專利名稱：學(xué)習(xí)裝置、識別裝置、學(xué)習(xí)識別系統(tǒng)和學(xué)習(xí)識別裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種預(yù)先學(xué)習(xí)學(xué)習(xí)對象圖案以進(jìn)行目標(biāo)識別的學(xué)習(xí)裝置，一種學(xué)習(xí)方法，一種存儲學(xué)習(xí)程序的記錄介質(zhì)，一種輸入識別對象圖案并進(jìn)行識別的識別裝置，ー種識別方法，一種存儲識別程序的記錄介質(zhì)，以及一種學(xué)習(xí)學(xué)習(xí)對象圖案并識別識別對象圖案的學(xué)習(xí)識別系統(tǒng)，ー種學(xué)習(xí)識別裝置，ー種學(xué)習(xí)識別方法以及ー種存儲學(xué)習(xí)識別程序的記錄介質(zhì)。
背景技術(shù)：
統(tǒng)計圖案識別方法是大家熟知的用于從圖像中識別目標(biāo)的方法。統(tǒng)計圖案識別方法是基于一些輸入輸出對估計輸入和輸出之間的關(guān)系的方法。更 具體地，統(tǒng)計圖案識別方法是這樣ー種方法，其中，從大量的輸入數(shù)據(jù)和輸出數(shù)據(jù)中學(xué)習(xí)所需的輸入輸出關(guān)系，并且該關(guān)系被用于識別。因此，統(tǒng)計圖案識別方法主要由學(xué)習(xí)過程和識別過程來實現(xiàn)。學(xué)習(xí)過程是通過使用用于學(xué)習(xí)的采樣數(shù)據(jù)以及其教師數(shù)據(jù)來獲取用于識別過程的學(xué)習(xí)參數(shù)。教師數(shù)據(jù)是指示對于采樣數(shù)據(jù)(輸入)的正確的識別結(jié)果(輸出)。具體地，教師數(shù)據(jù)是算木式或者用于由輸入值推導(dǎo)輸出值的學(xué)習(xí)參數(shù)(例如，輸入值和對應(yīng)于輸入值的輸出值)，或兩者都有。換句話說，如上所述，學(xué)習(xí)過程是ー種計算過程，其目的是獲取學(xué)習(xí)參數(shù)，該學(xué)習(xí)參數(shù)用于對在識別過程階段輸入的任意輸入計算輸出的數(shù)據(jù)。例如，在學(xué)習(xí)過程使用是ー種神經(jīng)網(wǎng)絡(luò)的多層感知器的情況下，獲取各節(jié)點之間的“連接權(quán)值”作為學(xué)習(xí)參數(shù)。另ー方面，識別過程是通過對輸入的任意數(shù)據(jù)(識別對象)使用學(xué)習(xí)參數(shù)計算輸出(識別結(jié)果)的過程。通常，為了提高識別過程的精確度，對大量學(xué)習(xí)對象圖案的每ー個執(zhí)行復(fù)雜的特征提取過程。例如，當(dāng)執(zhí)行特征識別時，提取對應(yīng)于學(xué)習(xí)對象圖案的特定特征的輪廓的斜率、寬度、曲率、圈數(shù)等作為特征量。因此，換句話說，特征提取過程是從初始圖案建立另ー個圖案的過程。在下文將參考圖14描述通常的特征提取過程。圖14是示出了基于統(tǒng)計圖案識別方法執(zhí)行識別過程的通常結(jié)構(gòu)的框圖。首先，如圖14所示，輸入任意識別對象圖案之后，預(yù)處理裝置Al執(zhí)行初歩的處理(噪聲消除和歸ー化)，使得更容易執(zhí)行隨后的處理。其次，特征提取裝置A2從已執(zhí)行了初步處理的識別對象圖案提取特征量(數(shù)值和符號)，該特征量給出了圖案的特殊性。例如，當(dāng)提取了特征量d，特征量可由以下述公式表示的特征矢量來表示。X = (X1, X2, Xd)識別計算裝置A3輸入由特征提取裝置A2提取的特征量并確定識別對象的“分類/類別/類”。具體地，識別計算裝置A3基于由預(yù)先存儲在字典存儲單元A4中的學(xué)習(xí)參數(shù)所指定的計算方法執(zhí)行計算以確定所提取的特征量是否是特定対象。例如，當(dāng)計算結(jié)果為“I”吋，識別計算裝置A3確定所提取的特征量是特定対象，當(dāng)計算結(jié)果為“0”時確定為不是特定対象。而且，識別計算裝置A3能基于計算結(jié)果是否低于預(yù)定閾值來確定所提取的特征量是否是特定対象。在以下的相關(guān)技術(shù)中，為了維持高識別精確度，特征矢量Xd的維數(shù)需要等于或大于預(yù)設(shè)值。而且，不僅這樣的方法已被使用，其他各種方法也已被使用。例如，在非專利文獻(xiàn)I提出的方法中，矩形特征被從對象圖案中提取。在專利文獻(xiàn)I提出的方法中，建立了指示在特征圖案上定向分量分布的定向圖·案?；诙ㄏ驁D案的垂直方向分量、水平方向分量和對角方向分量被提取作為定向特征圖案，以進(jìn)行特征識別。換句話說，在這種方法里，通過組合這些定向分量來再現(xiàn)讀出的特征。在專利文獻(xiàn)2提出的技術(shù)中，關(guān)于圖像上的多個測量點，在經(jīng)過每個測量點的搜索線段的兩側(cè)提供用于測量的具有狹窄固定形狀的臨近區(qū)域。通過該技術(shù)，在該區(qū)域的多個臨近點測量圖像的亮度梯度矢量的方向。在該技術(shù)中，從矢量的方向和搜索線段的方向之間的差別可計算在每個臨近點的集中度，從所有的集中度計算對于測量點的線段集中度，并且當(dāng)其為最大值時，確定沿搜索線段的方向存線段信息。在該技術(shù)中，基于集中度預(yù)先計算能被用在每個測量點的基本附加值。在該技術(shù)中，當(dāng)測量矢量的方向時，基本附加值中的一個被選擇并為搜索線段的每個方向添加，由此，每個測量點的線段集中度被計算，并且，當(dāng)該值為最大時，線段信息被期待。在專利文獻(xiàn)3提出的技術(shù)中，關(guān)于特定對象的特征量，通過將對應(yīng)于背景區(qū)域的特征量分量替換為另ー個值，從ー個對象圖像生成背景不同的多個特征量數(shù)據(jù)，并學(xué)習(xí)到識別參數(shù)?，F(xiàn)有技術(shù)文獻(xiàn)非專利文獻(xiàn)非專利文獻(xiàn)I :Paul Viola, Michael Jones, “Rapid Object Detection using aBoosted Cascade of bimple Feature，，Proceeding of Computer Vision and PatternRecognition 2001,2001專利文獻(xiàn)專利文獻(xiàn)I :日本專利公開No. 2605807專利文獻(xiàn)2 :日本專利申請公開No. 2005-284697專利文獻(xiàn)3 :日本專利申請公開No. 2008-059110

發(fā)明內(nèi)容
本發(fā)明要解決的問題可是，當(dāng)使用這樣的方法時，會出現(xiàn)以下問題。首先，在非專利文獻(xiàn)I提出的技術(shù)中，用于學(xué)習(xí)過程的特征是簡單的矩形。因此，對于識別沒用的很多參數(shù)被包括在提取的特征量中。從而，當(dāng)使用該技術(shù)時，產(chǎn)生了這樣的問題，為了維持識別精確度需要大量的特征量(換句話說，在學(xué)習(xí)過程中，更高階次的計算是必須的)，并且計算成本變得很高。結(jié)果，由于學(xué)習(xí)過程花費了大量的時間，在該技術(shù)中出現(xiàn)了這樣的問題，到可以執(zhí)行識別過程所需的期間被延長了。在專利文獻(xiàn)I所公開的技術(shù)中，由于用于識別的特征很復(fù)雜，在識別過程中需要更高階次的計算，從而，識別過程不能被流暢的執(zhí)行。在專利文獻(xiàn)2和3所公開的技術(shù)中，用于計算過程的濾波器的處理內(nèi)容與本發(fā)明的不同。因此，上述問題也不能得到解決。本發(fā)明的ー個目的就是要提供一種學(xué)習(xí)裝置，其避免了高維度特征量的使用以及在執(zhí)行圖案識別時為維持和提高識別精確度所必需的復(fù)雜特征提取，從而降低了學(xué)習(xí)過程和識別過程中計算成本的負(fù)擔(dān)，并且能夠執(zhí)行流暢的圖案識別，還提供一種學(xué)習(xí)方法，ー種存儲學(xué)習(xí)程序的記錄介質(zhì)，一種識別裝置，一種識別方法，一種存儲識別程序的記錄介質(zhì)，以及ー種學(xué)習(xí)識別系統(tǒng)，ー種學(xué)習(xí)識別裝置，ー種學(xué)習(xí)識別方法和一種存儲學(xué)習(xí)識別程序 的記錄介質(zhì)。