏见量比例,所述训练***用于根据当前阶强分类器所接收的样本,来训练当前阶强分类器中的各弱分类器,并将当前阶强分类器中各弱分类器所分类出的、误差最小的类别中的样本予以剔除,将剩余部分作为下一阶强分类器的输入样本,直至最后一阶强分类器训练结束。
优选地,相邻阶的强分类器将各自所接收的特征值偏向的分入不同类别。
基于上述目的,本发明还提供一种图像检测***,包括:获取模块,用于获取多个差异估计块及所对应的特征值;分类模块,用于将各所述差异估计块所对应的特征值输入由如权利要求14-15中任一所述的训练***训练而得的级联分类器,进行偏见分类,并确定各差异估计块位于有效类别中、或无效类别中。
如上所述,本发明的分类器的训练方法、图像检测方法及各自***,具有以下有益效果:能够利用有限的样本特征值在短时间内训练得到具有高分类性能的偏见式强分类器,解决了现有强分类器训练时间过长、样本数据量巨大的问题;另外,每级弱分类器的样本权重由上一级弱分类器估计而得,能够更准确的对各样本进行分类;还有,级联分类器中的相邻强分类器的偏见量比例间隔的偏向不同类别,能有效防止各样本被连续的单一方向偏见分类,而造成错误分类概率增加。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1是本发明的强分类器的训练方法的一种实施例的方法流程图。
图2是本发明的强分类器的训练方法中按照离散曲线中的点选取弱分类器分类阈值的示意图。
图3是本发明的强分类器的训练方法中步骤S12的一种实施例的流程图。
图4是本发明的强分类器的训练方法的又一种实施例的方法流程图。
图5是本发明的级联分类器的训练方法的一种实施例的方法流程图。
图6是本发明的图像检测方法的一种实施例的流程图。
图7是本发明的图像检测方法中级联分类器的分类过程的示意图。
图8是本发明的强分类器的训练***的结构示意图。
图9是本发明的分类器的训练***中弱分类器训练模块的结构示意图。
图10是本发明的图像检测***的结构示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明提供一种强分类器的训练方法。所述训练方法主要由训练***来执行。所述训练***安装在计算机设备中。所述计算机设备还可以用于进行基于3D左右视图的坏块检测。所述训练***所接收的用于训练的各样本是根据图像的检测需要预先选取的。每个样本中包含至少一类特征值。所述特征值类型包括但不限于:差异特征类型、SAD特征类型、最大差异特征类型等。
所述训练方法的目的是训练出针对单一分类中错误概率最小的强分类器。以便在图像检测时有效的对图像中的差异估计块进行分类。
所述训练方法包括步骤S11、S12、S13。其中,所述强分类器由多阶弱分类器构成。
在步骤S11中,所述训练***根据所接收的用于训练的各样本的数量,初始化各样本的样本权重wi=1/N,i=1,...,N,其中,N为待训练的强分类器所接收的样本的数量。
在此,所述训练***可仅初始化输入第一阶弱分类器的样本权重。其他阶弱分类器的样本权重由各自的前一阶弱分类器提供。其权重的提供方式将在后续详述。所述强分类器中的各阶弱分类器的训练过程都如步骤S12所示。
在步骤S12中,所述训练***将所得到的各权重及其样本中的特征值输入一弱分类器进行分类训练,使得当前弱分类器中错误概率最小。
其中,所述训练***中预设的各弱分类器举例为采用Adaboost算法训练的单层二叉树分类器。
所述训练***根据Adaboost算法训练,分类器错误概率最小的弱分类器的分类阈值和分类方向。例如,所述训练***预设有将所有类别为1的特征值分入类别1的训练规则,则所述训练***从初始分类阈值开始,根据每次训练后的分类结果调整分类阈值,直到所训练的弱分类器的训练后的分类结果满足预设条件。
在此,所述训练***还可以选择下述各子步骤训练强分类器中各弱分类器。下述所提到的样本是指对应弱分类器的输入样本。
具体地,所述步骤S12包括:步骤S121、S122、S123、S124和S125。(如图3所示)
在步骤S121中,所述训练***将各样本按实际类别分为类1、类-1两部分。
在步骤S122中,所述训练***分别按照同一特征类型的特征值顺序将类1和类-1的各样本进行排序。
在步骤S123中,所述训练***分别将排序后类1、和类-1中各样本的权重逐个累加,并对应类1与类-1分别构建各累加值的离散曲线。
在步骤S124中,所述训练***在分属不同类别的、相邻的累加值之间,选取当前弱分类器的候选分类阈值和候选分类方向。
在步骤S125中,所述训练***比较不同候选分类方向与候选分类阈值所对应误差,选取使当前弱分类器误差最小的分类阈值与分类方向。
具体地,所述训练***将各样本按照实际分类(实际类1、和实际类-1)进行分类。所述训练***选择各样本中同一特征类型的特征值进行排序,并从排序后的第二个样本特征值开始,将属于同一实际分类的样本特征值权重进行逐个累加。即,所述训练***按照各分类的排序顺序得到的将属于同一实际分类1的加权后的样本特征值权重依次逐个累加,为得到实际分类1的各累加值依次为所述训练***得到实际分类-1的各累加值依次为所述训练***按照类1和类-1,分别构建由各累加值构成的离散曲线(如CDF曲线)。
接着,所述训练***统计该两条离散曲线中分属不同类别的、相邻累加值;并根据所统计的累加值的位置关系,确定当前弱分类器的候选分类方向和候选分类阈值。
例如,图2为类1和类-1的两条离散曲线(CDF1、CDF-1)。对于正向分类方向,所述训练***选取图中相邻、且分属不同类别的离散点a11和a-11,其中,图中左侧为点a-11,右侧为点a11。所述训练***取a-11和a11之间区间的中心值TH,作为对应正向分类方向的候选分类阈值。
与正向分类方向的候选分类阈值类似。对于负向分类方向来说,所述训练***选取图中相邻、且分属不同类别的离散点a12和a-12,其中,图中右侧为点a-12,左侧为a12。所述训练***取a-12和a12之间区间的中心值TH,作为对应负向分类方向的候选分类阈值。
