分類(lèi)器的訓(xùn)練方法、圖像檢測(cè)方法及各自系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種分類(lèi)器的訓(xùn)練方法、圖像檢測(cè)方法及各 自系統(tǒng)。
【背景技術(shù)】
[0002] 深度估計(jì)問(wèn)題是實(shí)現(xiàn)3D自動(dòng)轉(zhuǎn)換的核心問(wèn)題。3D自動(dòng)轉(zhuǎn)換是指將傳統(tǒng)3D左右圖 格式，轉(zhuǎn)換成可用于多角度3D圖像生成的2D+Z(深度）格式。
[0003] -般而言，3D自動(dòng)轉(zhuǎn)換包括深度估計(jì)模塊與深度加強(qiáng)模塊。其中，深度估計(jì)模炔基 于所輸入的左右圖，生成粗差異圖（低分辨率）。其輸出的粗差異圖（低分辨率）以塊為單 位，每塊包括N*N像素。
[0004] 所述3D深度加強(qiáng)模塊則基于粗差異圖以及可能的其他信息（如左右圖、前一幀深 度圖等），完成分類(lèi)、濾波、插值等操作，生成最終的細(xì)差異圖，并據(jù)此生成有效的深度圖。
[0005] 其中，所述深度加強(qiáng)模塊通常采用以下框架：
[0006] a)(壞塊檢測(cè)）對(duì)深度估計(jì)模塊產(chǎn)生粗深度圖進(jìn)行分類(lèi)處理，區(qū)分深度圖中有效 塊和無(wú)效塊；
[0007] b)(自適應(yīng)濾波）對(duì)于不同分類(lèi)結(jié)果，依據(jù)前已有信息（如前一幀預(yù)測(cè)結(jié)果、相鄰 塊預(yù)測(cè)結(jié)果），在時(shí)域、空間域進(jìn)行自適應(yīng)濾波；
[0008] c)(塊腐蝕）將濾波后的粗差異場(chǎng)按一定方法插值（如塊腐蝕、或自適應(yīng)塊腐蝕） 得到最終的細(xì)差異場(chǎng)；
[0009] d)(深度轉(zhuǎn)化）依據(jù)以上差異圖生成對(duì)應(yīng)深度圖。
[0010] 由上述步驟可見(jiàn)，一幅3D圖的立體效果是否明顯，與壞塊檢測(cè)步驟中對(duì)有效塊和 無(wú)效塊的區(qū)分準(zhǔn)確性有很大關(guān)系。
[0011] 為此，目前技術(shù)人員采用分類(lèi)器的方式對(duì)差異估計(jì)塊進(jìn)行分類(lèi)。具體如下：
[0012] 預(yù)設(shè)級(jí)聯(lián)的雙選分類(lèi)器，采用樣本特征值對(duì)所預(yù)設(shè)的強(qiáng)分類(lèi)器中各弱分類(lèi)器進(jìn)行 無(wú)偏差的訓(xùn)練，以得到對(duì)應(yīng)錯(cuò)誤分類(lèi)概率最小的弱分類(lèi)器。該種方式未能考慮錯(cuò)誤分類(lèi)的 類(lèi)別，導(dǎo)致每種類(lèi)別中均含有被錯(cuò)分的樣本，進(jìn)而導(dǎo)致所生成的3D圖像的效果不理想。
[0013] 因此，需要對(duì)現(xiàn)有技術(shù)進(jìn)行改進(jìn)。

【發(fā)明內(nèi)容】

[0014] 本發(fā)明提供一種分類(lèi)器的訓(xùn)練方法、圖像檢測(cè)方法及各自系統(tǒng)，用于解決現(xiàn)有技 術(shù)中分類(lèi)器的訓(xùn)練成本過(guò)高，分類(lèi)訓(xùn)練準(zhǔn)確度低，以及使用現(xiàn)有技術(shù)中的分類(lèi)器圖像檢測(cè) 錯(cuò)誤率高等問(wèn)題。