解決問題的手段根據(jù)本發(fā)明一個實施例的學(xué)習(xí)裝置，包括梯度特征提取単元，基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；學(xué)習(xí)單元，使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。進(jìn)ー步，根據(jù)本發(fā)明一個實施例的學(xué)習(xí)方法，包括基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。更進(jìn)一歩，根據(jù)本發(fā)明一個實施例的存儲學(xué)習(xí)程序的記錄介質(zhì)，其使計算機按如下単元工作梯度特征提取単元，基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；學(xué)習(xí)単元，使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。進(jìn)ー步，根據(jù)本發(fā)明一個實施例的識別裝置包括梯度特征提取単元，基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；識別單元，基于梯度特征量、和差特征量以及通過預(yù)定學(xué)習(xí)算法獲取的部分或者全部學(xué)習(xí)參數(shù)，從ー個或多個類型中識別識別對象圖案所屬的類型。更進(jìn)一歩，根據(jù)本發(fā)明一個實施例的識別方法，包括基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；基于梯度特征量、和差特征量以及通過預(yù)定學(xué)習(xí)算法獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別識別對象圖案所屬的類型。更進(jìn)一歩，根據(jù)本發(fā)明一個實施例的存儲識別程序的記錄介質(zhì)，其使計算機按如 下単元工作梯度特征提取単元，基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；識別単元，基于梯度特征量、和差特征量以及通過預(yù)定學(xué)習(xí)算法獲取的部分或者全部學(xué)習(xí)參數(shù)，從ー個或多個類型中識別識別對象圖案所屬的類型。進(jìn)ー步，根據(jù)本發(fā)明一個實施例的學(xué)習(xí)識別系統(tǒng)包括學(xué)習(xí)裝置，其包括梯度特征提取單元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；學(xué)習(xí)單元，使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。識別裝置，其包括梯度特征提取単元，基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；識別單元，基于梯度特征量、和差特征量以及由所述學(xué)習(xí)單元獲取的部分或者全部學(xué)習(xí)參數(shù)，從ー個或多個類型中識別識別對象圖案所屬的類型。更進(jìn)一歩，ー種學(xué)習(xí)識別裝置，包括用于從ー個或多個類型中識別識別對象圖案所屬的類型的識別單元，包括梯度特征提取単元，基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；學(xué)習(xí)單元，使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)；所述梯度特征提取単元，基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；所述和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向，梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；識別單元，基于由識別對象圖案計算出的梯度特征量和和差特征量，以及由所述學(xué)習(xí)單元獲取的部分或者全部學(xué)習(xí)參數(shù)，從ー個或多個類型中識別識別對象圖案所屬的類型。進(jìn)ー步，根據(jù)本發(fā)明一個實施例的學(xué)習(xí)識別方法包括如下步驟基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)；基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；基于提取的梯度特征量，通過 對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；基于從識別對象圖案計算出的梯度特征量和和差特征量，以及由所述學(xué)習(xí)單元獲取的部分或者全部學(xué)習(xí)參數(shù)，從ー個或多個類型中識別識別對象圖案所屬的類型。更進(jìn)一歩，根據(jù)本發(fā)明一個實施例的存儲學(xué)習(xí)識別程序的記錄介質(zhì)，其使計算機按如下単元工作梯度特征提取単元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；學(xué)習(xí)單元，使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)；所述梯度特征提取単元，基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；所述和差特征提取単元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；識別單元，基于由識別對象圖案計算出的梯度特征量和和差特征量，以及由所述學(xué)習(xí)単元獲取的部分或者全部學(xué)習(xí)參數(shù)，從ー個或多個類型中識別識別對象圖案所屬的類型。本發(fā)明的效果所述的學(xué)習(xí)裝置、學(xué)習(xí)方法、存儲學(xué)習(xí)程序的記錄介質(zhì)、識別裝置、識別方法、存儲識別程序的記錄介質(zhì)，以及所述的學(xué)習(xí)識別系統(tǒng)、學(xué)習(xí)識別裝置、學(xué)習(xí)識別方法和存儲學(xué)習(xí)識別程序的記錄介質(zhì)，能夠降低計算成本的負(fù)擔(dān)，提高識別精確度，并且實現(xiàn)了流暢的學(xué)習(xí)過程和識別過程。


圖I是示出了根據(jù)本發(fā)明第一實施例的學(xué)習(xí)裝置的結(jié)構(gòu)的第一框圖；圖2是示出了根據(jù)本發(fā)明的第一實施例的用于學(xué)習(xí)過程的梯度特征量的說明圖；圖3A是示出了根據(jù)本發(fā)明的第一實施例的用于學(xué)習(xí)過程的和差特征量的說明圖；圖3B是示出了根據(jù)本發(fā)明的第一實施例的用于學(xué)習(xí)過程的和差特征量的說明圖；圖3C是示出了根據(jù)本發(fā)明的第一實施例的用于學(xué)習(xí)過程的和差特征量的說明圖； 圖4是示出了根據(jù)本發(fā)明第一實施例的學(xué)習(xí)裝置的結(jié)構(gòu)的第二框圖；圖5是示出了根據(jù)本發(fā)明第一實施例的識別裝置的結(jié)構(gòu)的第一框圖；圖6是示出了根據(jù)本發(fā)明第一實施例的識別裝置的結(jié)構(gòu)的第二框圖；圖7是示出了根據(jù)本發(fā)明第一實施例的學(xué)習(xí)過程的步驟的流程圖；圖8是示出了根據(jù)本發(fā)明第一實施例的識別過程的步驟的流程圖；圖9A是示出了根據(jù)本發(fā)明第二實施例的簡單地分配梯度特征量數(shù)據(jù)的存儲方法的不意圖；圖9B是示出了根據(jù)本發(fā)明第二實施例的最優(yōu)地分配梯度特征量數(shù)據(jù)的存儲方法的不意圖；圖9C是示出了根據(jù)本發(fā)明第二實施例的存儲梯度特征量的方法的示例的示意圖；圖10是示出了根據(jù)本發(fā)明第三實施例的學(xué)習(xí)識別系統(tǒng)的結(jié)構(gòu)的第一框圖；圖11是示出了根據(jù)本發(fā)明第三實施例的學(xué)習(xí)識別系統(tǒng)的結(jié)構(gòu)的第二框圖；圖12是示出了根據(jù)本發(fā)明第四實施例的學(xué)習(xí)識別裝置的結(jié)構(gòu)的第一框圖；圖13是示出了根據(jù)本發(fā)明第四實施例的學(xué)習(xí)識別裝置的結(jié)構(gòu)的第二框圖；圖14是示出了現(xiàn)有技術(shù)的識別裝置的結(jié)構(gòu)的框具體實施例方式以下將描述本發(fā)明的實施例。這里，隨后提到的示例性實施例中的學(xué)習(xí)裝置、學(xué)習(xí)方法、識別裝置、識別方法、學(xué)習(xí)識別系統(tǒng)、學(xué)習(xí)識別裝置和學(xué)習(xí)識別方法由方法、裝置或由計算機根據(jù)程序指令(例如，學(xué)習(xí)程序、識別程序以及學(xué)習(xí)識別程序)執(zhí)行的功能來實現(xiàn)。所述程序向計算機的每個組件發(fā)送命令使其執(zhí)行預(yù)定方法并如以下所示出的那樣工作。也就是，隨后描述的實施例中的學(xué)習(xí)裝置、學(xué)習(xí)方法、識別裝置、識別方法、學(xué)習(xí)識別系統(tǒng)、學(xué)習(xí)識別裝置和學(xué)習(xí)識別方法由特定的裝置實現(xiàn)，其中所述程序和計算機彼此配合工作。進(jìn)ー步，程序的全部或者部分由例如磁盤、光盤、半導(dǎo)體存儲器或任意計算機可讀的記錄介質(zhì)來提供，從記錄介質(zhì)中讀出的程序被安裝在計算機中并被執(zhí)行。而且，可以通過通信線路而不用使用記錄介質(zhì)將程序直接加載到計算機中。[第一實施例]