所述训练***同时考虑,全1(即分类方向正向,TH取值负无穷),全-1(即分类方向负向,TH取值负无穷)的情况。
接着,所述训练***通过根据所选取的各候选分类方向与分类阈值,对附带权重的各样本的特征值进行筛选的方式,对各样本进行分类;并计算每次分类的错误概率。所述训练***选取错误概率最小(即误差最小)的候选分类方向和候选分类阈值,作为当前所训练的弱分类器的分类阈值与分类方向。
作为一种优选方式,如图3所示,若当前各样本中包含多种特征类型的特征值,所述训练***按照每一特征类型重复执行步骤S122-125,得到对应各特征类型的误差最小的弱分类器的参数(即分类阈值与分类方向)。接着,再执行步骤S126:比较各特征类型之间的最小误差,选择最小者为本阶弱分类器特征类型。
具体地,所述训练***使用包含多种特征类型的各样本训练一个弱分类器。所述训练***按照特征类型重复执行步骤S122-S125,得到对应各特征类型的、误差最小的弱分类器的分类阈值与分类方向。所述训练***再进一步比较各特征类别之间的最小误差,选择误差最小的弱分类器,并由最终选择的弱分类器通过筛选对应特征类型的特征值,来分类所输入的各样本。
在步骤S13中,所述训练***基于所在强分类器偏见量比例,按当前弱分类器训练结果更新待输入下一阶弱分类器的各样本的权重。
具体地,所述训练***可采用将当前阶弱分类器所分类结果中分类错误的样本所对应的权重予以增加的方式,基于所在强分类器偏见量比例按样本分类类别,分别调整类1和类-1错误样本输至下一阶弱分类器的权重。例如,所述训练***将分类错误的各样本权重基于所在强分类器偏见量比例按样本分类类别,分别增大类1和类-1错误样本一定预设比例。
同时,所述训练***也可以将当前阶弱分类器所分类结果中分类正确的样本所对应的权重予以减小的方式,基于所在强分类器偏见量比例按样本分类类别,分别调整类1和类-1正确样本输至下一阶弱分类器的权重例如,所述训练***将分类正确的各样本权重,基于所在强分类器偏见量比例按样本分类类别,分别增大类1和类-1正确样本权重一定预设比例。
优选地,所述步骤S13包括:步骤S131、S132和S133。(均未予图示)
在步骤S131中,所述训练***根据弱分类器误差计算Adaboost更新系数αK:αK=Wc-We。其中Wc本阶弱分类器分类正确样本的权重和,We本阶弱分类器分类错误样本的权重和,K为弱分类器的编号。
在步骤S132中,所述训练***基于所在强分类器偏见量比例r,按本阶弱分类器对各样本的分类类别Ci,计算各样本偏见量:Pi=r·αK·sign(Ci)。
在此,所述偏见量比例是根据线上运行时强分类器所要偏向的分类类别而定。例如,线上运行时所训练的强分类器所要偏见的分类类别为类别1,则所述偏见量比例为(0,1)之间的数值;线上运行时所训练的强分类器所要偏见的分类类别为类别-1,则所述偏见量比例为(-1,0)之间的数值。偏见量比例0为无差别分类。
所述偏见量比例还与线上运行时强分类器的级联位置有关。例如,线上运行时所训练的强分类器位于较靠前的级联位置(如第1级),则设定其偏见量比例绝对值为(0,1)区间内靠近1的某一数值。又如,线上运行时所训练的强分类器位于较靠后的级联位置(如倒数第2级),则设定其偏见量比例绝对值为(0,1)区间内靠近0的某一数值。又如,线上运行时所训练的强分类器位于末级的级联位置,则设定其偏见量比例为0。
具体地,所述训练***将所得到的当前弱分类器的权重代入公式:Pi=r·αK·sign(Ci),其中,r为偏见量比例。Ci为本阶弱分类器对第i个样本的分类类别,Pi为第i个样本偏见量。
在步骤S133中,所述训练***更新待训练的下一阶弱分类器的各样本权重 其中,yi为第i个样本的实际分类类别。
所述训练***按照上述步骤S13所确定的各样本权重,重复上述步骤S12-S13,以训练下一阶弱分类器,直至最后一阶弱分类器训练完毕。
作为一种优选方案,所述训练***在重复执行步骤S12-S13之前,还执行步骤S14、S15、S16。如图4所示。
在步骤S14中,所述训练***从第二阶弱分类器开始,分别统计此前所有弱分类器对应类1、类-1分类结果中与实际不符的概率。
在步骤S15中,所述训练***当确定藉由步骤S14得到的概率小于预设阈值时,停止对后续各阶弱分类器进行偏见训练,并将已训练的各弱分类器作为一强分类器。
在步骤S16中,所述训练***当确定藉由步骤S14得到的概率大于等于预设阈值时,按照所确定的各样本权重,重复上述步骤S12-S13,以训练下一阶弱分类器。
经由上述各步骤训练得到的弱分类器的集合作为后续图像检测的强分类器。
实施例二
为了训练能够用于图像检测的分类器,本发明还提供一种级联分类器的训练方法。如图5所示。所述级联分类器由若干阶如实施例一中任一所述的强分类器串联组成。
在训练上述级联分类器之前,所述训练***可采用多种特征提取方式提取样本图像(简称样本)的特征值,并将各样本构成一样本空间后,所述训练***将预设的样本空间中各样本经由各阶强分类逐一过滤。
具体地,所述训练***根据当前阶强分类器所接收的各样本,来训练当前阶强分类器中的各弱分类器,并将当前阶强分类器中各弱分类器所分类出的、误差最小的类别中的样本予以剔除,将剩余部分作为下一阶强分类器的输入样本,直至最后一阶强分类器训练结束。
其中,各弱分类器的训练方式如实施例一所述,在此不再详述。
其中,所述级联分类器中各强分类器的偏见量比例可对应不同的类别。如各强分类器的偏见量比例包含(-1,1)之间的数。优选地,各阶强分类器的偏见量比例正负相间,末级为0。如此,除末级外,相邻阶的强分类器将各自所接收的特征值偏向的分入不同类别。
当所述训练***按照所获取的样本空间,将所述级联分类器中各强分类器,及各强分类器中的各阶弱分类器进行训练后,确定了各弱分类器的分类方向、和分类阈值。技术人员可将确定了各分类方向和分类阈值的级联分类器以软件或硬件电路的方式固化在图像检测***中,以供其对包含特征值的图像块进行分类。
