本發(fā)明涉及一種用于從圖像檢測物體的技術。
背景技術：
：傳統(tǒng)上已提出了一種從由照相機拍攝的圖像檢測人體的方法(非專利文獻1(NavneetDalalandBillTriggs,"HistogramsofOrientedGradientsforHumanDetection",CVPR2005))。在該方法中，通過機器學習預先學習人體圖像和背景圖像。之后，識別從照相機輸入的圖像的部分圖像是否是人體，來檢測人體。然而，已知的是，在拍攝場景或人體的外觀在預先學習時與檢測時之間不同的情況下，檢測性能劣化。拍攝場景的不同的示例是照明條件的不同，以及照相機安裝角度、陰影的有/無和背景的不同。外觀的不同的示例是人體的方位以及服裝的不同。檢測性能劣化的因素是，例如，預先學習時的學習樣本無法覆蓋拍攝場景和檢測目標物體的外觀的多樣性。為了解決此問題，提出了一種通過針對已經(jīng)在與檢測時類似的拍攝場景中收集的附加學習，使用學習樣本進行附加學習，來提高檢測性能的方法。專利文獻1(日本特開2010-529529號公報)提出了一種通過預先學習創(chuàng)建RealAdaBoost鑒別器的弱鑒別器，然后通過附加學習使弱鑒別器適應附加學習樣本的方法。還已知的是，通過使用在檢測時的場景中獲得的特定場景情境(context)用于識別，來提高檢測性能。情境的示例是檢測目標物體在圖像中的出現(xiàn)位置坐標。對于安裝位置是永久的安全攝像機，要檢測的人體在圖像中的出現(xiàn)位置或大小具有對安裝場景特定的分布。因此，在專利文獻2(日本特許5096211號公報)中，人體的出現(xiàn)位置坐標的概率分布被創(chuàng)建并被用于鑒別器的前濾波器或結果校正。情境的另一示例是背景圖像。檢測目標出現(xiàn)在具有特定背景紋理的位置的頻率依據(jù)照相機安裝位置而上升。因此，在專利文獻3(US20120219211A1)中，不僅識別目標區(qū)域，而且識別目標區(qū)域周圍的部分圖像都被用于學習。然而，在專利文獻1中，RealAdaBoost鑒別器的參數(shù)僅適用于附加學習樣本。由于用于附加學習和附加學習后的檢測的特征限于在預先學習時生成的那些特征，因此性能的提高受限。專利文獻2假設了永久安裝的照相機，并且僅物體的出現(xiàn)位置坐標的概率分布被用作情境。因此，在照相機不是永久安裝的情形下，或在物體的出現(xiàn)概率不依據(jù)位置坐標的情形下，無法預期性能的提高。在專利文獻3中，僅識別目標區(qū)域周圍的部分圖像能夠被用作情境。在背景圖像隨時間改變的情形下，或在物體的出現(xiàn)概率不依據(jù)背景的情形下，無法預期性能的提高。技術實現(xiàn)要素：為了解決上述問題而做出了本發(fā)明，并且本發(fā)明提供一種用于提高圖像的識別性能的技術。根據(jù)本發(fā)明的第一方面，提供了一種信息處理裝置，所述信息處理裝置包括：被構造為從輸入的圖像獲得特征量的單元；被構造為獲得代表關于所述圖像的情境的情境信息的單元；第一識別單元，其被構造為從特征量獲得表示所述圖像是特定物體的圖像的似然度的第一似然度；第二識別單元，其被構造為從情境信息獲得表示所述圖像是特定物體的圖像的似然度的第二似然度；以及被構造為通過使用第一似然度和第二似然度來識別所述圖像是否是特定物體的圖像的單元，其中，第二識別單元包括使用第一似然度和情境信息而學習的鑒別器。根據(jù)本發(fā)明的第二方面，提供了一種信息處理裝置，所述信息處理裝置包括：被構造為從輸入的圖像獲得特征量的單元；被構造為獲得代表關于所述圖像的情境的情境信息的單元；第一識別單元，其被構造為從特征量獲得表示所述圖像是特定物體的圖像的似然度的第一似然度；以及學習單元，其被構造為通過使用第一似然度和情境信息，對與第一識別單元不同的第二識別單元進行學習。根據(jù)本發(fā)明的第三方面，提供了一種要由信息處理裝置進行的信息處理方法，所述信息處理方法包括：使被構造為獲得信息處理裝置的特征量的單元，從輸入的圖像獲得特征量的步驟；使被構造為獲得信息處理裝置的情境信息的單元，獲得代表關于所述圖像的情境的情境信息的步驟；第一識別步驟，使信息處理裝置的第一識別單元，從特征量獲得表示所述圖像是特定物體的圖像的似然度的第一似然度；第二識別步驟，使信息處理裝置的第二識別單元，從情境信息獲得表示所述圖像是特定物體的圖像的似然度的第二似然度；以及使信息處理裝置的識別單元，通過使用第一似然度和第二似然度來識別所述圖像是否是特定物體的圖像的步驟，其中，第二識別單元包括使用第一似然度和情境信息而學習的鑒別器。根據(jù)本發(fā)明的第四方面，提供了一種要由信息處理裝置進行的信息處理方法，所述信息處理方法包括：使被構造為獲得信息處理裝置的特征量的單元，從輸入的圖像獲得特征量的步驟；使被構造為獲得信息處理裝置的情境信息的單元，獲得代表關于所述圖像的情境的情境信息的步驟；第一識別步驟，使信息處理裝置的第一識別單元，從特征量獲得表示所述圖像是特定物體的圖像的似然度的第一似然度；以及學習步驟，使信息處理裝置的學習單元，通過使用第一似然度和情境信息對與第一識別單元不同的第二識別單元進行學習。通過以下(參照附圖)對示例性實施例的描述，本發(fā)明的進一步的特征將變得清楚。附圖說明圖1是示出信息處理裝置的功能布置的示例的框圖；圖2是示出攝像裝置的硬件布置的示例的框圖；圖3是示出要由學習單元111進行的處理的流程圖；圖4是示出在步驟S306中的處理的詳情的流程圖；圖5是示出在步驟S403中的處理的詳情的流程圖；圖6是示出要由識別單元101進行的處理的流程圖；圖7是用于說明情境特征向量的圖；圖8是用于說明式(11)的曲線圖；以及圖9是用于說明情境特征向量的圖。具體實施方式現(xiàn)在，將參照附圖描述本發(fā)明的實施例。注意，下面要描述的各個實施例將例示本發(fā)明被具體地實施并且是權利要求的范圍中記載的布置的具體實施例的情況。[第一實施例]首先，將參照圖1的框圖說明根據(jù)第一實施例的信息處理裝置的功能布置的示例。如圖1中所示，根據(jù)本實施例的信息處理裝置包括識別單元101和學習單元111。學習單元111由識別目標圖像和伴隨它們的情境(context)，對識別單元101的第二識別單元107進行學習?！白R別目標圖像”是檢測目標物體的圖像和背景圖像共存的圖像。根據(jù)由第一識別單元106a和學習單元111學習的第二識別單元107對輸入的圖像的識別處理的結果，識別單元101識別輸入的圖像是否是已經(jīng)拍攝到特定物體的圖像。