(學(xué)習(xí)裝置10)圖I是示出了根 據(jù)本發(fā)明第一實施例的學(xué)習(xí)裝置的結(jié)構(gòu)的第一框圖。如圖I所示，根據(jù)本發(fā)明實施例的學(xué)習(xí)裝置10包括梯度特征提取単元11、和差特征提取単元12和學(xué)習(xí)單元13，并且，學(xué)習(xí)裝置10被連接至存儲裝置20。梯度特征提取単元11從輸入的學(xué)習(xí)對象圖案提取每個坐標(biāo)上的梯度特征量。梯度特征提取單元11提取學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量。梯度特征量是基于所述變化量通過量化在每個坐標(biāo)上的亮度的方向和強度(梯度強度值)所提取的數(shù)據(jù)。圖2是直觀的示出了由梯度特征提取単元11所提取的梯度特征量的說明圖。如圖2所示，例如，當(dāng)輸入人臉的照相圖像作為提取特征前的學(xué)習(xí)對象圖案時，梯度特征提取単元11能夠通過使用例如SOBEL濾波器等的梯度濾波器將該圖像分為八個梯度(0度，45度，90度，135度，180度，225度，270度和315度)并提取梯度特征量。換句話說，梯度特征提取単元11為這八個梯度的每ー個提取梯度強度值，這八個梯度是對于每個像素分別提取的。圖2的右側(cè)圖示意性的示出了提取對象圖像(圖2的左側(cè)圖)的所有像素的梯度強度值的結(jié)果。梯度特征提取單元11在存儲裝置20的特征量暫存單元22暫時存儲提取的梯度特征量。如圖I所示，和差特征提取単元12從特征量暫存單元22獲得梯度特征量并計算和差特征量。和差特征提取単元12能從梯度特征提取単元11接收梯度特征量。具體地，和差特征提取單元12將符合包括在“預(yù)定梯度范圍”內(nèi)的梯度方向的梯度強度值增加至學(xué)習(xí)對象圖案的特定坐標(biāo)。和差特征提取単元12通過減去符合包括在與所述梯度范圍相鄰的“其他梯度范圍”內(nèi)的梯度方向的梯度強度值，來計算和差特征量。這里，“預(yù)定梯度范圍”是這樣的范圍，其中，當(dāng)包括了所有有效梯度的整個范圍，就是說360度，被量化為四個或者更多的梯度方向時，該范圍包括符合其中兩個或者更多梯度方向的梯度特征量(梯度強度值)?！捌渌荻确秶笔桥c“預(yù)定梯度范圍”相鄰的范圍，包括了符合其數(shù)量與包括在“預(yù)定梯度范圍”內(nèi)的梯度方向的數(shù)量相同的梯度方向的梯度特征量。圖3A是示意性示出直觀指示每個梯度方向的梯度強度值的示例的圖。圖3B是說明圖，示出了說明作為圖3C中計算對象的特征范圍的方法。白色矩形表示的范圍指示作為加法對象的特征值的范圍。黒色矩形表示的范圍指示作為減法對象的特征值的范圍。圖3C是說明圖，其說明了當(dāng)被量化的梯度方向數(shù)量為8時的和差特征量。在圖3C中，在行的開頭指示作為加法對象或者減法對象的梯度方向的范圍(寬度)，在列的開頭指示作為加法對象或者減法對象的梯度方向的范圍的排列。例如，當(dāng)寬度為“2”，0 = 45度時，有8種關(guān)于梯度強度值的加法⑴和減法(-)的排列⑴“⑴4 0和3 0 ”，“㈠2 0和0 ” ；⑵“⑴5 0和4 0 ”，“㈠3 0和2 9 ”; (3) “ (+) 6 9 和 5 0 ”，“ (-) 4 9 和 3 0 ”; (4) “ (+) 7 0 和 6 0 ”，“ (-) 5 0 和 4 0 ”;
(5)“ (+) :0 和 7 0 ”，“ (-) 6 9 和 5 0 ”； (6) “ (+) 9 和 0”，“ (-) :7 0 和 6 0，，; (7) “ (+)2 0 和 0 ”，“ (-) :0 和 7 0，，;以及(8) “ (+) 3 0 和 2 0 ’’ 和 “ (-)0 和 O”。
和差特征提取単元12根據(jù)這些組合的每ー種通過對梯度強度值執(zhí)行加法和減法來計算和差特征量。例如，當(dāng)用E(0n)表示符合任意梯度方向(0n)的梯度強度值時，排列(I)的和差特征量可以通過以下方法計算。即，和差特征提取単元12能通過執(zhí)行計算過程E(4 0)+E(3 0)-(E(2 0)+E(0))來獲取關(guān)于該像素的這些和差特征量的ー個。和差特征提取単元12能通過對排列(I)至(8)執(zhí)行所述計算過程來計算關(guān)于像素的所需的和差特征量。換句話說，在這種情況下，和差特征提取単元12計算關(guān)于ー個像素的8個和差特征量。另外，和差特征提取単元12對于學(xué)習(xí)對象圖案的所有像素執(zhí)行該方法。進(jìn)一歩，上述的“梯度范圍”可以根據(jù)用戶的輸入操作來設(shè)置或者改變。 具體地，學(xué)習(xí)裝置10能通過設(shè)置包括在該梯度范圍內(nèi)的梯度方向的數(shù)量來任意設(shè)置“預(yù)定梯度范圍”或“其他梯度范圍”(本發(fā)明的梯度特征數(shù)量設(shè)置裝置的功能)。例如，當(dāng)寬度被設(shè)為“3”，和差特征提取単元12計算16個和差特征量通過執(zhí)行寬度為“3”時梯度強度值的加法和/或減法而獲取的8個和差特征量，通過執(zhí)行寬度為“2”時梯度強度值的加法/減法而計算的8個和差特征量。類似地，當(dāng)寬度被設(shè)為“4”，和差特征提取単元12獲取24個和差特征量通過執(zhí)行寬度為“4”時梯度強度值的加法和/或減法而獲取的8個和差特征量，通過執(zhí)行寬度為“3”時梯度強度值的加法和/或減法而計算的8個和差特征量，以及通過執(zhí)行寬度為“2”時梯度強度值的加法/減法而計算的8個和差特征量。從而，和差特征提取単元12能通過改變用于計算和差特征量的加法和/或減法的范圍(寬度)來調(diào)整用于學(xué)習(xí)過程的和差特征量的數(shù)量。進(jìn)ー步，和差特征提取単元12針對所有像素計算和差特征量，并在存儲裝置20的特征量暫存單元22中暫時存儲計算出的和差特征量。如圖I所示，學(xué)習(xí)單元13從特征量暫存單元22獲取梯度特征量以及和差特征量，并基于預(yù)定學(xué)習(xí)算法獲得識別過程的學(xué)習(xí)參數(shù)。學(xué)習(xí)單元13通過梯度特征提取単元11以及和差特征提取単元12接收這些梯度特征量以及和差特征量。進(jìn)ー步，如圖I所示，學(xué)習(xí)單元13能夠通過使用梯度特征量和和差特征量以及預(yù)定的教師數(shù)據(jù)來獲取學(xué)習(xí)參數(shù)。教師數(shù)據(jù)是指示對于采樣數(shù)據(jù)(輸入)的正確識別結(jié)果(輸出)的數(shù)據(jù)。具體地，教師數(shù)據(jù)是算木式或者用于由輸入值推導(dǎo)輸出值的學(xué)習(xí)參數(shù)，或兩者都有。這里，學(xué)習(xí)單元13不僅能夠通過使用特定學(xué)習(xí)算法獲取學(xué)習(xí)參數(shù)，也能通過使用各種學(xué)習(xí)算法來獲取。例如，在使用ー種神經(jīng)網(wǎng)絡(luò)的多層感知器的情況下，學(xué)習(xí)單元13獲取各節(jié)點之間的“連接權(quán)值”作為學(xué)習(xí)參數(shù)。當(dāng)使用一般化的學(xué)習(xí)矢量量化(GLVQ)作為學(xué)習(xí)算法時，學(xué)習(xí)單元13可以獲取“參考矢量(原型)”作為學(xué)習(xí)參數(shù)。當(dāng)使用支持矢量機(SVM)作為學(xué)習(xí)算法時，學(xué)習(xí)單元13能夠獲取選擇的“支持矢量”作為學(xué)習(xí)參數(shù)。學(xué)習(xí)單元13在字典存儲單元21中存儲所獲取的學(xué)習(xí)參數(shù)。存儲在字典存儲單元21中的學(xué)習(xí)參數(shù)被用于隨后描述的識別過程。