实施例三
本发明还提供一种图像检测方法,用于3D左右视图的检测***中。在此,所述检测***用于在3D图像转换过程中,通过对自身的深度估计模块所估计的特征值的检测来确定相应图像区域是否有效。所述检测***中预设有经前述各训练步骤训练得到的级联的强分类器。其中,所述级联分类器中至少有两个强分类器按照各自偏见的类别,将所接收的差异估计块分入不同类别中,如图6所示。所述图像检测方法具体如下:
在步骤S21中,所述检测***获取多个差异估计块对应的特征值。其中,所述特征值包括但不限于:差异特征(Disparity),SAD特征,最大差异差特征等。
所述检测***可从其他设备远程获取各所述特征值,或者从运行的其他软件模块中获取各所述特征值。
所述检测***将各差异估计块送入步骤S22。
在步骤S22中,所述检测***将各所述差异估计块所对应的特征值输入由如实施例二所述的级联分类器,进行偏见分类,并确定各差异估计块位于有效类别中、或无效类别中。
具体地,所述检测***所训练的级联分类器中的各强分类器按照偏见量比例沿正向和负向逐渐趋于0的顺序串联,并将所接收的各特征值差异估计块按照特征值逐级过滤,得到分类1和分类-1的差异估计块特征值集合。
优选地,所述级联分类器中相邻的强分类器将各自所接收的特征值偏向的分入不同类别。例如,如图7所示,所述级联分类器由级联的M个串联的、经训练的强分类器构成。其中,第一级强分类器按照特征值将所接收的特征值差异估计块偏向的分入类别-1,第二级强分类器按照特征值将所接收的差异估计块偏向的分入类别1,第三级强分类器按照特征值将所接收的差异估计块偏向的分入类别-1,第四级强分类器按照特征值将所接收的差异估计块偏向的分入类别1,…,第M级强分类器按照特征值将所接收的差异估计块可无偏见的分入类别1或-1。需要说明的是,由图7可见,所述级联分类器还可以根据采用其他虚线、实线的交替方式进行分类。
所述检测***将分类为-1差异估计块分入无效类别中,将分类为1的差异估计块分入有效类别中。如此,所述检测***的后续模块根据有效类别中的差异估计块来调整无效类别中的差异估计块,以实现2D左右视图转3D图像的过程。
实施例四
如图8所示,本发明提供一种强分类器的训练***。所述训练***安装在计算机设备中。所述计算机设备还可以用于进行基于3D左右视图的坏块检测。所述训练***所接收的用于训练的各样本是根据图像的检测需要预先选取的。每个样本中包含至少一类特征值。所述特征值类型包括但不限于:差异特征类型、SAD特征类型、最大差异特征类型等。
所述训练***的目的是训练出针对单一分类中错误概率最小的强分类器。以便在图像检测时有效的对图像中的差异估计块进行分类。
所述训练***1包括:初始化模块11、弱分类器训练模块12、样本权重更新模块13、训练结束判断模块14。其中,所述强分类器由多阶弱分类器构成。
所述初始化模块11用于根据所接收的用于训练的各样本的数量,初始化各样本权重wi=1/N,i=1,...,N,其中,N为待训练的强分类器所接收的样本的数量。
在此,所述初始化模块11可仅初始化输入第一阶弱分类器的样本权重。其他阶弱分类器的样本权重由各自的前一阶弱分类器提供。其权重的提供方式将在后续详述。所述强分类器中的各阶弱分类器的训练过程都如弱分类器训练模块12所示。
所述弱分类器训练模块12用于将所得到的各权重及其样本中的特征值输入一弱分类器进行分类训练,使得当前弱分类器中错误概率最小。
其中,所述弱分类器训练模块12中预设的各弱分类器举例为采用Adaboost算法训练的单层二叉树分类器。
所述弱分类器训练模块12根据Adaboost算法训练,分类器错误概率最小的弱分类器的分类阈值和分类方向。例如,所述弱分类器训练模块12预设有将所有类别为1的特征值分入类别1的训练规则,则所述弱分类器训练模块12从初始分类阈值开始,根据每次训练后的分类结果调整分类阈值,直到所训练的弱分类器的训练后的分类结果满足预设条件。
在此,所述弱分类器训练模块12还可以选择下述各子步骤训练强分类器中各弱分类器。下述所提到的样本是指对应弱分类器的输入样本。
具体地,所述弱分类器训练模块12包括:第一训练子模块121、第二训练子模块122、第三训练子模块123、第四训练子模块124、第五训练子模块125。(如图9所示)
所述第一训练子模块121用于将各样本按实际类别分为类1、类-1两部分。其中,类1和类-1分别表示有效类别和无效类别。
所述第一训练子模块121用于将各样本按实际类别分为类1、类-1两部分。
所述第二训练子模块122用于分别按照同一特征类型的特征值顺序将类1和类-1的各样本进行排序。
所述第三训练子模块123用于分别将排序后类1、和类-1中各样本的权重逐个累加,并对应类1与类-1分别构建各累加值的离散曲线。
所述第四训练子模块124用于在分属不同类别的、相邻的累加值之间,选取当前弱分类器的候选分类阈值和候选分类方向。
所述第五训练子模块125用于比较不同候选分类方向与候选分类阈值所对应误差,选取使当前弱分类器误差最小的分类阈值与分类方向。
具体地,所述第一训练子模块121将各样本按照实际分类(实际类1、和实际类-1)进行分类。所述第二训练子模块122选择各样本中同一特征类型的特征值进行排序,并从排序后的第二个样本特征值开始,将属于同一实际分类的样本特征值权重进行逐个累加。即,所述第二训练子模块122按照各分类的排序顺序得到的将属于同一实际分类1的加权后的样本特征值权重依次逐个累加,为得到实际分类1的各累加值依次为所述第二训练子模块122得到实际分类-1的各累加值依次为所述第三训练子模块123按照类1和类-1,分别构建由各累加值构成的离散曲线(如CDF曲线)。
接着,所述第四训练子模块124统计该两条离散曲线中分属不同类别的、相邻累加值;并根据所统计的累加值的位置关系,确定当前弱分类器的候选分类方向和候选分类阈值。