注意，本實施例將描述學習單元111和識別單元101被布置在一個裝置(信息處理裝置)中。然而，學習單元111和識別單元101可以被布置在分開的裝置中。在這種情況下，學習單元111和識別單元101彼此進行通信，以通過它們之間的通信來實現(xiàn)以下處理。首先，將說明學習單元111。學習樣本獲得單元112獲得多個識別目標圖像，并且從各個識別目標圖像收集識別目標圖像的圖像特征向量以及附加到識別目標圖像的情境特征向量。學習樣本獲得單元112針對各個識別目標圖像，通過將從識別目標圖像收集的圖像特征向量和情境特征向量連結，來生成學習樣本。此外，學習樣本獲得單元112接收用于各個識別目標圖像的分類標簽。分類標簽是表示學習樣本(識別目標圖像)是否是檢測目標物體的數(shù)值。當學習樣本是檢測目標物體時，分類標簽取+1，而當學習樣本是背景時，分類標簽取-1。稍后將描述分類標簽獲得方法。學習樣本獲得單元112針對各個識別目標圖像，向第一識別單元106b和附加鑒別器學習單元117，發(fā)送從識別目標圖像生成的學習樣本以及用于識別目標圖像的分類標簽。圖像獲得單元103b獲得多個識別目標圖像和用于識別目標圖像的分類標簽。特征提取單元104b從由圖像獲得單元103b獲得的識別目標圖像提取圖像特征向量。情境獲得單元105b獲得附加到由圖像獲得單元103b獲得的識別目標圖像的情境特征向量。由特征提取單元104b提取的圖像特征向量和由情境獲得單元105b獲得的情境特征向量，在圖像特征向量和情境特征向量被連結的狀態(tài)下，與分類標簽一起被發(fā)送到第一識別單元106b和附加鑒別器學習單元117，作為學習樣本。第一識別單元106b針對從學習樣本獲得單元112輸入的各個學習樣本中的圖像特征向量，計算表示檢測目標物體的似然度的第一似然度。本實施例將說明第一識別單元106b由RealAdaBoost鑒別器構成。然而，第一識別單元106b可以由支持向量機、神經(jīng)網(wǎng)絡、回歸或其他鑒別器構成，只要鑒別器能夠獲得似然度即可?！皺z測目標物體的似然度”代表針對輸入到構成第一識別單元106b的鑒別器的圖像特征向量的、檢測目標物體的似然度，并且表示隨著值越大，圖像特征向量越有可能代表檢測目標物體。稍后將描述計算第一似然度的方法。當?shù)谝蛔R別單元106b由RealAdaBoost鑒別器構成時，鑒別器被構成為弱鑒別器的集合。當使用支持向量機、神經(jīng)網(wǎng)絡或回歸時，鑒別器被構成為單個鑒別器。假設已經(jīng)使用預先獲得的識別目標圖像預先學習了構成第一識別單元106b的鑒別器。第一識別單元106b在后續(xù)階段將計算出的第一似然度發(fā)送到附加鑒別器學習單元117。附加鑒別器學習單元117通過使用從學習樣本獲得單元112輸入的學習樣本和分類標簽以及從第一識別單元106b輸入的第一似然度，創(chuàng)建構成識別單元101的第二識別單元107的弱鑒別器的集合。學習樣本權重設置單元118對學習樣本進行權重的初始設置和更新。鑒別器候選生成單元119由學習樣本和學習樣本的權重生成弱鑒別器候選和弱鑒別器候選的評價得分，并將它們輸入到鑒別器選擇單元120。鑒別器選擇單元120基于評價得分選擇期望的弱鑒別器，并更新第二識別單元107。接下來，將說明識別單元101。識別樣本獲得單元102獲得識別目標圖像，并且從識別目標圖像收集識別目標圖像的圖像特征向量以及附加到識別目標圖像的情境特征向量。識別樣本獲得單元102通過將從識別目標圖像收集的圖像特征向量和情境特征向量連結，來生成識別樣本，并將該識別樣本發(fā)送到第一識別單元106a和第二識別單元107。圖像獲得單元103a獲得識別目標圖像。類似于特征提取單元104b，特征提取單元104a從由圖像獲得單元103a獲得的識別目標圖像提取圖像特征向量。情境獲得單元105a獲得附加到由圖像獲得單元103a獲得的識別目標圖像的情境特征向量。由特征提取單元104a提取的圖像特征向量和由情境獲得單元105a獲得的情境特征向量，在圖像特征向量和情境特征向量被連結的狀態(tài)下，被發(fā)送到第一識別單元106a和第二識別單元107，作為識別樣本。第一識別單元106a針對從識別樣本獲得單元102輸入的識別樣本中的圖像特征向量，計算表示檢測目標物體的似然度的似然度(第一似然度)。第一識別單元106a在后續(xù)階段將計算出的第一似然度發(fā)送到綜合識別單元108。注意，第一識別單元106a和第一識別單元106b被預先以相同的方式學習，并且進行相同的操作。因此，單個鑒頻器可以被共享并用作第一識別單元106a和第一識別單元106b，或者通過進行相同的學習而生成的兩個鑒別器可以用作第一識別單元106a和第一識別單元106b。第二識別單元107針對從識別樣本獲得單元102輸入的識別樣本，計算表示檢測目標物體的似然度的第二似然度。第二識別單元107在后續(xù)階段將計算出的第二似然度發(fā)送到綜合識別單元108。通過使用從第一識別單元106a輸入的第一似然度和從第二識別單元107輸入的第二似然度，綜合識別單元108確定識別樣本是否為檢測目標物體。接下來，將參照作為示出本處理的流程圖的圖3，說明要由圖1中的學習單元111進行的處理。在步驟S301中，圖像獲得單元103b獲得多個識別目標圖像。在步驟S302中，圖像獲得單元103b獲得用于各個識別目標圖像的分類標簽。如上所述，識別目標圖像是檢測目標物體的圖像或背景圖像中的任一者。在步驟S301中，獲得檢測目標物體的圖像和背景圖像共存的圖像。例如，用戶可以預先指定識別目標圖像和分類標簽。當從運動圖像獲得識別目標圖像時，可以將跟蹤處理等應用到檢測目標物體，以從跟蹤結果自動獲得識別目標圖像和識別目標圖像的分類標簽。在步驟S303中，特征提取單元104b從在步驟S301中獲得的各個識別目標圖像提取圖像特征向量。在本實施例中，從識別目標圖像提取HOG(HistogramsofOrientedGradients，方向梯度直方圖)作為圖像特征向量。然而，圖像特征向量不限于HOG，可以提取LBP(LocalBinaryPattern，局部二進制模式)、圖像的輝度值或其他任意的特征量作為圖像特征向量。在步驟S304中，情境獲得單元105b從在步驟S301中獲得的各個識別目標圖像，獲得附加到識別目標圖像的情境特征向量。在本實施例中，提取檢測目標物體的出現(xiàn)位置信息作為情境特征向量。