進(jìn)ー步，如圖4所示，學(xué)習(xí)裝置10可以具有這樣的結(jié)構(gòu)，其中沒有包括存儲裝置20。在這種情況中，梯度特征提取単元11能直接輸出所提取的梯度特征量至和差特征提取単元12和學(xué)習(xí)單元13。和差特征提取単元12能直接輸出所計算的和差特征量至學(xué)習(xí)單元13，并將從梯度特征提取単元11接收的梯度特征量發(fā)送至學(xué)習(xí)單元13。學(xué)習(xí)單元13輸出基于梯度特征量以及和差特征量(當(dāng)使用教師數(shù)據(jù)時，包括教師數(shù)據(jù))所獲取的學(xué)習(xí)參數(shù)至識別裝置。(識別裝置30)如圖5所示，識別裝置30包括梯度特征提取単元31、和差特征量提取單元32和識別單元33。 梯度特征提取単元31從輸入的識別對象圖案中提取每個坐標(biāo)上的梯度特征量。梯度特征提取單元31提取識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量。梯度特征量是基于所述變化量通過量化在每個坐標(biāo)上的亮度的方向和強度(梯度強度值)所提取的數(shù)據(jù)。即，梯度特征提取單元31執(zhí)行與學(xué)習(xí)裝置10的梯度特征提取單元11相同的操作。進(jìn)ー步，梯度特征提取単元31能夠只是提取被判定為對識別過程有用的特定梯度特征量。例如，梯度特征提取単元31通過統(tǒng)計學(xué)方法等排除了被判定為對識別過程無用的梯度特征量，并將對識別過程無用的識別碼附在識別對象圖案的預(yù)定坐標(biāo)或像素中。這樣，就可以不提取對于識別無用的梯度特征量。梯度特征提取単元31將所提取的梯度特征量暫時存儲在存儲裝置40的特征量暫存單元42中。如圖5所示，和差特征提取単元32從特征量暫存單元42獲取梯度特征量，并計算預(yù)定的和差特征量。和差特征提取単元32能夠直接從梯度特征提取単元31接收梯度特征量。S卩，和差特征提取単元32執(zhí)行與學(xué)習(xí)裝置10的和差特征提取単元12相同的操作。例如，當(dāng)學(xué)習(xí)裝置10的和差特征提取單元12中的“預(yù)定梯度范圍”和“其他梯度范圍”被設(shè)為“3”時，通常，識別裝置30的和差特征提取単元32通過使用包括在具有同樣寬度的梯度范圍內(nèi)的梯度特征量來計算和差特征量。具體地，在這種情況下，和差特征提取単元32對符合3個梯度方向的梯度強度值求和，并從所計算出的和值中減去符合3個其他梯度方向的梯度強度值，以獲取和差特征量。和差特征提取単元32對符合兩個梯度方向的梯度強度求和，并從所計算出的和值中減去符合兩個其他梯度方向的梯度強度值，以獲取和差特征量。然而，作為學(xué)習(xí)裝置10的學(xué)習(xí)過程的結(jié)果，當(dāng)梯度范圍的寬度為“3”，梯度特征量被判定為對識別無用時，和差特征提取単元32能夠僅僅基于寬度為“2”的梯度范圍來獲取和差特征量。換句話說，在這種情況下，和差特征提取単元32對符合兩個梯度方向的梯度強度值求和，并從所計算出的和值中減去符合兩個其他梯度方向的梯度強度值，以獲取和
差特征量。
進(jìn)ー步，通過使用與前述的梯度特征提取単元31所執(zhí)行的方法相同的方法，和差特征提取単元32能夠僅僅獲取被判定為對識別有用的特定和差特征量。結(jié)果，根據(jù)示例性實施例的學(xué)習(xí)裝置10能夠降低識別的計算成本，并實現(xiàn)快速的識別過程。進(jìn)ー步，和差特征提取単元32將所計算出的和差特征量暫存在存儲裝置40的特征量暫存單元42中。如圖5所示，識別單元33從特征量暫存單元42獲得梯度特征量以及和差特征量。識別單元33從字典存儲單元41獲得學(xué)習(xí)參數(shù)，并且基于這些學(xué)習(xí)參數(shù)，輸出指示在ー個或多個類型(預(yù)定的分類/類別/類等)中的識別對象圖案所屬的類型的信息，作為識別結(jié)果。例如，識別單元33獲取由從識別對象圖案提取的梯度特征量和和差特征量組成 的特征矢量和多個學(xué)習(xí)參數(shù)的參考矢量之間的歐幾里得距離，識別識別對象圖案所屬的分類/類別/類，歐幾里得距離為最短距離的參考矢量所被分配到該分類/類別/類。這里，識別單元33能夠從存儲在字典存儲單元41中的學(xué)習(xí)參數(shù)中僅僅提取被判定為對識別有用的學(xué)習(xí)參數(shù)，并將其用于識別過程。例如，識別單元33能夠基于通過實際識別過程提取的識別結(jié)果，通過預(yù)先將識別碼附在被判定為對識別有用的學(xué)習(xí)參數(shù)上來實現(xiàn)該方法。進(jìn)ー步，如圖6所示，識別裝置30具有這樣的結(jié)構(gòu)，其中可以不包括存儲裝置40。在這種情況中，梯度特征提取単元31能直接輸出所提取的梯度特征量至和差特征提取単元32或識別單元33。和差特征提取単元32能直接輸出所計算的和差特征量至識別單元33。和差特征提取単元32能將從梯度特征提取単元31接收的梯度特征量發(fā)送至學(xué)習(xí)單元33。學(xué)習(xí)單元13基于梯度特征量、和差特征量以及從學(xué)習(xí)裝置(未示出)接收到的學(xué)習(xí)參數(shù)等，輸出識別結(jié)果。(存儲裝置20 (40))圖I中示出的存儲裝置20以及圖5中示出的存儲裝置40是由硬盤、半導(dǎo)體存儲器等組成的存儲裝置。如這些圖中所示，存儲裝置20(30)包括字典存儲單元21 (41)和特征量暫存單元22(42)。字典存儲單元21 (41)存儲通過學(xué)習(xí)過程所獲取的學(xué)習(xí)參數(shù)。存儲在字典存儲單元21 (41)中的學(xué)習(xí)參數(shù)被用于識別過程。特征量暫存單元22存儲由梯度特征提取単元11所提取的梯度特征量以及學(xué)習(xí)裝置10中的和差特征提取単元12所計算出來的和差特征量。特征量暫存單元42存儲由梯度特征提取単元31所提取的梯度特征量以及識別裝置30中的和差特征提取単元32所計算出來的和差特征量。接下來，參考圖7和圖8描述具有上述結(jié)構(gòu)的學(xué)習(xí)裝置的學(xué)習(xí)方法以及具有上述結(jié)構(gòu)的識別裝置的識別方法。圖7是示出了根據(jù)實施例的學(xué)習(xí)方法的流程圖。圖8是示出了根據(jù)實施例的識別方法的流程圖。
(學(xué)習(xí)方法)如圖7所示，在根據(jù)示例性實施例的學(xué)習(xí)方法中，首先，學(xué)習(xí)裝置10通過輸入?yún)g元(未示出)輸入學(xué)習(xí)對象圖案(SlOl)。接下來，梯度特征提取単元11從輸入的學(xué)習(xí)對象圖案中提取梯度特征量(S102)。具體地，梯度特征提取單元11提取梯度特征量，其由每個坐標(biāo)上的梯度方向以及基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量的其梯度強度值組成。梯度特征提取單元11在存儲裝置20的特征量暫存單元22中存儲所提取的梯度特征量。接下來，和差特征提取単元12從特征量暫存單元22獲得梯度特征量，并計算和差特征量(S103)。 具體地，基于從學(xué)習(xí)對象圖案中提取的梯度特征量，和差特征提取単元12對符合包括在預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和。和差特征提取單元12通過減去符合包括在與所述梯度范圍相鄰的其他梯度范圍內(nèi)的梯度方向的梯度強度值來計算和差特征量。和差特征提取単元12對學(xué)習(xí)對象圖案里的所有像素執(zhí)行上述方法。進(jìn)ー步，和差特征提取単元12在特征量暫存單元22中存儲所獲取的和差特征量。接下來，學(xué)習(xí)裝置10確定是否還有其他要學(xué)習(xí)的學(xué)習(xí)對象圖案存在(S104)。當(dāng)有其他要學(xué)習(xí)的學(xué)習(xí)對象圖案存在時(S104:是)，學(xué)習(xí)裝置10對其他學(xué)習(xí)對象圖案執(zhí)行類似的方法(S101至S103)。