CN101187985B - 确定对象分类器分类边界的方法及装置 - Google Patents

Abstract

本发明涉及一种确定对象分类器分类边界的方法及装置，该方法包括步骤：使用已经训练好的分类器对测试用的多个对象图像和多个背景图像中的每一个图像进行分类识别，得到所述多个对象图像的置信度值和所述多个背景图像的置信度值；分别根据得到的所述多个对象图像的置信度值和所述多个背景图像的置信度值，计算所述对象和所述背景的置信度概率密度分布函数；以及，根据计算的所述对象和/或所述背景的置信度概率密度分布函数，通过预定模型来确定所述对象和所述背景的分类边界。利用该方法及装置，可以根据需要来确定出对象和背景的分类边界，以满足不同应用的要求。

Description

确定对象分类器分类边界的方法及装置

技术领域

本发明涉及对象分类器，尤其涉及一种用于当利用对象分类器来分类识别对象时，确定对象和背景的分类边界的方法及装置。 

背景技术

在对象图像模式识别中，通常使用各种分类器，例如SVM(Support Vector Machines：支持向量机)分类器、神经网络分类器等，来分类识别诸如车辆、摩托车、行人这样的对象。 

图1示出了一种现有的在车辆图像模式识别中利用SVM分类器对车辆进行识别的示意图。如图1所示，利用SVM分类器对车辆进行分类识别包括两个过程：训练过程和识别过程。 

在训练过程中，利用手工选取的作为车辆训练样本和背景训练样本的一些图像对SVM分类器进行训练，得到一个经过训练的用于识别车辆的SVM分类器。 

在训练过程之后，进行识别过程。在识别过程中，首先，利用基于知识的方法(Knowledge-based Method)(例如，车底阴影(Under-shadow)、水平边缘、垂直边缘和对称性等)从欲识别的图像中提取出一个ROI(Region of Interesting：感兴趣区域)；然后，利用该经过训练的SVM分类器对该提取的ROI进行分类识别，得到该ROI的置信度值；最后，根据该得到的ROI的置信度值，判断该ROI中包含的是车辆还是背景。 

当利用经过训练的SVM分类器分别对车辆训练样本和背景训练样本进行分类识别时，我们能够得到每个训练样本的置信度值，由这些置信度值，可以得到车辆训练样本和背景训练样本的置信度概率密度分布曲线，如图2所示。通过曲线拟合训练样本的置信度分布可以得到车辆样本和背景样本的置信度概率密度分布曲线。通过x²检验， 我们能够验证置信度概率密度函数符合正态分布。从图2中可以看出，车辆的置信度值和背景的置信度值是完全分开的，即车辆的置信度值均大于0，而背景的置信度值均小于0。基于这个车辆和背景的置信度值完全分开的特性，通常根据置信度值是否大于0来判断ROI中包含的是车辆还是背景，即：当置信度值大于0时ROI中包含的是车辆，反之是背景。 

然而，在实际应用中，训练样本的数量总是有限的。而且，车辆具有各种各样的车型和颜色，行驶过程中车辆之间具有不同的距离和行驶方向，同时，光照、道路状况、天气条件和背景也千变万化，因此，有限数量的训练样本不可能完全覆盖现实中存在的各种情况，从而经过有限数量的训练样本训练的SVM分类器不可能在各种情形下都能正确地识别出车辆和背景。换言之，SVM分类器有可能把车辆错误地识别为背景或者反之。这表现在车辆和背景的置信度概率密度分布上是两者的曲线具有重叠部分，如图3所示。 

在车辆和背景的置信度概率密度分布重叠的情况下，在任何应用中都只按照一个固定不变的置信度值作为分类边界(通常为置信度值0)来判断欲识别的图像中包含的是车辆还是背景，并不能满足所有应用的要求。例如，在车辆和背景的被错分概率、车辆的正确识别率或误识别率需要满足一定的目标值的应用中，按照置信度值0作为分类边界来判断通常不能满足这样的应用的要求。这不但是利用SVM分类器来分类识别车辆时是如此，而且利用SVM分类器来分类识别诸如行人这样的对象时也是如此。 

事实上，对于任何一种诸如SVM这样的以置信度值为分类依据的对象分类器，只要它在分类识别对象的过程中存在错误识别的情形，那么在任何应用中都仅按照一个固定不变的置信度值作为分类边界来判断欲识别的图像中包含的是对象还是背景，并不能满足所有应用的要求。 

发明内容

为了解决上述问题，本发明的目的在于提出一种确定对象和背景 的分类边界的方法及装置。利用该方法及装置，可以根据需要来确定出对象和背景的分类边界，以满足不同应用的要求。 