更具體地，如圖7中所示，從中獲得識別目標圖像701的輸入的圖像702(從中提取識別目標圖像701的原始圖像)中的識別目標圖像701的位置坐標和大小被用作情境。即，獲得識別目標圖像701的提取幀的高度h，和提取幀的下部的y坐標。然后，將提取幀的高度h與提取幀的下部的y坐標的比，以及高度h的倒數(shù)，設置為情境特征向量。此時，情境特征向量c為c＝(y/h,1/h)。如上所述，學習樣本獲得單元112向第一識別單元106b，發(fā)送通過針對各個識別目標圖像將從識別目標圖像提取的圖像特征向量和從識別目標圖像獲得的情境特征向量連結而獲得的學習樣本。在步驟S305中，第一識別單元106b針對從學習樣本獲得單元112輸入的各個學習樣本中的圖像特征向量v，計算第一似然度H1(v)。根據(jù)下式計算第一似然度H1(v)：H1(v)=Σh1∈H1h1(v)...(1)]]>在式(1)中，h1(v)代表第一識別單元106b中的弱鑒別器，并且根據(jù)下式計算h1(v)：h1(v)=12lnW+J(u)+ϵW-J(u)+ϵ...(2)]]>其中，ε是常數(shù)，W+j和W-j是具有直方條(bin)編號j的一維直方圖，u是在圖像特征向量v中預先確定的維度的要素值，并且J(u)是用于將u轉換成一維直方圖的直方條編號的轉換表。在步驟S306中，附加鑒別器學習單元117通過使用學習樣本、分類標簽以及第一似然度，更新第二識別單元107。將參照圖4的流程圖說明步驟S306中的處理的詳情。在步驟S306中，使用所謂的Boosting學習算法對學習樣本和分類標簽進行學習，并且更新第二識別單元107。Boosting是使許多弱鑒別器疊加以生成強鑒別器的方法。在本實施例中，構成第二識別單元107的各個弱鑒別器至少學習圖像特征向量和情境特征向量中的任一者。本實施例中的學習算法的特征是，構成第一識別單元106b的鑒別器被處理為Boosting中的學習的弱鑒別器中的一個，并且許多弱鑒別器被添加到第二識別單元107。首先，在步驟S401中，附加鑒別器學習單元117對第二識別單元107進行初始化。在該初始化中，構成第二識別單元107的弱鑒別器的集合被設置為空集合。然后，在步驟S402中，樣本權重設置單元118對各個學習樣本的權重進行初始化。根據(jù)非專利文獻2(RobertE.SchapireandYoramSinger,"ImprovedBoostingAlgorithmsUsingConfidence-ratedPredictions",MachineLearning,1999)，Boosting學習算法能夠通過由學習的鑒別器的識別結果對學習樣本進行加權，并且依次添加弱鑒別器，來以更高的識別性能構建鑒別器。在本實施例中，以第一識別單元106b的識別越困難的樣本則權重越大，并且識別越容易的樣本則權重越小的方式，開始學習。學習樣本的權重被獲得為如下的值，即，通過將當由構成第一識別單元106b的鑒別器識別學習樣本時產(chǎn)生的損失歸一化，使得所有樣本權重的總和變?yōu)?。例如，當構成第一識別單元106b的鑒別器是RealAdaBoost鑒別器時，根據(jù)下式計算學習樣本的權重wi的初始值：wi=exp(-yiH1(vi))Σiexp(-yiH1(vi))...(3)]]>其中，i是學習樣本的數(shù)量，H1(vi)是在步驟S305中獲得的“針對圖像特征向量vi的、構成第一識別單元106b的鑒別器H1的似然度”(第一似然度)，并且yi是分類標簽。式(3)基于RealAdaBoost指數(shù)損失函數(shù)，并且根據(jù)在第一識別單元106b中使用的鑒別器采用期望的損失函數(shù)。學習樣本的權重的這種設置給出了如下的效果，即，在第二識別單元107中，有效學習由構成第一識別單元106b的鑒別器H1進行的識別不好的特定場景學習樣本。另外，第二識別單元107期望如下的效果，即，補充第一識別單元106b對特定場景的識別性能。在步驟S403中，鑒別器候選生成單元119通過使用學習樣本、分類標簽以及學習樣本的權重，生成弱鑒別器候選和弱鑒別器候選的評價得分。弱鑒別器候選的評價得分是表示弱鑒別器候選的識別性能的指標，并且值越小代表識別性能越高。稍后將參照圖5描述步驟S403中的處理的詳情。在步驟S404中，鑒別器選擇單元120基于這些評價得分，從在步驟S403中生成的弱鑒別器候選中，選擇期望的弱鑒別器。作為期望的弱鑒別器，從本實施例中的弱鑒別器候選中選擇具有最小評價得分的弱鑒別器候選。在步驟S405中，鑒別器選擇單元120將在步驟S404中選擇的弱鑒別器，添加到構成第二識別單元107的弱鑒別器的集合。在步驟S406中，學習樣本權重設置單元118根據(jù)在步驟S404中選擇的弱鑒別器h、學習樣本xi以及分類標簽，根據(jù)下式更新學習樣本的權重wi：wi←wiexp(-yih(xi))...(4)根據(jù)式(4)更新各個權重之后，將各個權重歸一化使得所有權重的總和變?yōu)?。在步驟S407中，附加鑒別器學習單元117確定是否滿足學習的結束條件。在本實施例中，當正抑制比(positiverejectionratio)小于預定閾值并且負抑制比(negativerejectionratio)大于預定閾值時，確定滿足結束條件；否則，確定不滿足結束條件。正抑制比是檢測目標物體的學習樣本被錯誤地識別為背景的比率。負抑制比是背景的學習樣本被正確地識別的比率。注意，各種條件適用于作為學習的結束條件，并且結束條件不限于特定的條件。例如，當步驟S401至步驟S406中的處理已經(jīng)被執(zhí)行預定次數(shù)或更多次數(shù)時，可以確定滿足結束條件。如果在步驟S407中確定已經(jīng)滿足結束條件，則學習處理結束。如果確定尚未滿足結束條件，則處理返回到步驟S403以重復后續(xù)處理。將參照圖5的流程圖說明步驟S403中的處理的詳情。圖5中的處理是如下的處理，本處理用于生成識別圖像特征向量的弱確定器的候選、識別情境特征向量的弱確定器的候選、以及識別圖像特征向量和情境特征向量的組合的弱確定器的候選。更具體地，在步驟S501的循環(huán)(步驟S502和步驟S503)中，生成識別圖像特征向量的弱確定器的候選，并且計算各個候選的評價得分。在步驟S504的循環(huán)(步驟S505和步驟S506)中，生成識別情境特征向量的弱確定器的候選，并且計算各個候選的評價得分。