S卩，學(xué)習(xí)裝置10重復(fù)SlOl至S103的方法，其重復(fù)次數(shù)與學(xué)習(xí)對象圖案的數(shù)量相同。當(dāng)不存在其他要學(xué)習(xí)的學(xué)習(xí)對象圖案時(S104:否)，學(xué)習(xí)單元13執(zhí)行學(xué)習(xí)過程(S105)。具體地，學(xué)習(xí)單元13使用取自特征量暫存單元22的梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，來獲取學(xué)習(xí)參數(shù)。進(jìn)ー步，那時，學(xué)習(xí)單元13能通過增加預(yù)定教師數(shù)據(jù)來執(zhí)行學(xué)習(xí)過程。在該示例性實施例中，學(xué)習(xí)單元13在與識別裝置30連接的存儲裝置40的字典存儲單元41中存儲所獲取的學(xué)習(xí)參數(shù)。這里，上述學(xué)習(xí)過程的步驟能任意改變。例如，當(dāng)執(zhí)行這樣的學(xué)習(xí)過程時，其中學(xué)習(xí)對象圖案如同一般化的學(xué)習(xí)矢量量化(GLVQ)那樣被順序輸入，步驟S104和S105的處理順序能被互換。即，可根據(jù)學(xué)習(xí)圖案的數(shù)量重復(fù)執(zhí)行下列一系列的步驟輸入學(xué)習(xí)對象圖案- >提取梯度特征量- >提取和差特征量->執(zhí)行學(xué)習(xí)過程。(識別方法)如圖8所示，在根據(jù)示例性實施例的識別方法中，首先，識別裝置30通過輸入?yún)g元(未示出)輸入識別對象圖案(S201)。接下來，梯度特征提取単元31從輸入的識別對象圖案中提取梯度特征量(S202)。具體地，梯度特征提取單元31提取梯度特征量，其由每個坐標(biāo)上的梯度方向以及基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量的其梯度強度值組成。梯度特征提取單元31在存儲裝置40的特征量暫存單元42中存儲所提取的梯度特征量。接下來，和差特征提取単元32從特征量暫存單元42獲得梯度特征量，并計算和差特征量(S203)。具體地，基于從識別對象圖案中提取的梯度特征量，和差特征提取単元32對符合包括在預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和。和差特征提取單元32通過減去符合包括在與所述梯度范圍相鄰的其他梯度范圍內(nèi)的梯度方向的梯度強度值來計算和差特征量。和差特征提取単元32對識別對象圖案里的所有像素執(zhí)行上述方法。 進(jìn)ー步，和差特征提取単元32在特征量暫存單元42中存儲所計算出來的和差特征量。接下來，識別單元33從特征量暫存單元42獲取梯度特征量以及和差特征量，從字典存儲單元41獲取在學(xué)習(xí)過程的步驟中存儲的學(xué)習(xí)參數(shù)?；谶@些數(shù)據(jù)，識別単元33從一個或多個類型中識別識別對象圖案所屬的類型(S204)。識別結(jié)果可通過顯示、打印等方法被輸出。如前所述，示例性實施例的學(xué)習(xí)裝置10，基于輸入的學(xué)習(xí)對象圖案提取每個坐標(biāo)上的梯度特征量，基于該梯度特征量提取和差特征量，并基于預(yù)定的學(xué)習(xí)算法獲取學(xué)習(xí)參數(shù)。基于這個原因，示例性實施例的學(xué)習(xí)裝置10能通過執(zhí)行諸如加法和減法的簡單計算過程，基于特定特征量提取學(xué)習(xí)參數(shù)。因此，該示例性實施例的學(xué)習(xí)裝置10能降低學(xué)習(xí)過程的計算成本，并實現(xiàn)流暢的學(xué)習(xí)過程。進(jìn)ー步，該示例性實施例的識別裝置30，基于輸入的識別對象圖案獲取每個坐標(biāo)上的梯度特征量，基于該梯度特征量獲取和差特征量，將這些特征量與預(yù)先提取(由前述的學(xué)習(xí)裝置等)的學(xué)習(xí)參數(shù)相比較，從而執(zhí)行識別對象圖案的識別。因此，該示例性實施例的識別裝置30能降低識別過程的計算成本，并流暢的獲得識別結(jié)果。從而，通過使用根據(jù)示例性實施例的學(xué)習(xí)裝置10或者識別裝置30，盡管學(xué)習(xí)參數(shù)是特定特征量，但通過執(zhí)行例如加法或者減法的簡單計算過程，能有效的獲得對識別有用的學(xué)習(xí)參數(shù)并流暢的計算出識別結(jié)果。S卩，根據(jù)該示例性實施例的學(xué)習(xí)裝置10或識別裝置30在學(xué)習(xí)過程中不需要提取大量的特征量和學(xué)習(xí)參數(shù)來保證識別的精確度。在根據(jù)示例性實施例的學(xué)習(xí)裝置10或識別裝置30中，由于執(zhí)行識別過程不需要復(fù)雜的計算過程，從而降低了總體計算成本。另外，在根據(jù)示例性實施例的學(xué)習(xí)裝置10或識別裝置30中，能調(diào)整學(xué)習(xí)過程和識別過程所需的梯度特征的量。例如，當(dāng)根據(jù)示例性實施例的學(xué)習(xí)裝置10或識別裝置30中設(shè)置為寬梯度范圍吋，執(zhí)行學(xué)習(xí)過程時能獲取很多學(xué)習(xí)參數(shù)，從而能進(jìn)ー步提高識別過程中的識別精確度。另ー方面，當(dāng)根據(jù)實施例的學(xué)習(xí)裝置10或識別裝置30中設(shè)置為窄梯度范圍時，執(zhí)行學(xué)習(xí)過程和識別過程的計算成本能被降低。從而，由于用戶能夠自由的改變梯度范圍，用戶能調(diào)整識別精確度和計算成本之間的平衡。進(jìn)而，該示例性實施例的識別裝置30能執(zhí)行識別過程，其中在學(xué)習(xí)過程中獲取的學(xué)習(xí)參數(shù)中僅僅使用識別過程所需的學(xué)習(xí)參數(shù)。具體地，在該示例性實施例的識別裝置30中，梯度特征提取単元31提取用于識別的梯度特征量，和差特征提取単元32僅僅計算用于識別的和差特征量，識別單元33將這些特征量與學(xué)習(xí)參數(shù)相比較，由此執(zhí)行識別過程。進(jìn)ー步，實施例的識別裝置30能從存儲在字典存儲單元的學(xué)習(xí)參數(shù)中只取出用于識別的學(xué)習(xí)參數(shù)，并將其用于與梯度特征量及和差特征量的比較。
·
結(jié)果，實施例的識別裝置30能降低識別過程的計算成本，并實現(xiàn)流暢的識別過程。[第二實施例]接下來將描述根據(jù)本發(fā)明第二實施例的學(xué)習(xí)裝置。根據(jù)該示例性實施例的學(xué)習(xí)裝置10的特征在于當(dāng)梯度特征量被存儲在暫存單元22中時所使用的存儲方法。第二實施例的其它結(jié)構(gòu)、操作/效果等與第一實施例的相同。因此，細(xì)節(jié)描述將被省略。此后將參照圖9A至9C描述根據(jù)該示例性實施例的存儲梯度特征量的方法。圖9A至9C是示出根據(jù)該示例性實施例的存儲梯度特征量的方法的說明圖。當(dāng)根據(jù)本示例性實施例的學(xué)習(xí)裝置中的特征量暫存單元22執(zhí)行學(xué)習(xí)過程時，它在相同的存儲區(qū)域或臨近區(qū)域中分別存儲在由在每個坐標(biāo)上的亮度的梯度方向組成的梯度特征量中用于計算ー個和差特征量的加法或減法對象的梯度特征量，以及由梯度特征提取単元11提取的其梯度強度值。S卩，特征量暫存單元22不以分級方式或無序方式存儲針對學(xué)習(xí)對象圖案的特定像素而提取的梯度特征量(參照圖9A)，而是如此存儲這些梯度特征量，以使得這些和差特征量的計算對象被安排在相同或相鄰地址(區(qū)域)(參照圖9B)。例如，在9C的示例中，特征量暫存單元22在#001地址的存儲區(qū)域中存儲像素001的各梯度方向(方向Dl至Dn)的梯度強度值。進(jìn)ー步地，特征量暫存單元22在#002地址的存儲區(qū)域中存儲像素002的各梯度方向的梯度強度值(同樣的操作執(zhí)行至像素N(N是對象圖案相應(yīng)像素的數(shù)量))。S卩，特征量暫存單元22存儲和差特征量，從而在存儲器的存儲區(qū)域中地址彼此鄰近(或相同)的存儲區(qū)域中存儲和差特征量的計算對象。因此，與無序存儲梯度特征量的情形相比，該示例性實施例的學(xué)習(xí)裝置10在執(zhí)行和差特征提取過程時，能夠高速執(zhí)行梯度強度值的加法和減法，從而可縮短執(zhí)行學(xué)習(xí)過程所需的周期(時間)。進(jìn)ー步，在該示例性實施例中已經(jīng)給出了關(guān)于學(xué)習(xí)裝置10的說明。但是，由于識別裝置30與學(xué)習(xí)裝置10 二者的結(jié)構(gòu)彼此相似，所以識別裝置30的操作/效果與學(xué)習(xí)裝置10的相似。[第三實施例]