[0015] 基于上述目的，本發(fā)明提供一種強(qiáng)分類(lèi)器的訓(xùn)練方法，其中，所述強(qiáng)分類(lèi)器由多階 弱分類(lèi)器構(gòu)成，所述訓(xùn)練方法包括：1)根據(jù)所接收的用于訓(xùn)練的各樣本的數(shù)量，初始化各 樣本的權(quán)重 Wl= 1/N，i= 1，...，N，其中，N為待訓(xùn)練的強(qiáng)分類(lèi)器所接收的樣本的數(shù)量；2) 將所得到的各權(quán)重及其樣本特征值輸入一弱分類(lèi)器進(jìn)行分類(lèi)訓(xùn)練，使得當(dāng)前弱分類(lèi)器中錯(cuò) 誤概率最??；3)基于所在強(qiáng)分類(lèi)器偏見(jiàn)量比例，按當(dāng)前弱分類(lèi)器訓(xùn)練結(jié)果更新待輸入下一 階弱分類(lèi)器的各樣本的權(quán)重；按照所確定的各權(quán)重，重復(fù)上述步驟2)-3)，以訓(xùn)練下一階弱 分類(lèi)器，直至最后一階弱分類(lèi)器訓(xùn)練完畢。
[0016] 優(yōu)選地，所述步驟2)包括：2_1)將各樣本按實(shí)際類(lèi)別分為類(lèi)1、類(lèi)-1兩部分；2-2) 分別按照同一特征類(lèi)型的特征值順序?qū)㈩?lèi)1和類(lèi)-1的各樣本進(jìn)行排序；2-3)分別將排序 后類(lèi)1、和類(lèi)-1中各樣本的權(quán)重逐個(gè)累加，并對(duì)應(yīng)類(lèi)1與類(lèi)-1分別構(gòu)建各累加值的離散曲 線(xiàn)；2-4)在分屬不同類(lèi)別的、相鄰的累加值之間，選取當(dāng)前弱分類(lèi)器的候選分類(lèi)閾值和候 選分類(lèi)方向；2-5)比較不同候選分類(lèi)方向與候選分類(lèi)閾值所對(duì)應(yīng)誤差，選取使當(dāng)前弱分類(lèi) 器誤差最小的分類(lèi)閾值與分類(lèi)方向。
[0017] 優(yōu)選地，當(dāng)各樣本特征值分屬多種特征類(lèi)型時(shí)，按照每個(gè)特征類(lèi)型，分別執(zhí)行步驟 2-2)-2-5);以及，所述步驟2-6):比較各特征類(lèi)型之間的最小誤差，選擇最小者為本階弱 分類(lèi)器。
[0018]優(yōu)選地，所述步驟3)包括：3_1)根據(jù)弱分類(lèi)器誤差計(jì)算Adaboost更新系數(shù)ακ:
本階弱分類(lèi)器分類(lèi)正確樣本的權(quán) 重和，I本階弱分類(lèi)器分類(lèi)錯(cuò)誤樣本的權(quán)重和，K為弱分類(lèi)器的編號(hào)；3-2)基于所在強(qiáng) 分類(lèi)器偏見(jiàn)量比例r，按本階弱分類(lèi)器對(duì)各樣本的分類(lèi)類(lèi)別Q，計(jì)算各樣本偏見(jiàn)量：P1 = r·ακ ·sign(Cj;3-3)更新各樣本權(quán)
.，其中，yi為第i個(gè)樣 本的實(shí)際分類(lèi)類(lèi)別。
[0019] 優(yōu)選地，在按照所確定的各權(quán)重，重復(fù)上述步驟2)-3)，以訓(xùn)練下一階弱分類(lèi)器的 步驟之前，還包括：從第二階弱分類(lèi)器開(kāi)始，分別統(tǒng)計(jì)此前所有弱分類(lèi)器對(duì)于類(lèi)1、類(lèi)-1分 類(lèi)結(jié)果中與實(shí)際不符的概率；當(dāng)所述概率小于預(yù)設(shè)閾值時(shí)，停止對(duì)后續(xù)各階弱分類(lèi)器進(jìn)行 訓(xùn)練，并將已訓(xùn)練的各弱分類(lèi)器作為一強(qiáng)分類(lèi)器；反之，則按照所確定的各權(quán)重，重復(fù)上述 步驟2)-3)，以訓(xùn)練下一階弱分類(lèi)器。
[0020] 基于上述目的，本發(fā)明還提供一種級(jí)聯(lián)分類(lèi)器的訓(xùn)練方法，所述級(jí)聯(lián)分類(lèi)器由若 干階如上任一所述的強(qiáng)分類(lèi)器串聯(lián)組成，各階強(qiáng)分類(lèi)器預(yù)設(shè)偏見(jiàn)量比例，所述訓(xùn)練方法包 括：根據(jù)當(dāng)前階強(qiáng)分類(lèi)器所接收的樣本，來(lái)訓(xùn)練當(dāng)前階強(qiáng)分類(lèi)器中的各弱分類(lèi)器，并將當(dāng)前 階強(qiáng)分類(lèi)器中各弱分類(lèi)器所分類(lèi)出的、誤差最小的類(lèi)別中的樣本予以剔除，將剩余部分作 為下一階強(qiáng)分類(lèi)器的輸入樣本，直至最后一階強(qiáng)分類(lèi)器訓(xùn)練結(jié)束。