在步驟S507的循環(huán)(步驟S508和步驟S509)中，生成識別圖像特征向量和情境特征向量的組合的弱確定器的候選，并且計算各個候選的評價得分。首先，將說明步驟S501的循環(huán)(步驟S502和步驟S503)，其中，進行識別圖像特征向量的弱鑒別器的候選的生成，以及弱鑒別器候選的評價得分的計算。在步驟S501的循環(huán)中，針對圖像特征向量中的各個維度，生成弱鑒別器候選和弱鑒別器候選的評價得分。即，由圖像特征向量的維度的數(shù)量，生成弱鑒別器候選和弱鑒別器候選的評價得分。本實施例假設，基于非專利文獻2中的RealAdaBoost獲得弱鑒別器和弱鑒別器候選的評價得分。根據(jù)非專利文獻2，RealAdaBoost弱鑒別器采用如下式所表示的形式：h(x)=12lnP(y=+1|x)P(y=-1|x)...(5)]]>其中，x是學習樣本，y是學習樣本的分類標簽，并且P(y＝+1|x)和P(y＝-1|x)是由學習樣本的權重加權的概率密度分布。在步驟S502中，鑒別器候選生成單元119生成識別圖像特征向量的弱確定器的候選。在此，將說明生成圖像特征向量的任意維度的要素中的弱鑒別器候選的方法。根據(jù)非專利文獻2，式(5)中的弱鑒別器候選被進一步改寫成：himage(x)=12lnW+J(u)+ϵW-J(u)+ϵ...(6)]]>其中，x是學習樣本，ε是常數(shù)，W+j和W-j是具有直方條編號j的一維直方圖，u是學習樣本x中的圖像特征向量的任意維度的要素值，并且J(u)是用于將u轉換成一維直方圖的直方條編號的轉換表。通過基于轉換表J將特征量轉換成直方條編號，并且累積與直方條相對應的學習樣本權重，獲得一維直方圖W+j和W-j中的各個：W+j=Σi:J(ui)=j∩yi=+1wi...(7-1)]]>W-j=Σi:J(ui)=j∩yi=-1wi...(7-2)]]>其中，j是一維直方圖的直方條編號，i是學習樣本的數(shù)量，并且yi和ui分別是第i個學習樣本的分類標簽和學習樣本中的圖像特征的任意要素值。在步驟S503中，鑒別器候選生成單元119計算在步驟S502中生成的弱鑒別器候選himage的評價得分z。根據(jù)例如下式計算評價得分z：z=2ΣjW+jW-j...(8)]]>通過上述的步驟S501的循環(huán)(步驟S502和步驟S503中的處理)，生成識別圖像特征向量的弱鑒別器的候選，并且計算弱鑒別器的候選的評價得分。接下來，將說明步驟S504的循環(huán)(步驟S505和步驟S506)，其中，進行識別情境特征向量的弱鑒別器的候選的生成，以及弱鑒別器的候選的評價得分的計算?？梢栽谠撗h(huán)中生成多個弱鑒別器候選。然而，本實施例假設，為了生成單個的弱鑒別器候選，重復計數(shù)僅為1。在步驟S505中，鑒別器候選生成單元119生成識別情境特征向量的弱確定器的候選。將更詳細說明由情境特征向量生成弱鑒別器候選的處理?；赗ealAdaBoost類似地給出識別情境特征向量的弱鑒別器的候選：hcontext(x)=12lnP(y=+1|c)P(y=-1|c)=12lnP(c|y=+1)P(y=+1|c)P(c|y=-1)P(y=-1|c)...(9)]]>其中，x是學習樣本，c是學習樣本中的情境特征向量，y是分類標簽，P(c|y＝+1)和P(c|y＝-1)分別是由學習樣本的權重加權的檢測目標物體、背景的情境特征向量的概率密度分布，并且P(y＝+1)和P(y＝-1)分別是檢測物體、背景的分類標簽的分布。接下來，將說明計算式(9)中的概率密度分布P(c|y＝+1)的方法。在步驟S304中獲得的情境特征向量，是由提取幀的高度h與提取幀的下部的y坐標的比、以及高度h的倒數(shù)定義的向量。情境特征向量為c＝(y/h,1/h)，在此由c＝(c1,c2)來表示。假設檢測目標物體的高度幾乎是恒定的，并且照相機的安裝高度和圖像中的水平線的y坐標是恒定的，則c1被表達為c2的線性函數(shù)f(c2:a,b)：f(c2:a,b)≡c1＝ac2+b...(10)其中a和b是線性函數(shù)的系數(shù)。認為在情境特征向量的觀察中產(chǎn)生誤差。還認為檢測目標物體的高度在實踐中并不是恒定的。假設在情境特征向量中產(chǎn)生正態(tài)分布誤差，由下式給出式(9)中的概率分布P(c|y＝+1)：P(c|y=+1)=P(c1|c2,y=+1)P(c2|y=+1)=N(c1|f(c2:a,b),σ2)P(c2|y=+1)...(11)]]>其中，P(c1|f(c2:a,b),σ2)是具有均值f(c2:a,b)和方差σ2的正態(tài)分布。式(11)是指隨著情境特征向量c＝(c1,c2)越接近圖8中所示的直線f(c2:a,b)，情境特征向量可能代表檢測目標物體。由學習樣本的權重和情境特征向量，通過最大似然度估計，獲得式(11)中的參數(shù)a、b和σ2。假設P(c2|y＝+1)是均勻分布。對于式(9)中的概率密度分布P(c|y＝-1)，假設背景的學習樣本在場景中均勻地出現(xiàn)。因此，P(c|y＝-1)被視為均勻分布。本實施例假設照相機與檢測目標物體之間的位置關系的幾何模型。概率密度分布的估計變得對噪聲魯棒，并且能夠預期如下的效果，即，增加概率密度分布的估計的精確性。此外，與未考慮幾何模型的情況相比，能夠預期如下的效果，即，使用更小數(shù)量的學習樣本來估計精確的概率密度分布。在本實施例中，式(11)中的P(c2|y＝+1)和式(9)中的P(c|y＝-1)是均勻分布。然而，如同式(9)中的P(c|y＝+1)，也能夠使用學習樣本的權重和情境特征向量，通過將它們應用到任何模型，由最大似然度估計獲得P(c2|y＝+1)和P(c|y＝-1)。作為另選方案，可以使用學習樣本的權重和情境特征向量通過核密度估計(kerneldensityestimation)或投票，來獲得P(c2|y＝+1)和P(c|y＝-1)。在步驟S506中，鑒別器候選生成單元119生成弱鑒別器候選hcontext的評價得分z。根據(jù)例如下式計算評價得分z：z=Σiwiexp(-yih(xi))...(12)]]>其中，i是學習樣本的數(shù)量，wi是學習樣本的權重，xi是學習樣本，yi是分類標簽，并且h是弱鑒別器候選，在此是hcontext。通過上述的步驟S504的循環(huán)(步驟S505和步驟S506中的處理)，生成識別情境特征向量的弱鑒別器的候選，并且計算弱鑒別器的候選的評價得分。