下面將參照圖10和圖11來描述根據(jù)本發(fā)明第三實施例的學(xué)習(xí)識別系統(tǒng)。圖10和圖11是示出根據(jù)該示例性實施例的學(xué)習(xí)識別系統(tǒng)的結(jié)構(gòu)的框圖。如這些圖中所示，根據(jù)該示例性實施例的學(xué)習(xí)識別系統(tǒng)90包括學(xué)習(xí)裝置10和識別裝置30。因此，根據(jù)該示例性實施例的學(xué)習(xí)識別系統(tǒng)90的操作/效果與第一實施例中示出的學(xué)習(xí)裝置10和識別裝置30的操作/效果相似。另外，由于學(xué)習(xí)識別系統(tǒng)90是由學(xué)習(xí)裝置10和識別裝置30組成，因此其可以被整體提供，從而具有良好的適用性。具體地，當(dāng)實時執(zhí)行學(xué)習(xí)過程和識別過程時，可使用圖10所示的學(xué)習(xí)識別系統(tǒng)90a。例如，在學(xué)習(xí)裝置10連續(xù)輸入學(xué)習(xí)圖案和教師數(shù)據(jù)并執(zhí)行學(xué)習(xí)過程并且同時識別裝置30執(zhí)行識別對象圖案的識別過程的實施例中，可應(yīng)用學(xué)習(xí)識別系統(tǒng)90a。在圖11所示的學(xué)習(xí)識別系統(tǒng)90b中，學(xué)習(xí)裝置10和識別裝置30共享存儲裝置 20。因此，由于學(xué)習(xí)裝置10和識別裝置30可被配置為其中不包含存儲裝置，與學(xué)習(xí)裝置10和識別裝置30分別包含存儲裝置的情形相比，可以降低學(xué)習(xí)識別系統(tǒng)90b的成本。[第四實施例]下面將參照圖12和圖13來描述根據(jù)本發(fā)明第四實施例的學(xué)習(xí)識別裝置。圖12和圖13是示出根據(jù)該示例性實施例的學(xué)習(xí)識別裝置的結(jié)構(gòu)的框圖。根據(jù)該示例性實施例的學(xué)習(xí)識別裝置100集成了學(xué)習(xí)裝置10和識別裝置20。具體地，圖12所示的學(xué)習(xí)識別裝置IOOa對應(yīng)于圖10所示的學(xué)習(xí)識別系統(tǒng)90a。圖13所示的學(xué)習(xí)識別裝置IOOb對應(yīng)于圖11所示的學(xué)習(xí)識別系統(tǒng)90b。因此，第四實施例的其它結(jié)構(gòu)、操作/效果等與第三實施例的相同。但是，在根據(jù)該示例性實施例的學(xué)習(xí)識別裝置100中，學(xué)習(xí)過程和識別過程共享梯度特征提取単元及和差特征提取単元。這不同于前述實施例。因此，與根據(jù)第三實施例所示的學(xué)習(xí)識別系統(tǒng)相比，根據(jù)該示例性實施例的學(xué)習(xí)識別裝置100能進(jìn)ー步降低成本。通過示出的實施例，給出了關(guān)于本發(fā)明的學(xué)習(xí)裝置、學(xué)習(xí)方法、存儲學(xué)習(xí)程序的記錄介質(zhì)、識別裝置、識別方法和存儲識別程序的記錄介質(zhì)，以及學(xué)習(xí)識別系統(tǒng)、學(xué)習(xí)識別裝置、學(xué)習(xí)識別方法和存儲學(xué)習(xí)識別程序的記錄介質(zhì)的說明。然而，根據(jù)本發(fā)明的裝置、系統(tǒng)、方法和存儲程序的記錄介質(zhì)并不限于前述的實施例，并且不必說，在本發(fā)明范圍內(nèi)能作出各種改變。例如，不僅圖像本身，而且，例如，執(zhí)行了預(yù)定的預(yù)處理(參照圖14的Al)后的數(shù)據(jù)或者被預(yù)定縮減處理壓縮后的數(shù)據(jù)等，能被用作在每個實施例中輸入的學(xué)習(xí)對象圖案和識別對象圖案。對對象圖像執(zhí)行了例如柱狀量化的圖像處理后的數(shù)據(jù)可被用作學(xué)習(xí)對象圖案和識別對象圖案。在此情況下，本發(fā)明的學(xué)習(xí)裝置、學(xué)習(xí)方法、存儲學(xué)習(xí)程序的記錄介質(zhì)、識別裝置、識別方法和存儲識別程序的記錄介質(zhì)，以及學(xué)習(xí)識別系統(tǒng)、學(xué)習(xí)識別裝置、學(xué)習(xí)識別方法和存儲學(xué)習(xí)識別程序的記錄介質(zhì)能抑制照像時產(chǎn)生的亮度影響。因此，能進(jìn)ー步提高識別性能。本發(fā)明在減輕計算成本負(fù)擔(dān)的同時，還具有提高識別精確度以及流暢執(zhí)行學(xué)習(xí)過程和識別過程的效果。這是本發(fā)明的效果中的ー個示例。
本申請請求2010年I月6日提出的日本專利申請No. 2010-001265的優(yōu)先權(quán)，在此通過整體參照結(jié)合該優(yōu)先權(quán)的內(nèi)容。エ業(yè)實用性本發(fā)明可適用于對象識別，例如圖像中的特征識別、面部識別、使用人臉或者身體的個人認(rèn)證、監(jiān)測攝像機的圖像中的人物檢測、ェ廠生產(chǎn)線的缺陷檢測等。符號說明10學(xué)習(xí)裝置11梯度特征提取單元12和差特征提取單元13學(xué)習(xí)單元20，40存儲裝置21，41字典存儲單元22，42特征量暫存單元30識別裝置31梯度特征提取單元32和差特征提取單元33識別單元
90學(xué)習(xí)識別系統(tǒng)100學(xué)習(xí)識別裝置
權(quán)利要求
1.一種學(xué)習(xí)裝置，其特征在于包括 梯度特征提取單元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，計算預(yù)定的和差特征量； 學(xué)習(xí)單元，其使用所述梯度特征量和所述和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。
2.如權(quán)利要求I所述的學(xué)習(xí)裝置，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，其包括符合兩個或者更多量化的梯度方向的梯度特征量; 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述量化的梯度方向的數(shù)量相同的所述量化的梯度方向的所述梯度特征量。
3.如權(quán)利要求2所述的學(xué)習(xí)裝置，其特征在于 所述和差特征量提取單元，在符合包括在預(yù)定梯度范圍中的梯度方向的梯度強度中，對單元數(shù)量小于包括在所述梯度范圍中的量化的梯度方向的數(shù)量的梯度強度值求和，從計算出的和值中減去包含在所述其他梯度范圍中的所述單元數(shù)量的所述梯度強度值。
4.如權(quán)利要求2或3所述的學(xué)習(xí)裝置，其特征在于 包括梯度特征數(shù)量設(shè)置裝置，用于根據(jù)輸入操作設(shè)置包括在所述預(yù)設(shè)梯度范圍中和/或所述其它梯度范圍中的所述量化的梯度方向的數(shù)量。
5.如權(quán)利要求I至4任一項所述的學(xué)習(xí)裝置，其特征在于 所述學(xué)習(xí)單元基于所述梯度特征量、所述和差特征量及所述預(yù)定學(xué)習(xí)算法，使用對應(yīng)于這些特征量的預(yù)定教師數(shù)據(jù)，來獲取所述學(xué)習(xí)參數(shù)。
6.如權(quán)利要求I至5任一項所述的學(xué)習(xí)裝置，其特征在于 所述學(xué)習(xí)裝置包括特征量暫存單元，其用于存儲包括所述學(xué)習(xí)對象圖案中在每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量，并且 所述和差特征提取單元，基于取自所述特征量暫存單元的所述梯度特征量，通過對符合包含在預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且減去符合包含在臨近所述預(yù)定梯度范圍的所述其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算出和差特征量。
7.如權(quán)利要求6所述的學(xué)習(xí)裝置，其特征在于 所述特征量暫存單元，在相同或相鄰區(qū)域存儲包括在學(xué)習(xí)對象圖案的每個坐標(biāo)上的梯度方向及其梯度強度值的各梯度特征量中的符合一個坐標(biāo)的梯度特征量。