例如,图2为类1和类-1的两条离散曲线(CDF1、CDF-1)。对于正向分类方向来说,所述第四训练子模块124选取图中相邻、且分属不同类别的离散点a11和a-11,其中,图中左侧为点a-11,右侧为点a11。所述第四训练子模块124取点a-11左侧属于类-1、点a11右侧属于类1之间区间的中心值TH,作为对应正向分类方向的候选分类阈值。
与正向分类方向的候选分类阈值类似。对于负向分类方向来说,所述第四训练子模块124选取图中相邻、且分属不同类别的离散点a12和a-12,其中,图中右侧为点a-12,左侧为a12。所述第四训练子模块124取点a-12右侧属于类-1、点a12左侧属于类1之间区间的中心值TH,作为对应负向分类方向的候选分类阈值。
第四训练子模块124同时考虑,全1(即分类方向正向,TH取值负无穷),全-1(即分类方向负向,TH取值负无穷)的情况。
接着,所述第五训练子模块125根据所选取的各候选分类方向与分类阈值,通过对附带权重的各样本的特征值进行筛选的方式,对各样本进行分类;并计算每次分类的错误概率。所述第五训练子模块125选取错误概率最小(即误差最小)的候选分类方向和候选分类阈值,作为当前所训练的弱分类器的分类阈值与分类方向。
作为一种优选方式,如图9所示,所述弱分类器训练模块12还包括第六训练子模块126。
若当前各样本中包含多种特征类型的特征值,按照每一特征类型重复执行所述第二训练子模块122至第五训练子模块125,得到对应各特征类型的误差最小的弱分类器的参数(即分类阈值与分类方向)。接着,再执行所述第六训练子模块126。所述第六训练子模块126用于比较各特征类型之间的最小误差,选择最小者为本阶弱分类器特征类型。
具体地,所述弱分类器训练模块12使用包含多种特征类型的各样本训练一个弱分类器。所述弱分类器训练模块12中的第二训练子模块122至第五训练子模块125按照特征类型重复执行,得到对应各特征类型的、误差最小的弱分类器的分类阈值与分类方向。所述第六训练子模块126再进一步比较各特征类别之间的最小误差,选择误差最小的弱分类器特征类型,并由最终选择的弱分类器通过筛选对应特征类型的特征值,来分类所输入的各样本。
所述样本权重更新模块13用于基于所在强分类器偏见量比例,按当前弱分类器训练结果更新待输入下一阶弱分类器的各样本的权重。
具体地,所述样本权重更新模块13可采用将当前阶弱分类器所分类结果中分类错误的样本所对应的权重予以增加的方式,基于所在强分类器偏见量比例按样本分类类别,调整类1和类-1错误样本输至下一阶弱分类器的各样本的权重。例如,所述样本权重更新模块13将分类错误的各样本权重,基于所在强分类器偏见量比例按样本分类类别,分别增大类1和类-1错误样本权重一定预设比例。
同时,所述样本权重更新模块13也可以将当前阶弱分类器所分类结果中分类正确的样本所对应的权重予以减小的方式,基于所在强分类器偏见量比例按样本分类类别,分别调整类1和类-1正确样本输至下一阶弱分类器的权重。例如,所述样本权重更新模块13将分类正确的各样本权重,基于所在强分类器偏见量比例按样本分类类别,分别增大类1和类-1正确样本权重一定预设比例。
优选地,所述样本权重更新模块13包括:第一更新子模块、第二更新子模块和第三更新子模块。(均未予图示)
所述第一更新子模块用于根据弱分类器误差计算Adaboost更新系数αK:αK=Wc-We。其中Wc本阶弱分类器分类正确样本的权重和,We本阶弱分类器分类错误样本的权重和,k为弱分类器的编号。
所述第二更新子模块用于基于所在强分类器偏见量比例r,按本阶弱分类器对各样本的分类类别Ci,计算各样本偏见量:Pi=r·αK·sign(Ci)。
在此,所述偏见量比例是根据线上运行时强分类器所要偏向的分类类别而定。例如,线上运行时所训练的强分类器所要偏见的分类类别为类别1,则所述偏见量比例为(0,1)之间的数值;线上运行时所训练的强分类器所要偏见的分类类别为类别-1,则所述偏见量比例为(-1,0)之间的数值。偏见量比例0为无差别分类。
所述偏见量比例还与线上运行时强分类器的级联位置有关。例如,线上运行时所训练的强分类器位于较靠前的级联位置(如第1级),则设定其偏见量比例绝对值为(0,1)区间内靠近1的某一数值。又如,线上运行时所训练的强分类器位于较靠后的级联位置(如倒数第2级),则设定其偏见量比例绝对值为(0,1)区间内靠近0的某一数值。又如,线上运行时所训练的强分类器位于末级的级联位置,则设定其偏见量比例为0。
具体地,所述第二更新子模块将所得到的当前弱分类器的权重代入公式:Pi=r·αK·sign(Ci),其中,r为偏见量比例。Ci为本阶弱分类器对第i个样本的分类类别,Pi为第i个样本偏见量。
所述第三更新子模块用于更新待训练的下一阶弱分类器的各样本权重 其中,yi为第i个样本的实际分类类别。
所述训练结束判断模块14将所述样本权重更新模块13所确定的各样本权重,输至用于训练下一阶弱分类器的弱分类器训练模块12,并重复运行所述弱分类器训练模块12和样本权重更新模块13,以训练下一阶弱分类器,直至最后一阶弱分类器训练完毕。
作为一种优选方案,如图4所示,所述训练结束判断模块14还用于从第二阶弱分类器开始,分别统计此前所有弱分类器类1、类-1分类结果中与实际不符的概率;当所述概率小于预设阈值时,停止对后续各阶弱分类器进行训练,并将已训练的各弱分类器作为一强分类器;反之,则按照所确定的各权重,重复上述弱分类器训练模块12和样本权重更新模块13,以训练下一阶弱分类器。
经由上述各模块训练得到的弱分类器的集合作为后续图像检测的强分类器。
实施例五
为了训练能够用于图像检测的分类器,本发明还提供一种级联分类器的训练***。所述级联分类器由若干阶如实施例四中任一所述的强分类器串联组成。
在训练上述级联分类器之前,所述训练***可采用多种特征提取方式提取样本图像(简称样本)的特征值,并将各样本构成一样本空间后,所述训练***将预设的样本空间中各样本经由各阶强分类逐一过滤。
具体地,如图5所示的工作过程,所述训练***根据当前阶强分类器所接收的样本,来训练当前阶强分类器中的各弱分类器,并将当前阶强分类器中各弱分类器所分类出的、误差最小的类别中的样本予以剔除,将剩余部分作为下一阶强分类器的输入样本,直至最后一阶强分类器训练结束。