接下來，將說明步驟S507的循環(huán)(步驟S508和步驟S509)，其中，進行識別圖像特征向量和情境特征向量的組合的弱鑒別器的候選的生成，以及它們的評價得分的計算。在步驟S507的循環(huán)中，如在步驟S501的循環(huán)中，針對圖像特征向量中的各個維度，生成弱鑒別器候選和弱鑒別器候選的評價得分。即，由圖像特征向量的維度的數(shù)量生成弱鑒別器候選和弱鑒別器候選的評價得分。在步驟S508中，鑒別器候選生成單元119生成識別圖像特征向量和情境特征向量的組合的弱確定器的候選。將更詳細地說明由圖像特征向量和情境特征向量的組合生成弱鑒別器候選的處理?；赗ealAdaBoost類似地給出識別圖像特征向量和情境特征向量的弱鑒別器的候選：hjoint(x)=12lnP(y=+1|x)P(y=-1|x)=12lnP(x|y=+1)P(y=+1)P(x|y=-1)P(y=-1)...(13)]]>其中，x是學習樣本，y是分類標簽。雖然式(13)可以被用作弱鑒別器候選，但是使用樸素貝葉斯方法(naiveBayesmethod)對式(13)進行近似：hjoint(x)≈12lnP(v|y=+1)P(c|y=+1)P(y=+1)P(v|y=-1)P(c|y=-1)P(y=-1)=12lnP(v|y=+1)P(y=+1)P(v|y=-1)P(y=-1)+12lnP(c|y=+1)P(c|y=-1)=12lnW+jW-j+12lnP(c|y=+1)P(c|y=-1)...(14)]]>其中，x是學習樣本，v是學習樣本中的圖像特征向量，并且c是學習樣本中的情境特征向量。根據(jù)上述的式(7-1)和式(7-2)計算式(14)中的一維直方圖W+j和W-j。此外，如在式(9)中計算式(14)中的P(c|y＝+1)和P(c|y＝-1)。在步驟S509中，鑒別器候選生成單元119計算弱鑒別器候選hjoint的評價得分z。根據(jù)例如式(12)獲得評價得分z。通過上述的步驟S507的循環(huán)(步驟S508和步驟S509中的處理)，生成識別圖像特征向量和情境特征向量的組合的弱鑒別器的候選，并且計算弱鑒別器的候選的評價得分。然后，鑒別器候選生成單元119將根據(jù)圖5的流程圖生成的弱鑒別器候選以及各個弱鑒別器候選的評價得分，發(fā)送到鑒別器選擇單元120。接下來，將參照作為示出本處理的流程圖的圖6，說明要由識別單元101(包括由學習單元111學習的第二識別單元107)進行的處理。針對輸入到識別樣本獲得單元102的識別目標圖像(檢測目標圖像)中的各個部分圖像(可以由用戶或由識別單元101指定)進行步驟S601的循環(huán)(步驟S602至步驟S607)。在步驟S602中，圖像獲得單元103a獲得識別目標圖像中的任意部分圖像，并且如在上述的步驟S303中，特征提取單元104a從所獲得的部分圖像提取圖像特征向量v。在步驟S603中，如在上述的步驟S304中，情境獲得單元105a獲得附加到識別目標圖像的情境特征向量。在步驟S604中，第一識別單元106a針對在步驟S602中提取的圖像特征向量v，根據(jù)上述的式(1)計算第一識別單元106a的第一似然度H1(v)。第一似然度H1(v)是表示針對在步驟S602中獲得的部分圖像的檢測目標物體的似然度的數(shù)值。在步驟S605中，第二識別單元107針對通過將在S602中提取的圖像特征向量v和在步驟S603中獲得的情境特征向量連結而獲得的向量x，計算第二識別單元107的第二似然度H2(x)。第二似然度是表示針對在步驟S602中獲得的部分圖像的識別目標物體的似然度的數(shù)值。如由式(15)所表示的，通過構成用作第二識別單元107的H2的弱鑒別器h的似然度的總和，來計算第二似然度H2(x)：H2(x)=Σh∈H2h(x)...(15)]]>在式(15)中，已在步驟S502中生成的并且構成第二識別單元107(H2)的弱鑒別器h的評價，僅使用識別樣本x中的圖像特征向量v。已經(jīng)在步驟S505中生成的并且構成第二識別單元107(H2)的弱鑒別器h的評價，僅使用識別樣本x中的情境特征向量c。此外，已經(jīng)在步驟S508中生成的并且構成第二識別單元107(H2)的弱鑒別器h的評價，使用識別樣本x中的圖像特征向量v和情境特征向量c二者。在步驟S606中，綜合識別單元108計算在步驟S604中計算出的第一似然度H1(v)和在步驟S605中計算出的第二似然度H2(x)的綜合似然度H(x)。通過由系數(shù)λ對第二似然度H2(x)進行加權并將結果添加到第一似然度H1(v)，來計算綜合似然度H(x)：H(x)＝H1(v)+λH2(x)...(16)其中，x是識別樣本，這通過將圖像特征向量v和情境特征向量c連結來獲得。系數(shù)λ是表示第一識別單元106a和第二識別單元107的強度的比的值，并且取0至1的值。當λ為0時，識別結果與僅通過第一識別單元106a而構成的鑒別器H1的識別結果相同。隨著λ變得越大，這表示對場景的適應程度越大。因此，通過調整系數(shù)λ，能夠預期如下的效果，即，抑制由過度學習而引起的檢測性能的劣化。在步驟S607中，如果在步驟S606中計算出的綜合似然度H(x)大于預定的恒定值，則綜合識別單元108將在步驟S602中獲得的部分圖像分類成檢測目標物體。在針對識別目標圖像中的各個部分圖像進行步驟S601的循環(huán)之后，綜合識別單元108輸出在步驟S607中分類成檢測目標物體的部分圖像的集合。輸出目的地和輸出形式不限于特定的目的地和形式。作為輸出，可以輸出部分圖像本身，或者可以輸出關于部分圖像的信息(例如，識別目標圖像中的位置和大小，或者部分圖像中的辨識結果)。在本實施例中，在步驟S402中，基于由第一識別單元從各個識別目標圖像獲得的第一似然度，設置學習樣本的權重的初始值。此時，第二識別單元基于由第一識別單元識別的第一似然度進行學習。因此，第二識別單元期望如下的效果，即，以高的精確度有效學習由第一識別單元進行的識別不好的識別目標圖像。由于經(jīng)由第一識別單元的第一似然度通過相同的Boosting框架來學習第一識別單元和第二識別單元，因此第一識別單元的第一似然度和第二識別單元的第二似然度通過加法/減法連接。因此，能夠分開地學習使用不同學習樣本的多種類型的第二識別單元，并且能夠由檢測單元來更新和替換它們。檢測單元能夠選擇性地切換從不同學習樣本學習的多個情境。例如，當照相機被固定到三腳架時，能夠使用學習坐標作為情境的第二識別單元。