8.一種學(xué)習(xí)方法，其特征在于包括下列步驟 基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量，提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 基于提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的所述梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，計算預(yù)定的和差特征量; 使用所述梯度特征量和所述和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。
9.如權(quán)利要求8所述的學(xué)習(xí)方法，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的梯度特征量； 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述量化的梯度方向的數(shù)量相同的所述量化的梯度方向的所述梯度特征量。
10.一種存儲學(xué)習(xí)程序的記錄介質(zhì)，其特征在于使計算機作為如下單元工作 梯度特征提取單元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所述提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的所述梯度強度值求和，并且從所述計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的所述其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算預(yù)定的和差特征量；以及 學(xué)習(xí)單元，使用所述梯度特征量和所述和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。
11.如權(quán)利要求10所述的存儲學(xué)習(xí)程序的記錄介質(zhì)，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的梯度特征量； 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的梯度特征量。
12.—種識別裝置，其特征在于包括 梯度特征提取單元，其基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的所述梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，計算預(yù)定的和差特征量；以及 識別單元，基于所述梯度特征量、所述和差特征量以及通過預(yù)定學(xué)習(xí)算法獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別識別對象圖案所屬的類型。
13.如權(quán)利要求12所述的識別裝置，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的所述梯度特征量; 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的所述梯度特征量。
14.如權(quán)利要求13所述的識別裝置，其特征在于 所述和差特征量提取單元，在符合包括在預(yù)定梯度范圍中的梯度方向的梯度強度中，對單元數(shù)量小于包括在所述梯度范圍中的量化的梯度方向的數(shù)量的梯度強度值求和，從計算出的和值中減去包含在所述其他梯度范圍中的所述單元數(shù)量的梯度強度值。
15.如權(quán)利要求13或14所述的識別裝置，其特征在于 包括梯度特征數(shù)量設(shè)置裝置，用于根據(jù)輸入操作設(shè)置包括在所述預(yù)設(shè)梯度范圍中和/或所述其它梯度范圍中的所述量化的梯度方向的數(shù)量。
16.如權(quán)利要求12至15任一項所述的識別裝置，其特征在于 所述識別裝置包括特征量暫存單元，用于存儲包括在識別對象圖案的每個坐標(biāo)上的所述梯度方向及其梯度強度值的所述梯度特征量，并且 所述和差特征提取單元，基于取自所述特征量暫存單元的所述梯度特征量，通過對符合包含在預(yù)定梯度范圍內(nèi)的所述梯度方向的所述梯度強度值求和，并且減去符合包含在臨近所述預(yù)定梯度范圍的所述其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算出和差特征量。
17.如權(quán)利要求16所述的識別裝置，其特征在于 所述特征量暫存單元，在相同或相鄰區(qū)域存儲包括在所述識別對象圖案的每個坐標(biāo)上的所述梯度方向及其梯度強度值的各梯度特征量中的符合一個坐標(biāo)的梯度特征量。
18.如權(quán)利要求12至17任一項所述的識別裝置，其特征在于 所述識別裝置包括字典存儲單元，其針對預(yù)定學(xué)習(xí)對象參數(shù)存儲使用所述梯度特征量及所述和差特征量基于預(yù)定學(xué)習(xí)算法獲取的學(xué)習(xí)參數(shù)； 所述識別單元基于所述梯度特征量、所述和差特征量以及存儲在所述字典存儲單元中的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別識別對象圖案所屬的類型。
19.如權(quán)利要求18所述的識別裝置，其特征在于 所述識別單元，基于所述梯度特征量、所述和差特征量以及從存儲在所述字典存儲單元中的所述學(xué)習(xí)參數(shù)中被判定為對識別過程有用的學(xué)習(xí)參數(shù)，從一個或多個類型中識別所述識別對象圖案所屬的類型。
20.如權(quán)利要求12至19任一項所述的識別裝置，其特征在于 所述梯度特征提取單元提取被所述識別單元判定為對所述識別過程有用的特定梯度特征量。
21.如權(quán)利要求12至20任一項所述的識別裝置，其特征在于 所述和差特征提取單元計算被所述識別單元判定為對所述識別過程有用的特定和差特征量。
22.—種識別方法，其特征在于包括如下步驟 基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 基于所述提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，計算預(yù)定的和差特征量；以及基于所述梯度特征量、所述和差特征量以及通過預(yù)定學(xué)習(xí)算法獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別所述識別對象圖案所屬的類型。
23.如權(quán)利要求22所述的識別方法，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的所述梯度特征量; 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的梯度特征量。
24.一種存儲識別程序的記錄介質(zhì)，其特征在于使計算機按如下單元工作 梯度特征提取單元，其基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的所述梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，計算預(yù)定的和差特征量； 識別單元，其基于所述梯度特征量、所述和差特征量以及通過所述預(yù)定學(xué)習(xí)算法獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別所述識別對象圖案所屬的類型。
25.如權(quán)利要求24所述的存儲識別程序的記錄介質(zhì)，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的所述梯度特征量；所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的所述梯度特征量。