其中,各弱分类器的训练方式如实施例四所述,在此不再详述。
其中,所述级联分类器中各强分类器的偏见量比例可对应不同的类别。如各强分类器的偏见量比例包含(-1,1)之间的数。优选地,各阶强分类器的偏见量比例正负相间,最末阶为0。如此,除末级外,相邻阶的强分类器将各自所接收的特征值偏向的分入不同类别。
当所述训练***按照所获取的样本空间,将所述级联分类器中各强分类器,及各强分类器中的各阶弱分类器进行训练后,确定了各弱分类器的分类方向、和分类阈值。技术人员可将确定了各分类方向和分类阈值的级联分类器以软件或硬件电路的方式固化在图像检测***中,以供其对包含特征值的图像块进行分类。
实施例六
本发明还提供一种图像检测***,用于3D左右视图的检测***中。在此,所述检测***用于在3D图像转换过程中,通过对自身的深度估计模块所估计的特征值的检测来确定相应图像区域是否有效。所述检测***中预设有经前述各训练步骤训练得到的级联的强分类器。其中,所述级联分类器中至少有两个强分类器按照各自偏见的类别,将所接收的差异估计块分入不同类别中,如图10所示。所述图像检测***2具体包括:获取模块21、分类模块22。
所述获取模块21用于获取多个差异估计块对应的特征值。其中,所述特征值包括但不限于:差异特征(Disparity),SAD特征,最大差异差特征等。
所述获取模块21可从其他设备远程获取各所述特征值,或者从运行的其他软件模块中获取各所述特征值。
所述获取模块21将各差异估计块送入分类模块22。
所述分类模块22用于将各所述差异估计块所对应的特征值输入由如实施例五所述的级联分类器,进行偏见分类,并确定各差异估计块位于有效类别中、或无效类别中。
具体地,所述分类模块22所训练的级联分类器中的各强分类器按照偏见量比例沿正向和负向逐渐趋于0的顺序串联,并将所接收的各特征值差异估计块按照特征值逐级过滤,得到分类1和分类-1的差异估计块特征值集合。
优选地,所述级联分类器中相邻的强分类器将各自所接收的特征值偏向的分入不同类别。例如,如图7所示,所述级联分类器由级联的M个串联的、经训练的强分类器构成。其中,第一级强分类器按照特征值将所接收的特征值差异估计块偏向的分入类别-1,第二级强分类器按照特征值将所接收的差异估计块偏向的分入类别1,第三级强分类器按照特征值将所接收的差异估计块偏向的分入类别-1,第四级强分类器按照特征值将所接收的差异估计块偏向的分入类别1,…,第M级强分类器按照特征值将所接收的差异估计块可无偏见的分入类别1或-1。需要说明的是,由图7可见,所述级联分类器还可以根据采用其他虚线、实线的交替方式进行分类。
所述分类模块22将分类为-1差异估计块分入无效类别中,将分类为1的差异估计块分入有效类别中。如此,所述分类模块22的后续模块根据有效类别中的差异估计块来调整无效类别中的差异估计块,以实现2D左右视图转3D图像的过程。
综上所述,本发明的分类器的训练方法、图像检测方法及各自***,能够利用有限的样本特征值在短时间内训练得到具有高分类性能的偏见式强分类器,解决了现有强分类器训练时间过长、样本数据量巨大的问题;另外,每级弱分类器的样本权重由上一级弱分类器根据所在强分类器的偏见量比例估计而得,能够让下一阶弱分类器更准确的对特征值进行分类;还有,级联分类器中的相邻强分类器的偏见量比例间隔的偏向不同类别,能有效防止特征值被连续的单一方向偏见分类,而造成错误分类概率增加。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (16)
1.一种强分类器的训练方法,其中,所述强分类器由多阶弱分类器构成,其特征在于,所述训练方法包括:
1)根据所接收的用于训练的各样本的数量,初始化各样本的权重wi=1/N,i=1,...,N,其中,N为待训练的强分类器所接收的样本的数量;
2)将所得到的各权重及其样本中的特征值输入一弱分类器进行分类训练,使得当前弱分类器中错误概率最小;
3)基于所在强分类器偏见量比例,按当前弱分类器训练结果更新待输入下一阶弱分类器的各样本的权重;
按照所确定的各权重,重复上述步骤2)-3),以训练下一阶弱分类器,直至最后一阶弱分类器训练完毕。
2.根据权利要求1所述的强分类器的训练方法,其特征在于,所述步骤2)包括:
2-1)将各样本按实际类别分为类1、类-1两部分;
2-2)分别按照同一特征类型的特征值顺序将类1和类-1的各样本进行排序;
2-3)分别将排序后类1、和类-1中各样本的权重逐个累加,并对应类1与类-1分别构建各累加值的离散曲线;
2-4)在分属不同类别的、相邻的累加值之间,选取当前弱分类器的候选分类阈值和候选分类方向;
2-5)比较不同候选分类方向与候选分类阈值所对应误差,选取使当前弱分类器误差最小的分类阈值与分类方向。
3.根据权利要求2所述的强分类器的训练方法,其特征在于,当各样本特征值分属多种特征类型时,按照每个特征类型,分别执行步骤2-2)-2-5);
以及,所述步骤2-6):比较各特征类型之间的最小误差,选择最小者为本阶弱分类器。
4.根据权利要求1所述的强分类器的训练方法,其特征在于,所述步骤3)包括:
3-1)根据弱分类器误差计算Adaboost更新系数αK:αK=Wc-We;其中Wc本阶弱分类器分类正确样本的权重和,We本阶弱分类器分类错误样本的权重和,K为弱分类器的编号;
3-2)基于所在强分类器偏见量比例r,按本阶弱分类器对各样本的分类类别Ci,计算各样本偏见量:Pi=r·αK·sign(Ci);
3-3)更新各样本权重 其中,yi为第i个样本的实际分类类别。
5.根据权利要求1所述的强分类器的训练方法,其特征在于,在按照所确定的各权重,重复上述步骤2)-3),以训练下一阶弱分类器的步骤之前,还包括:
从第二阶弱分类器开始,分别统计此前所有弱分类器对于类1,类-1的分类结果中与实际不符的概率;
当所述概率小于预设阈值时,停止对后续各阶弱分类器进行训练,并将已训练的各弱分类器作为一强分类器;