當不固定照相機時，能夠使用學習其他情境的第二識別單元。此外，將檢查由給出的第二識別單元學習的情境和由其他第二識別單元學習的情境獨立的事件，例如，將檢查情境關于圖像和時間上的坐標的情況。在這種情況下，這些第二識別單元的第二似然度是不相關的，所以這些第二識別單元能夠被一起用來綜合所有的第二似然度。因此，能夠同時適于給出學習樣本的給出情境和不同的情境。在本實施例中，在步驟S403中生成，識別圖像特征向量的弱鑒別器、識別情境特征向量的弱鑒別器、以及識別圖像特征向量和情境特征向量的弱鑒別器。將說明生成這三種類型的弱鑒別器的效果。首先，將說明識別圖像特征向量的弱鑒別器的效果。當傳統(tǒng)的圖像檢測技術適于給出的場景時，傳統(tǒng)的圖像檢測技術，即，第一識別單元的檢測性能僅在給出的場景中退化。這種現(xiàn)象的原因是特定場景的圖像特征的存在。例如，檢測目標物體的特定部分趨于被隱藏的場景具有對隱藏部分特定的圖像特征。在檢測目標物體的姿勢或圖像獲得環(huán)境改變時，識別所需的圖像特征改變。此外，在特征物體趨于被反映在檢測處理目標圖像中的檢測目標物體的背景部分的場景中，在物體周圍存在特定物體的圖像特征。由于這個原因，通過基于第二識別單元中的圖像特征向量而新生成弱鑒別器，特定場景的圖像特征的附加學習變得可能，并且能夠預期檢測率的提高。將說明識別情境特征向量的弱鑒別器的效果。例如，在圖像特征無法完全表達檢測目標物體與背景之間的差異的情況下，僅基于圖像特征的識別可能是困難的。這種情況的示例是檢測目標物體的隱藏大的情況，以及檢測目標物體的形狀的多樣性大的情況。在僅基于圖像特征的識別是困難的情況下，需要進行基于除圖像特征以外的信息的識別。例如，當使用檢測物體的出現(xiàn)位置信息時，預期容易識別物體是否是檢測目標物體，同時減小隱藏的影響。在第二識別單元中新生成基于情境特征向量的弱鑒別器。這使得能夠進行基于情境的識別。在上述的場景中識別變得可能，而與圖像特征無關，并且能夠預期檢測率的提高。將說明識別圖像特征向量和情境特征向量的弱鑒別器的效果。依據(jù)場景，在圖像特征與情境特征之間存在某些相關性。例如，當情境是檢測目標物體的出現(xiàn)位置信息時，對識別有用的圖像特征有時依據(jù)檢測目標物體的出現(xiàn)位置而改變。例如，有用的圖像特征可以在近處存在的高分辨率物體與遠處存在的低分辨率物體之間不同。其他的示例是，隱藏可以依據(jù)出現(xiàn)位置而存在或不存在，并且在出現(xiàn)檢測目標物體時生成特定改變的情況，以及照明條件依據(jù)出現(xiàn)位置而改變并且檢測目標物體和背景的陰影改變的情況。因此，在本實施例中，在第二識別單元中新生成基于圖像特征向量和情境特征向量二者的弱鑒別器?；趫D像特征與情境特征之間的相關性的識別變得可能，并且能夠預期檢測率的提高。如上所述，根據(jù)本實施例，生成不僅基于圖像特征還基于情境信息的弱鑒別器。更具體地，鑒別器候選生成單元基于由第一識別單元獲得的第一似然度以及情境信息而生成弱鑒別器候選，并且鑒別器選擇單元選擇期望的鑒別器以構成第二識別單元。結果，能夠添加情境信息。[第二實施例]在第一實施例中，情境特征向量為c＝(y/h,1/h)。然而，在步驟S304中，可以獲得代表時間、日期、星期、月、季節(jié)或其他時間的數(shù)值或屬性標簽，作為情境特征向量。作為另選方案，可以獲得代表天氣、氣溫、濕度、氣壓、降水、積雪、風向、風速、太陽方向、太陽輻射、霧厚度、能見度或其他氣候條件的數(shù)值或屬性標簽，作為情境特征向量。例如，令t為時間，則情境特征向量可以被獲得為c＝(t)。在這些情境中，可以從鐘表獲得代表時間的情境，或可以從傳感器獲得代表氣候條件的情境?？梢杂扇耸謩拥鼗蛘呓?jīng)由網(wǎng)絡外部地輸入這樣的情境?？梢詮恼障鄼C圖像估計產(chǎn)生視覺變化的情境，諸如太陽方向。例如，將說明當時間被用作情境特征向量的效果。拍攝環(huán)境或檢測目標物體的外觀有時依據(jù)時間而改變。例如，當檢測目標物體是人時，陰影可以依據(jù)照明條件的改變而在早晨與晚上之間不同，或者人的服飾或物件可能改變。在這種情況下，認為背景的圖像特征或檢測目標物體的圖像特征依據(jù)時間而改變。通過根據(jù)時間改變圖像特征使用方法，預期識別性能的提高。即使當關于時間的其他特征或關于氣候條件的其他特征被用作情境特征向量時，也能夠預期相同的效果。即，由于在背景圖像的圖像特征或檢測目標物體的圖像特征中生成與情境相對應的改變，因此通過根據(jù)情境改變圖像特征使用方法來預期識別性能的提高。由于諸如時間或氣候條件的情境獨立于檢測目標物體的位置，因此即使在照相機不固定的場景中也能夠學習情境。為了獲得圖像特征與情境特征之間的相關性，可以將它們的聯(lián)合概率分布考慮在內。當采用式(13)作為弱鑒別器候選時，式(13)中的P(y＝+1|x)和P(y＝-1|x)可以是由學習樣本的權重加權的圖像特征和情境特征的聯(lián)合概率密度分布。更具體地，聯(lián)合概率密度分布被表達為二維直方圖W+jk和W-jk。通過基于轉換表J和K將特征量轉換成直方條編號，并綜合與直方條相對應的學習樣本權重，來計算二維直方圖W+jk和W-jk：W+j,k=Σwii:J(ui)=j∩K(ti)=k∩yi=+1W-j,k=Σwii:J(ui)=j∩K(ti)=k∩yi=-1z=2Σj,kW+j,kW-j,k...(17)]]>其中，j和k分別是二維直方圖的直方條的行號和列號，i是樣本的數(shù)量，ui是圖像特征向量元素值，J是用于將圖像特征的值轉換成二維直方圖的直方條的行號的轉換表，ti是時間，并且K是用于將時間轉換成二維直方圖的直方條的列號的轉換表。作為弱鑒別器候選，可以采用近似式(14)代替式(13)。在這種情況下，針對圖像特征和環(huán)境特征中的各個，創(chuàng)建表示由學習樣本加權的概率密度分布W+j、W-j、P(c|y＝+1)和P(c|y＝-1)的一維直方圖。式(17)中的z被用作弱鑒別器的評價得分。[第三實施例]在第一實施例中，情境特征向量為c＝(y/h,1/h)。然而，在步驟S304中，可以獲得圖像的提取幀的高度h和寬度w、以及檢測幀中的特定位置的x坐標和y坐標，或者它們中的所期望的組合中的期望的一者，作為情境特征向量。例如，c＝(x,y,y/h)。這產(chǎn)生如下的效果，即，區(qū)分檢測目標物體趨于出現(xiàn)的區(qū)域和檢測目標物體幾乎不出現(xiàn)的區(qū)域。