[0021 ] 優(yōu)選地，相鄰階的強(qiáng)分類(lèi)器將各自所接收的特征值偏向的分入不同類(lèi)別。
[0022] 基于上述目的，本發(fā)明還提供一種圖像檢測(cè)方法，包括：獲取多個(gè)差異估計(jì)塊及所 對(duì)應(yīng)的特征值；將各所述差異估計(jì)塊所對(duì)應(yīng)的特征值輸入由如上任一所述的級(jí)聯(lián)分類(lèi)器， 進(jìn)行偏見(jiàn)分類(lèi)，并確定各差異估計(jì)塊位于有效類(lèi)別中、或無(wú)效類(lèi)別中。
[0023] 基于上述目的，本發(fā)明還提供一種強(qiáng)分類(lèi)器的訓(xùn)練系統(tǒng)，其中，所述強(qiáng)分類(lèi)器由多 階弱分類(lèi)器構(gòu)成，所述訓(xùn)練系統(tǒng)包括：初始化模塊，用于根據(jù)所接收的用于訓(xùn)練的各樣本的 數(shù)量，初始化各樣本的權(quán)重化=1/N，i= 1，...，N，其中，N為待訓(xùn)練的強(qiáng)分類(lèi)器所接收的 樣本的數(shù)量；弱分類(lèi)器訓(xùn)練模塊，用于將所得到的各權(quán)重及其樣本中的特征值輸入一弱分 類(lèi)器進(jìn)行分類(lèi)訓(xùn)練，使得當(dāng)前弱分類(lèi)器中錯(cuò)誤概率最?。粯颖緳?quán)重更新模塊，用于基于所在 強(qiáng)分類(lèi)器偏見(jiàn)量比例，按當(dāng)前弱分類(lèi)器訓(xùn)練結(jié)果更新待輸入下一階弱分類(lèi)器的各樣本的權(quán) 重；訓(xùn)練結(jié)束判斷模塊，用于按照所確定的各權(quán)重，重復(fù)上述弱分類(lèi)器訓(xùn)練模塊和樣本權(quán)重 更新模塊，以訓(xùn)練下一階弱分類(lèi)器，直至最后一階弱分類(lèi)器訓(xùn)練完畢。
[0024] 優(yōu)選地，所述弱分類(lèi)器訓(xùn)練模塊包括：第一訓(xùn)練子模塊，用于將各樣本按實(shí)際類(lèi)別 分為類(lèi)1、類(lèi)-1兩部分；第二訓(xùn)練子模塊，用于分別按照同一特征類(lèi)型的特征值順序?qū)㈩?lèi)1 和類(lèi)-1的各樣本進(jìn)行排序；第三訓(xùn)練子模塊，用于分別將排序后類(lèi)1、和類(lèi)-1中各樣本的 權(quán)重逐個(gè)累加，并對(duì)應(yīng)類(lèi)1與類(lèi)-1分別構(gòu)建各累加值的離散曲線(xiàn)；第四訓(xùn)練子模塊，用于在 分屬不同類(lèi)別的、相鄰的累加值之間，選取當(dāng)前弱分類(lèi)器的候選分類(lèi)閾值和候選分類(lèi)方向； 第五訓(xùn)練子模塊，用于比較不同候選分類(lèi)方向與候選分類(lèi)閾值所對(duì)應(yīng)誤差，選取使當(dāng)前弱 分類(lèi)器誤差最小的分類(lèi)閾值與分類(lèi)方向。
[0025] 優(yōu)選地，當(dāng)各樣本特征值分屬多種特征類(lèi)型時(shí)，按照每個(gè)特征類(lèi)型，重復(fù)執(zhí)行所述 第二訓(xùn)練子模塊至第五訓(xùn)練子模塊；對(duì)應(yīng)的，所述弱分類(lèi)器訓(xùn)練模塊還包括：第六訓(xùn)練子 模塊，用于比較各特征類(lèi)型之間的最小誤差，選擇最小者為本階弱分類(lèi)器。
[0026] 優(yōu)選地，所述樣本權(quán)重更新模塊包括：第一更新子模塊，用于根據(jù)弱分類(lèi)器誤差計(jì)