反之,则按照所确定的各权重,重复上述步骤2)-3),以训练下一阶弱分类器。
6.一种级联分类器的训练方法,其特征在于,所述级联分类器由若干阶如权利要求1-5中任一所述的强分类器串联组成,各阶强分类器预设偏见量比例,所述训练方法包括:
根据当前阶强分类器所接收的样本,来训练当前阶强分类器中的各弱分类器,并将当前阶强分类器中各弱分类器所分类出的、误差最小的类别中的样本予以剔除,将剩余部分作为下一阶强分类器的输入样本,直至最后一阶强分类器训练结束。
7.根据权利要求6所述的级联分类器的训练方法,其特征在于,相邻阶的强分类器将各自所接收的特征值偏向的分入不同类别。
8.一种图像检测方法,其特征在于,包括:
获取多个差异估计块及所对应的特征值;
将各所述差异估计块所对应的特征值输入由如权利要求6-7中任一所述的训练方法训练而得的级联分类器,进行偏见分类,并确定各差异估计块位于有效类别中、或无效类别中。
9.一种强分类器的训练***,其中,所述强分类器由多阶弱分类器构成,其特征在于,所述训练***包括:
初始化模块,用于根据所接收的用于训练的各样本的数量,初始化各样本的权重wi=1/N,i=1,...,N,其中,N为待训练的强分类器所接收的样本的数量;
弱分类器训练模块,用于将所得到的各权重及其样本中的特征值输入一弱分类器进行分类训练,使得当前弱分类器中错误概率最小;
样本权重更新模块,用于基于所在强分类器偏见量比例,按当前弱分类器训练结果更新待输入下一阶弱分类器的各样本的权重;
训练结束判断模块,用于按照所确定的各权重,重复上述弱分类器训练模块和样本权重更新模块,以训练下一阶弱分类器,直至最后一阶弱分类器训练完毕。
10.根据权利要求9所述的强分类器的训练***,其特征在于,所述弱分类器训练模块包括:
第一训练子模块,用于将各样本按实际类别分为类1、类-1两部分;
第二训练子模块,用于分别按照同一特征类型的特征值顺序将类1和类-1的各样本进行排序;
第三训练子模块,用于分别将排序后类1、和类-1中各样本的权重逐个累加,并对应类1与类-1分别构建各累加值的离散曲线;
第四训练子模块,用于在分属不同类别的、相邻的累加值之间,选取当前弱分类器的候选分类阈值和候选分类方向;
第五训练子模块,用于比较不同候选分类方向与候选分类阈值所对应误差,选取使当前弱分类器误差最小的分类阈值与分类方向。
11.根据权利要求10所述的强分类器的训练***,其特征在于,当各样本特征值分属多种特征类型时,按照每个特征类型,重复执行所述第二训练子模块至第五训练子模块;
对应的,所述弱分类器训练模块还包括:第六训练子模块,用于比较各特征类型之间的最小误差,选择最小者为本阶弱分类器。
12.根据权利要求9所述的强分类器的训练***,其特征在于,所述样本权重更新模块包括:
第一更新子模块,用于根据弱分类器误差计算Adaboost更新系数αK:αK=Wc-We;其中Wc本阶弱分类器分类正确样本的权重和,We本阶弱分类器分类错误样本的权重和,K为弱分类器的编号;
第二更新子模块,用于基于所在强分类器偏见量比例r,按本阶弱分类器对各样本的分类类别Ci,计算各样本偏见量:Pi=r·αK·sign(Ci)
第三更新子模块,用于更新各样本权重 其中,yi为第i个样本的实际分类类别。
13.根据权利要求9所述的强分类器的训练***,其特征在于,所述训练结束判断模块还用于从第二阶弱分类器开始,分别统计此前所有弱分类器对于类1、类-1分类结果中与实际不符的概率;当所述概率小于预设阈值时,停止对后续各阶弱分类器进行训练,并将已训练的各弱分类器作为一强分类器;反之,则按照所确定的各权重,重复上述弱分类器训练模块和样本权重更新模块,以训练下一阶弱分类器。
14.一种级联分类器的训练***,其特征在于,所述级联分类器由若干阶如权利要求9-12中任一所述的强分类器串联组成,各阶强分类器预设偏见量比例,所述训练***用于根据当前阶强分类器所接收的样本,来训练当前阶强分类器中的各弱分类器,并将当前阶强分类器中各弱分类器所分类出的、误差最小的类别中的样本予以剔除,将剩余部分作为下一阶强分类器的输入样本,直至最后一阶强分类器训练结束。
15.根据权利要求14所述的级联分类器的训练***,其特征在于,相邻阶的强分类器将各自所接收的特征值偏向的分入不同类别。
16.一种图像检测***,其特征在于,包括:
获取模块,用于获取多个差异估计块及所对应的特征值;
分类模块,用于将各所述差异估计块所对应的特征值输入由如权利要求14-15中任一所述的训练***训练而得的级联分类器,进行偏见分类,并确定各差异估计块位于有效类别中、或无效类别中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510989019.8A CN105404901B (zh) | 2015-12-24 | 2015-12-24 | 分类器的训练方法、图像检测方法及各自*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510989019.8A CN105404901B (zh) | 2015-12-24 | 2015-12-24 | 分类器的训练方法、图像检测方法及各自*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105404901A true CN105404901A (zh) | 2016-03-16 |
CN105404901B CN105404901B (zh) | 2019-10-18 |
Family