例如，當檢測目標物體是人體并且在場景中存在壁面時，人體不存在于壁面內部，并且能夠使用x坐標和y坐標來區(qū)分人體能夠存在的區(qū)域和人體不能存在的區(qū)域。在這種情況下，為了在步驟S505中生成識別情境特征向量的弱鑒別器候選，可以計算情境特征向量的一個或多個要素的集合的聯(lián)合概率密度分布，作為式(9)中的P(c|y＝+1)和P(c|y＝-1)。為了在步驟S508中生成識別圖像特征向量和情境特征向量的弱鑒別器候選，可以計算圖像特征向量和情境特征向量的聯(lián)合概率密度分布，作為式(13)中的P(x|y＝+1)和P(x|y＝-1)。當計算該聯(lián)合概率密度分布時，可以通過應用到如式(11)中的期望的模型來進行最大似然度估計。作為另選方案，可以通過投票或核密度估計來獲得聯(lián)合概率密度分布。[第四實施例]在第一實施例中，情境特征向量為c＝(y/h,1/h)。然而，在步驟S304中，可以獲得包括檢測目標區(qū)域的、檢測目標區(qū)域周圍的部分圖像的圖像特征向量，作為情境特征向量c。更具體地，從圖9中的檢測目標區(qū)域902周圍的陰影區(qū)域901提取圖像特征向量r，并將其設置為情境特征向量c。即，c＝r。HOG、LBP、圖像的輝度值、第一識別單元的輸出值或其他特征量可以被用作用于獲得情境特征向量的圖像特征。在這種情況下，如由式(9)表示的、識別情境特征向量的弱鑒別器，可以具有與如由式(6)表示的、識別圖像特征向量的弱鑒別器相同的格式。將說明本實施例的效果。在一些情況下，檢測目標物體的出現(xiàn)頻率和背景圖像具有特定的相關性。例如，人體往往出現(xiàn)在具有表示腳下的表面像是道路的紋理或顏色的位置處。在這種情況下，能夠通過學習包括檢測目標區(qū)域的、檢測目標區(qū)域周圍的部分圖像，來學習背景圖像，并且能夠預期檢測性能的提高。[第五實施例]在第一實施例中，情境特征向量為c＝(y/h,1/h)。然而，在步驟S304中，可以獲得運動圖像的運動信息，作為情境特征向量。更具體地，令m為代表運動信息的特征向量，則情境特征向量為c＝m。作為運動信息，可以使用檢測目標區(qū)域的光流，或者可以使用幀間差分圖像或背景差分圖像。代表物體的軌跡的坐標值可以被用作運動信息。將說明使用運動信息作為情境特征向量的效果。當檢測目標物體是運動物體時，認為運動信息在檢測目標物體與背景之間不同。例如，當運動信息為光流，預期光流的方向和強度在檢測目標物體與背景之間不同。由于運動信息是用于分離檢測目標物體和背景的有用特征，因此通過生成識別運動信息的弱鑒別器，來預期識別性能的提高。當使用對照相機運動魯棒的運動信息時，即使在照相機是不固定的場景中，也能夠學習情境。對照相機運動魯棒的運動信息的示例是，通過從檢測目標區(qū)域的光流減去整個圖像的光流的平均值而獲得的信息。作為式(9)中的識別運動信息的弱鑒別器，可以生成使用通過特征選擇的期望的運動特征的弱鑒別器，諸如式(6)中的識別圖像特征的弱鑒別器。作為式(13)中的識別圖像特征和運動信息的弱鑒別器，可以生成考慮圖像特征和運動特征的共現(xiàn)的弱鑒別器。[第六實施例]在第一實施例中，情境特征向量為c＝(y/h,1/h)。然而，在步驟S304中，可以獲得由環(huán)境中安裝的傳感器獲得的數(shù)值或屬性標簽，作為情境特征向量。更具體地，可以使用紅外線傳感器、距離傳感器、溫度傳感器、麥克風、不可見光照相機圖像、地面壓力傳感器或者其他傳感器。此外，可以使用距離測量傳感器、曝光計或其他并入在照相機中的傳感器。將說明當由環(huán)境中安裝的傳感器獲得的信息被用作情境特征向量時的效果。預期能夠考慮根據(jù)傳感器信息的改變而變化的檢測目標物體的出現(xiàn)頻率，并且能夠預期識別性能的提高。例如，能夠使用如下的事實用于識別，即，在場景中存在檢測目標物體的似然度依據(jù)由區(qū)域傳感器對檢測目標物體的檢測的存在/不存在而改變。通過將傳感器信息與圖像特征組合，考慮到根據(jù)傳感器信息的改變的、拍攝環(huán)境或檢測目標物體的外觀的改變的識別變得可能，并且能夠預期識別性能的提高。例如，當檢測目標物體的外觀(例如，服裝)根據(jù)從溫度傳感器獲得的溫度而改變時，能夠根據(jù)溫度改變圖像特征使用方法，并且預期識別性能的提高。[第七實施例]在步驟S304中，可以獲得場景的擁堵程度，作為情境特征向量。當檢測目標物體是人時，擁堵程度可以是場景中的人的密度、人之間的距離的平均值、或者屬于移動物體的像素與從場景獲得的圖像的像素的比。可以從檢測目標物體的檢測結果，來估計從場景中的移動物體檢測結果估計或手動地指定的場景的擁堵程度。此外，也可以從場景中安裝的傳感器獲得場景的擁堵程度。擁堵程度可以被獲得為從場景獲得的整個圖像的均勻程度，或被獲得為依據(jù)位置而改變的程度。將說明當場景的擁堵程度被用作情境特征向量的效果。圖像特征和擁堵程度有時具有相關性。例如，當檢測目標物體是人時，對識別有用的圖像特征有時在人彼此交疊的情況和人彼此不交疊的情況之間不同。由于背景被遮蔽，因此對識別有用的圖像特征可能改變。通過引入擁堵程度，能夠根據(jù)擁堵程度來改變圖像特征使用方法，并且預期識別性能的提高。[第八實施例]在步驟S304中，可以獲得多種類型的情境的組合，作為情境特征向量。示例是檢測目標物體的位置信息和時間的組合。在步驟S403中，可以生成利用情境的任意組合之間的共現(xiàn)的弱鑒別器候選，也可以針對多種類型的情境生成弱鑒別器候選，或者可以生成這些弱鑒別器候選二者。作為利用共現(xiàn)的弱鑒別器，如在第二實施例中，生成基于聯(lián)合概率密度分布的弱鑒別器。通過使用多種類型的情境，增加了識別方法，圖像特征與各個情境之間的相關性能夠被用于識別，并且能夠預期識別性能的提高。[第九實施例]在步驟S304中，可以獲得代表在環(huán)境中安裝的裝置的工作狀況或操作狀況的數(shù)值或屬性標簽，作為情境特征向量。示例是自動門或手動門的打開/關閉的有/無、打開/關閉時間以及打開/關閉歷史。其他示例是諸如個人計算機或復印機等的辦公設備、機器工具或其他裝置的操作的有/無、操作時間以及操作歷史。可以從附裝到裝置的傳感器獲得代表在環(huán)境中安裝的裝置的工作狀況或操作狀況的數(shù)值或屬性標簽，或者從照相機圖像估計。