算Adaboost更新系數(shù)ακ:αk=Wc_We;其中 類(lèi)器分類(lèi)正確樣本的權(quán)重和，本階弱分類(lèi)器分類(lèi)錯(cuò)誤樣本的權(quán)重和，K為弱分類(lèi)器的編 號(hào)；第二更新子模塊，用于基于所在強(qiáng)分類(lèi)器偏見(jiàn)量比例r，按本階弱分類(lèi)器對(duì)各樣本的分 類(lèi)類(lèi)別Q，計(jì)算各樣本偏見(jiàn)量：Pi=r·ακ·8?〖η((^);第三更新子模塊，用于更新各樣本權(quán)
，其中，yi為第i個(gè)樣本的實(shí)際分類(lèi)類(lèi)別。
[0027] 優(yōu)選地，所述訓(xùn)練結(jié)束判斷模塊還用于從第二階弱分類(lèi)器開(kāi)始，分別統(tǒng)計(jì)此前所 有弱分類(lèi)器的類(lèi)1、類(lèi)-1分類(lèi)結(jié)果中與實(shí)際不符的概率；當(dāng)所述概率小于預(yù)設(shè)閾值時(shí)，停止 對(duì)后續(xù)各階弱分類(lèi)器進(jìn)行訓(xùn)練，并將已訓(xùn)練的各弱分類(lèi)器作為一強(qiáng)分類(lèi)器；反之，則按照所 確定的各權(quán)重，重復(fù)上述弱分類(lèi)器訓(xùn)練模塊和樣本權(quán)重更新模塊，以訓(xùn)練下一階弱分類(lèi)器。
[0028] 基于上述目的，本發(fā)明還提供一種級(jí)聯(lián)分類(lèi)器的訓(xùn)練系統(tǒng)，所述級(jí)聯(lián)分類(lèi)器由若 干階如上任一所述的強(qiáng)分類(lèi)器串聯(lián)組成，各階強(qiáng)分類(lèi)器預(yù)設(shè)偏見(jiàn)量比例，所述訓(xùn)練系統(tǒng)用 于根據(jù)當(dāng)前階強(qiáng)分類(lèi)器所接收的樣本，來(lái)訓(xùn)練當(dāng)前階強(qiáng)分類(lèi)器中的各弱分類(lèi)器，并將當(dāng)前 階強(qiáng)分類(lèi)器中各弱分類(lèi)器所分類(lèi)出的、誤差最小的類(lèi)別中的樣本予以剔除，將剩余部分作 為下一階強(qiáng)分類(lèi)器的輸入樣本，直至最后一階強(qiáng)分類(lèi)器訓(xùn)練結(jié)束。
[0029] 優(yōu)選地，相鄰階的強(qiáng)分類(lèi)器將各自所接收的特征值偏向的分入不同類(lèi)別。
[0030] 基于上述目的，本發(fā)明還提供一種圖像檢測(cè)系統(tǒng)，包括：獲取模塊，用于獲取多個(gè) 差異估計(jì)塊及所對(duì)應(yīng)的特征值；分類(lèi)模塊，用于將各所述差異估計(jì)塊所對(duì)應(yīng)的特征值輸入 由如權(quán)利要求14-15中任一所述的訓(xùn)練系統(tǒng)訓(xùn)練而得的級(jí)聯(lián)分類(lèi)器，進(jìn)行偏見(jiàn)分類(lèi)，并確 定各差異估計(jì)塊位于有效類(lèi)別中、或無(wú)效類(lèi)別中。
[0031] 如上所述，本發(fā)明的分類(lèi)器的訓(xùn)練方法、圖像檢測(cè)方法及各自系統(tǒng)，具有以下有益 效果：能夠利用有限的樣本特征值在短時(shí)間內(nèi)訓(xùn)練得到具有高分類(lèi)性能的偏見(jiàn)式強(qiáng)分類(lèi) 器，解決了現(xiàn)有強(qiáng)分類(lèi)器訓(xùn)練時(shí)間過(guò)長(zhǎng)、樣本數(shù)據(jù)量巨大的問(wèn)題；另外，每級(jí)弱分類(lèi)器的樣 本權(quán)重由上一級(jí)弱分類(lèi)器估計(jì)而得，能夠更準(zhǔn)確的對(duì)各樣本進(jìn)行分類(lèi)；還有，級(jí)聯(lián)分類(lèi)器中 的相鄰強(qiáng)分類(lèi)器的偏見(jiàn)量比例間隔的偏向不同類(lèi)別，能有效防止各樣本被連續(xù)的單一方向 偏見(jiàn)分類(lèi)，而造成錯(cuò)誤分類(lèi)概率增加。
【附圖說(shuō)明】
[0032] 為了更清