ID=55470376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510989019.8A Active CN105404901B (zh) | 2015-12-24 | 2015-12-24 | 分类器的训练方法、图像检测方法及各自*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105404901B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909894A (zh) * | 2017-02-14 | 2017-06-30 | 北京深瞐科技有限公司 | 车辆品牌型号识别方法和*** |
CN107403192A (zh) * | 2017-07-18 | 2017-11-28 | 四川长虹电器股份有限公司 | 一种基于多分类器的快速目标检测方法及*** |
CN107729877A (zh) * | 2017-11-14 | 2018-02-23 | 浙江大华技术股份有限公司 | 一种基于级联分类器的人脸检测方法及装置 |
CN107729947A (zh) * | 2017-10-30 | 2018-02-23 | 杭州登虹科技有限公司 | 一种人脸检测模型训练方法、装置和介质 |
CN107871130A (zh) * | 2016-09-27 | 2018-04-03 | 顶级公司 | 图像处理 |
CN109754089A (zh) * | 2018-12-04 | 2019-05-14 | 浙江大华技术股份有限公司 | 一种模型训练***及方法 |
CN110222733A (zh) * | 2019-05-17 | 2019-09-10 | 嘉迈科技(海南)有限公司 | 一种高精度的多阶神经网络分类方法及*** |
CN110837570A (zh) * | 2019-11-12 | 2020-02-25 | 北京交通大学 | 对图像数据进行无偏见分类的方法 |
CN111598833A (zh) * | 2020-04-01 | 2020-08-28 | 江汉大学 | 一种目标样本瑕疵检测的方法、装置及电子设备 |
CN111767675A (zh) * | 2020-06-24 | 2020-10-13 | 国家电网有限公司大数据中心 | 变压器振动故障监测方法、装置、电子设备及存储介质 |
CN113240013A (zh) * | 2021-05-17 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于样本筛选的模型训练方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620673A (zh) * | 2009-06-18 | 2010-01-06 | 北京航空航天大学 | 一种鲁棒的人脸检测及跟踪方法 |
CN103871077A (zh) * | 2014-03-06 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种道路车辆监控视频中的关键帧提取方法 |
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
-
2015
- 2015-12-24 CN CN201510989019.8A patent/CN105404901B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620673A (zh) * | 2009-06-18 | 2010-01-06 | 北京航空航天大学 | 一种鲁棒的人脸检测及跟踪方法 |
CN103871077A (zh) * | 2014-03-06 | 2014-06-18 | 中国人民解放军国防科学技术大学 | 一种道路车辆监控视频中的关键帧提取方法 |
CN104463191A (zh) * | 2014-10-30 | 2015-03-25 | 华南理工大学 | 一种基于注意机制的机器人视觉处理方法 |
Non-Patent Citations (1)
Title |
---|
PAUL VIOLA 等: "Robust Real-Time Face Detection", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871130B (zh) * | 2016-09-27 | 2023-04-18 | Arm有限公司 | 图像处理 |
CN107871130A (zh) * | 2016-09-27 | 2018-04-03 | 顶级公司 | 图像处理 |
CN106909894A (zh) * | 2017-02-14 | 2017-06-30 | 北京深瞐科技有限公司 | 车辆品牌型号识别方法和*** |
CN106909894B (zh) * | 2017-02-14 | 2018-08-14 | 北京深瞐科技有限公司 | 车辆品牌型号识别方法和*** |
CN107403192A (zh) * | 2017-07-18 | 2017-11-28 | 四川长虹电器股份有限公司 | 一种基于多分类器的快速目标检测方法及*** |
CN107403192B (zh) * | 2017-07-18 | 2020-09-29 | 四川长虹电器股份有限公司 | 一种基于多分类器的快速目标检测方法及*** |
CN107729947A (zh) * | 2017-10-30 | 2018-02-23 | 杭州登虹科技有限公司 | 一种人脸检测模型训练方法、装置和介质 |
US11804032B2 (en) | 2017-11-14 | 2023-10-31 | Zhejiang Dahua Technology Co., Ltd. | Method and system for face detection |
CN107729877B (zh) * | 2017-11-14 | 2020-09-29 | 浙江大华技术股份有限公司 | 一种基于级联分类器的人脸检测方法及装置 |
CN107729877A (zh) * | 2017-11-14 | 2018-02-23 | 浙江大华技术股份有限公司 | 一种基于级联分类器的人脸检测方法及装置 |