26.—種學(xué)習(xí)識別系統(tǒng),其特征在于包括 學(xué)習(xí)裝置，其包括 梯度特征提取單元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所述提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的所述梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，計算預(yù)定的和差特征量；和 學(xué)習(xí)單元，其使用所述梯度特征量以及所述和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)；以及識別裝置，其包括 梯度特征提取單元，其基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所提取的梯度特征量，通過對符合包含在預(yù)定梯度范圍內(nèi)的所述梯度方向的梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的所述其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算預(yù)定的和差特征量;和識別單元，其基于所述梯度特征量、所述和差特征量以及由所述學(xué)習(xí)單元獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別所述識別對象圖案所屬的類型。
27.如權(quán)利要求26所述的學(xué)習(xí)識別系統(tǒng)，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的所述梯度特征量; 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的所述梯度特征量。
28.一種學(xué)習(xí)識別裝置，包括用于從一個或多個類型中識別識別對象圖案所屬的類型的識別單元，其特征在于 所述學(xué)習(xí)識別裝置包括 梯度特征提取單元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所述提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，從而計算預(yù)定的和差特征量； 學(xué)習(xí)單元，使用所述梯度特征量以及所述和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)； 所述梯度特征提取單元，其基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 所述和差特征提取單元，基于所提取的梯度特征量，通過對符合包含在預(yù)定梯度范圍內(nèi)的所述梯度方向的梯度強度值求和，并且從所述計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的所述其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算預(yù)定的和差特征量; 識別單元，基于從所述識別對象圖案計算出的所述梯度特征量和所述和差特征量以及由所述學(xué)習(xí)單元獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別所述識別對象圖案所屬的類型。
29.如權(quán)利要求28所述的學(xué)習(xí)識別裝置，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的梯度特征量； 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的所述梯度特征量。
30.一種學(xué)習(xí)識別方法，其特征在于包括以下步驟 基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 基于所述提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的所述梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算預(yù)定的和差特征量； 使用所述梯度特征量以及所述和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)； 基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 基于所述提取的梯度特征量，通過對符合包含在預(yù)定梯度范圍內(nèi)的所述梯度方向的梯度強度值求和，并且從所述計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的所述其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算預(yù)定的和差特征量； 基于從所述識別對象圖案計算出的所述梯度特征量和所述和差特征量以及由所述學(xué)習(xí)單元獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別所述識別對象圖案所屬的類型。
31.如權(quán)利要求30所述的學(xué)習(xí)識別方法，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的所述梯度特征量; 所述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的梯度特征量。
32.—種存儲學(xué)習(xí)識別程序的記錄介質(zhì)，其特征在于使得 計算機按如下單元工作 梯度特征提取單元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 和差特征提取單元，基于所述提取的梯度特征量，通過對符合包含在指示所述預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的所述梯度方向的所述梯度強度值求和，并且從所計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的所述梯度強度值，計算預(yù)定的和差特征量； 學(xué)習(xí)單元，使用所述梯度特征量以及所述和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)； 所述梯度特征提取單元，基于輸入的識別對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量； 所述和差特征提取單元，基于提取的梯度特征量，通過對符合包含在預(yù)定梯度范圍內(nèi)的梯度方向的所述梯度強度值求和，并且從所述計算出的和值中減去符合包含在臨近所述預(yù)定梯度范圍的所述其他梯度范圍內(nèi)的所述梯度方向的所述梯度強度值，計算預(yù)定的和差特征量； 所述識別單元，基于從所述識別對象圖案計算出的梯度特征量和所述和差特征量以及由所述學(xué)習(xí)單元獲取的部分或者全部學(xué)習(xí)參數(shù)，從一個或多個類型中識別所述識別對象圖案所屬的類型。
33.如權(quán)利要求32所述的存儲學(xué)習(xí)識別程序的記錄介質(zhì)，其特征在于 所述預(yù)定梯度范圍是這樣的范圍，其中在包括了所有可用梯度方向的整個范圍被量化為的四個或者更多的梯度方向中，包括了符合兩個或更多量化的梯度方向的梯度特征量；所 述其他梯度范圍是與所述梯度范圍相鄰的范圍，其包括了符合其數(shù)量與包括在所述梯度范圍內(nèi)的所述梯度方向的數(shù)量相同的所述量化的梯度方向的所述梯度特征量。
全文摘要
所公開的學(xué)習(xí)裝置提高了圖案識別中的識別精確度，也提高了學(xué)習(xí)過程和識別過程的流暢性。學(xué)習(xí)裝置包括梯度特征提取單元，其基于輸入的學(xué)習(xí)對象圖案在每個坐標(biāo)上的亮度與其周邊的亮度之間的變化量提取包括每個坐標(biāo)上的梯度方向及其梯度強度值的梯度特征量；和差特征提取單元，基于提取的梯度特征量，通過對符合包含在指示預(yù)定梯度方向的范圍的預(yù)定梯度范圍內(nèi)的梯度方向的梯度強度值求和，并且從計算出的和值中減去符合包含在臨近預(yù)定梯度范圍的其他梯度范圍內(nèi)的梯度方向的梯度強度值，計算預(yù)定的和差特征量；以及學(xué)習(xí)單元，使用梯度特征量以及和差特征量，基于預(yù)定學(xué)習(xí)算法，獲取每個坐標(biāo)上的學(xué)習(xí)參數(shù)。
文檔編號G06T7/00GK102713974SQ20108006094
公開日2012年10月3日 申請日期2010年12月24日 優(yōu)先權(quán)日2010年1月6日
發(fā)明者細(xì)井利憲 申請人:日本電氣株式會社