將說明使用代表環(huán)境中安裝的裝置的工作狀況或操作狀況的數(shù)值或屬性標簽，作為情境特征向量的效果。在某些情況下，裝置的工作狀況或操作狀況、與檢測目標物體的出現(xiàn)頻率或出現(xiàn)位置具有相關性。將例示檢測目標是人的情況。當自動門或手動門被打開/關閉時，通常認為在門附近存在要通過門的人。當裝置被操作時，認為在裝置附近存在對裝置進行操作的人。以這種方式，裝置的工作狀況或操作狀況、與檢測目標物體的存在的似然度具有相關性。通過學習它們之間的相關性，預期識別性能的提高。作為弱鑒別器，例如，可以生成基于表示裝置的工作狀況的屬性標簽、和檢測目標物體的位置信息的聯(lián)合概率密度分布的弱鑒別器。[第十實施例]在第一實施例中，第一識別單元和第二識別單元構成作為弱鑒別器的集合的鑒別器。已知的是，當采用系列布置稱為階段的、多個弱鑒別器的集合的級聯(lián)布置時，如在非專利文獻3(PaulViolaandMichaelJones,"RobustReal-timeObjectDetection",IJCV2001)中，能夠在檢測處理時的中途結束一系列弱鑒別器的評價，并且獲得檢測處理量減少效果。可以采用第一識別單元被構造為第一階段并且第二識別單元被構造為第二階段的級聯(lián)布置。可以采用軟級聯(lián)或多出口級聯(lián)布置，如在非專利文獻4(LubomirBourdevandJonathanBrandt,"RobustObjectDetectionViaSoftCascade",CVPR2005)中描述的一種級聯(lián)布置。在這種布置中，第一識別單元和第二識別單元的弱鑒別器的集合被綜合，然后被分割成階段。也能夠在各個階段結束時的弱鑒別器中布置如下的機構，即，根據(jù)級聯(lián)鑒別器的框架基于弱鑒別器的似然度的積分值中途結束計算，并且將檢測處理目標圖像的部分圖像強制分類為背景圖像。[第十一實施例]如在非專利文獻3中，第一識別單元可以由級聯(lián)鑒別器構成。在這種情況下，如在非專利文獻3中所述的，針對各個階段進行學習。更具體地，可以準備與各個階段相對應的第二識別單元，并可以針對第一識別單元中的各個階段進行遵循圖3的流程圖的處理。通過由級聯(lián)鑒別器構成第一識別單元，能夠減少弱鑒別器的評價計數(shù)，并且預期檢測處理量降低效果。[第十二實施例]雖然圖1中所示的各個單元可以由硬件(例如電子電路)構成，但是它們可以由軟件(計算機程序)構成。在這種情況下，能夠執(zhí)行軟件的裝置適用于具有圖1中所示的布置的信息處理裝置。例如，具有如圖2中所示的布置的攝像裝置適用于具有圖1中所示的布置的信息處理裝置。參照圖2，圖像傳感器201由CCD、MOS等形成。圖像傳感器201將外部光轉換成模擬電信號，并輸出該信號。信號處理單元202將模擬電信號轉換成數(shù)字電信號，并且將該數(shù)字電信號作為輸入圖像發(fā)送到RAM205。ROM204存儲用于該裝置的設置數(shù)據(jù)和啟動程序，以及用于使CPU203執(zhí)行圖1中所示的各個單元的功能(用于使CPU203執(zhí)行遵循上述的流程圖的處理)的計算機程序和數(shù)據(jù)。ROM204還存儲上述的各種信息，作為已知信息。CPU203通過使用ROM204和RAM205中存儲的計算機程序和數(shù)據(jù)執(zhí)行各種處理來控制整個裝置的操作。此外，CPU203執(zhí)行已被描述為要由該裝置所應用到的信息處理裝置進行的處理。CPU203可以由信號處理單元202從RAM205中存儲的輸入圖像提取特定區(qū)域(可以通過從圖像對識別目標物體進行辨識來檢測該區(qū)域，或通過對操作單元(未示出)進行操作來由用戶指定該區(qū)域)中的圖像，作為識別目標圖像。RAM205具有用于臨時存儲從信號處理單元202發(fā)送的輸入圖像等的區(qū)域、當CPU203執(zhí)行各種處理時使用的工作區(qū)域等。換言之，RAM205能夠適當?shù)靥峁└鞣N區(qū)域。顯示器206由液晶屏等形成，并且能夠將由CPU203的處理結果顯示為圖像、字符等。例如，顯示器206顯示用于輸入各種指令(例如由用戶的區(qū)域指定)的畫面，以及由綜合識別單元108的處理結果。圖1中所示的各個單元中的一些可以由硬件(例如電子電路)來實現(xiàn)。當識別單元101和學習單元111被處理為分開的裝置時，如上所述，如圖2中所示的攝像裝置，以及能夠執(zhí)行軟件的裝置，可以應用到各個裝置?？梢詰镁哂袕膱D2的布置中省略了圖像傳感器201和信號處理單元202之后的剩余布置的裝置(例如，通用個人計算機)，代替圖2中的攝像裝置。其他實施例還可以通過讀出并執(zhí)行記錄在存儲介質(也可更完整地稱為“非暫時性計算機可讀存儲介質”)上的計算機可執(zhí)行指令(例如，一個或更多個程序)以執(zhí)行上述實施例中的一個或更多個的功能、并且/或者包括用于執(zhí)行上述實施例中的一個或更多個的功能的一個或更多個電路(例如，專用綜合電路(ASIC))的系統(tǒng)或裝置的計算機，來實現(xiàn)本發(fā)明的實施例，并且，可以利用通過由系統(tǒng)或裝置的計算機例如讀出并執(zhí)行來自存儲介質的計算機可執(zhí)行指令以執(zhí)行上述實施例中的一個或更多個的功能、并且/或者控制一個或更多個電路以執(zhí)行上述實施例中的一個或更多個的功能的方法，來實現(xiàn)本發(fā)明的實施例。計算機可以包括一個或更多個處理器(例如，中央處理單元(CPU)，微處理單元(MPU))，并且可以包括分開的計算機或分開的處理器的網(wǎng)絡，以讀出并執(zhí)行計算機可執(zhí)行指令。計算機可執(zhí)行指令可以例如從網(wǎng)絡或存儲介質被提供給計算機。存儲介質可以包括例如硬盤、隨機存取存儲器(RAM)、只讀存儲器(ROM)、分布式計算系統(tǒng)的存儲器、光盤(諸如壓縮光盤(CD)、數(shù)字通用光盤(DVD)或藍光光盤(BD)TM)、閃存裝置以及存儲卡等中的一個或更多個。雖然參照示例性實施例對本發(fā)明進行了描述，但是應當理解，本發(fā)明不限于所公開的示例性實施例。應當對所附權利要求的范圍給予最寬的解釋，以使其涵蓋所有這些變型例以及等同的結構和功能。本申請要求2014年3月27日提交的日本專利申請第2014-066802號的優(yōu)先權，該申請的全部內容通過引用并入本文。當前第1頁1 2 3