CN109754089B (zh) * | 2018-12-04 | 2021-07-20 | 浙江大华技术股份有限公司 | 一种模型训练***及方法 |
CN109754089A (zh) * | 2018-12-04 | 2019-05-14 | 浙江大华技术股份有限公司 | 一种模型训练***及方法 |
CN110222733A (zh) * | 2019-05-17 | 2019-09-10 | 嘉迈科技(海南)有限公司 | 一种高精度的多阶神经网络分类方法及*** |
CN110837570A (zh) * | 2019-11-12 | 2020-02-25 | 北京交通大学 | 对图像数据进行无偏见分类的方法 |
CN110837570B (zh) * | 2019-11-12 | 2021-10-08 | 北京交通大学 | 对图像数据进行无偏见分类的方法 |
CN111598833A (zh) * | 2020-04-01 | 2020-08-28 | 江汉大学 | 一种目标样本瑕疵检测的方法、装置及电子设备 |
CN111767675A (zh) * | 2020-06-24 | 2020-10-13 | 国家电网有限公司大数据中心 | 变压器振动故障监测方法、装置、电子设备及存储介质 |
CN113240013A (zh) * | 2021-05-17 | 2021-08-10 | 平安科技(深圳)有限公司 | 基于样本筛选的模型训练方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105404901B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105404901A (zh) | 分类器的训练方法、图像检测方法及各自*** | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
JP6236296B2 (ja) | 学習装置、学習プログラム、及び学習方法 | |
US20190286982A1 (en) | Neural network apparatus, vehicle control system, decomposition device, and program | |
CN109815979B (zh) | 一种弱标签语义分割标定数据生成方法及*** | |
CN109543502A (zh) | 一种基于深度多尺度神经网络的语义分割方法 | |
CN105488515A (zh) | 训练卷积神经网路分类器的方法和图像处理装置 | |
KR20200094622A (ko) | 뉴럴 네트워크 학습에 이용될 오토 라벨링된 이미지 중에서 라벨 검수를 위한 샘플 이미지를 획득하는 방법 및 이를 이용한 샘플 이미지 획득 장치 | |
CN104537647A (zh) | 一种目标检测方法及装置 | |
CN110874604A (zh) | 模型训练方法及终端设备 | |
CN111091541B (zh) | 一种铁路货车横跨梁组装螺母丢失故障识别方法 | |
CN105488456A (zh) | 基于自适应阈值调整拒识子空间学习的人脸检测方法 | |
CN103617435A (zh) | 一种主动学习图像分类方法和*** | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN111798447B (zh) | 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法 | |
CN112381763A (zh) | 一种表面缺陷检测方法 | |
CN111310850A (zh) | 车牌检测模型的构建方法及***、车牌检测方法及*** | |
CN113657491A (zh) | 一种用于信号调制类型识别的神经网络设计方法 | |
CN105590301B (zh) | 自适应正斜双十字窗均值滤波的脉冲噪声消除方法 | |
CN101604394A (zh) | 一种有限存贮资源下的增量学习分类方法 | |
CN115409797A (zh) | 一种基于改进深度学习算法的pcb缺陷图像检测方法 | |
CN105989375A (zh) | 对手写字符图像进行分类的分类器、分类装置和分类方法 | |
CN112288700A (zh) | 一种铁轨缺陷检测方法 | |
CN111242046A (zh) | 一种基于图像检索的地面交通标志识别方法 | |
CN110826457A (zh) | 一种复杂场景下的车辆检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20200401 Address after: 215634 north side of Chengang road and west side of Ganghua Road, Jiangsu environmental protection new material industrial park, Zhangjiagang City, Suzhou City, Jiangsu Province Patentee after: ZHANGJIAGANG KANGDE XIN OPTRONICS MATERIAL Co.,Ltd. Address before: 201203, room 5, building 690, No. 202 blue wave road, Zhangjiang hi tech park, Shanghai, Pudong New Area Patentee before: WZ TECHNOLOGY Inc. |
|
TR01 | Transfer of patent right |