为了实现本发明的目的，按照本发明的一种用于确定对象和背景的分类边界的方法，包括步骤： 

使用已经训练好的分类器对测试用的多个对象图像和多个背景图像中的每一个图像进行分类识别，得到所述多个对象图像的置信度值和所述多个背景图像的置信度值； 

分别根据得到的所述多个对象图像的置信度值和所述多个背景图像的置信度值，计算所述对象和所述背景的置信度概率密度分布函数；以及 

根据计算的所述对象和/或所述背景的置信度概率密度分布函数，通过预定模型来确定所述对象和所述背景的分类边界。 

为了实现本发明的目的，按照本发明的一种用于确定对象和背景的分类边界的装置，包括： 

识别单元，用于使用已经训练好的分类器对测试用的多个对象图像和多个背景图像中的每一个图像进行分类识别，得到所述多个对象图像的置信度值和所述多个背景图像的置信度值； 

计算单元，用于分别根据得到的所述多个对象图像的置信度值和所述多个背景图像的置信度值，计算所述对象和所述背景的置信度概率密度分布函数；以及 

确定单元，用于根据计算的所述对象和/或所述背景的置信度概率密度分布函数，通过预定模型来确定所述对象和所述背景的分类边界。 

按照本发明的用于确定对象和背景的分类边界的方法及装置，可以根据不同的模型来确定出对象和背景的分类边界，以满足不同应用的要求。 

附图说明

图1示出了一种现有的在车辆图像模式识别中利用SVM分类器对车辆进行识别的示意图； 

图2示出了车辆训练样本和背景训练样本的置信度概率密度分布曲线的示意图； 

图3示出了实际的车辆和背景的置信度概率密度分布曲线的示意图； 

图4示出了本发明第一实施例的用于确定车辆和背景的分类边界的方法的流程图 

图5示出了本发明第一实施例的车辆和背景的概率密度分布曲线的示意图； 

图6示出了本发明的用于确定车辆和背景的分类边界的装置的方框图。 

具体实施方式

下面，将结合附图4和5，以使用SVM分类器对作为对象的车辆进行分类识别为例，详细描述本发明第一实施例的确定对象和背景的分类边界的方法。 

图4示出了本发明第一实施例的确定车辆和背景的分类边界的流程图。如图4所示，首先，从诸如摄像机或照相机这样的图像摄取装置实际摄取到的图像中，提取预定数量的车辆图像和预定数量的背景图像，并使用经过训练的SVM分类器分别对该预定数量的车辆图像和该预定数量的背景图像中的每一个图像进行分类识别，得到该预定数量的车辆图像中各个图像的置信度值和该预定数量的背景图像中各个图像的置信度值(步骤S10)。 

接着，根据得到的该预定数量的车辆图像的置信度值和该预定数量的背景图像的置信度值，分别拟合计算车辆和背景的概率密度分布函数(步骤S20)。 

如图5所示，在该第一实施例中，车辆和背景的概率密度分布都满足正态分布(即高斯分布)，因此，车辆的概率密度分布函数f_v(x)和背景的概率密度分布函数f_b(x)可以分别表示为等式(1)和(2)： 

$f_v\left(x\right)=\frac{1}{{\mathrm{\σ}}_v\sqrt{2\mathrm{\π}}}\exp [-\frac{{(x-{\mathrm{\μ}}_v)}^2}{2{{\mathrm{\σ}}_v}^2}]---\left(1\right)$

$f_b\left(x\right)=\frac{1}{{\mathrm{\σ}}_b\sqrt{2\mathrm{\π}}}\exp [-\frac{{(x-{\mathrm{\μ}}_b)}^2}{2{{\mathrm{\σ}}_b}^2}]---\left(2\right)$

其中，在上面的等式(1)和(2)中，μ_v和σ_v分别表示所述预定数量的车辆图像的置信度值的平均值和方差，μ_b和σ_b分别表示所述预定数量的背景图像的置信度值的平均值和方差。 

为了下文的描述方便，在此根据车辆的概率密度分布函数f_v(x)和背景的概率密度分布函数f_b(x)定义下文将要使用到的等式(3)至(6)所表示的参数： 

$P_V={\∫}_T^{\∞}{f}_v\left(x\right)\mathrm{dx}---\left(3\right)$

$P_B={\∫}_{-\∞}^T{f}_b\left(x\right)\mathrm{dx}---\left(4\right)$

$\mathrm{\α}={\∫}_T^{\∞}{f}_b\left(x\right)\mathrm{dx}---\left(5\right)$

$\mathrm{\β}={\∫}_{-\∞}^T{f}_v\left(x\right)\mathrm{dx}---\left(6\right)$

其中，在上面的等式(3)-(6)中，T表示车辆和背景的分类边界值；P_V表示车辆被正确识别的概率；P_B表示背景被正确识别的概率；α表示把背景错误识别为车辆(本例中可简称为虚警)的概率；β表示把车辆错误识别为背景(本例中可简称为漏识别)的概率。并且，P_V+α＝1和P_B+β＝1。 

在拟合计算得到车辆和背景的概率密度分布函数后，根据该拟合计算得到的车辆和背景的概率密度分布函数，利用预定模型来确定车辆和背景的分类边界，以得到满足不同应用要求的分类边界(步骤 S30)。 

下面详细描述利用不同的预定模型来确定车辆和背景的分类边界。 

1、最小错分概率模型 

最小错分概率指把车辆识别成背景和把背景识别成车辆的这两类错误的概率和最小。最小错分概率模型也称为正确识别率最大模型，该模型可以表示为表达式(7)： 

min(aα+bβ)，即： $\min (a{\∫}_T^{\∞}{f}_b\left(x\right)\mathrm{dx}+b{\∫}_{-\∞}^T{f}_v\left(x\right)\mathrm{dx})---\left(7\right)$

在上面的等式(7)中，min()表示求最小值计算，a和b表示错分风险惩罚系数，其中，a表示错误地将背景识别成对象的惩罚系数(在本例中称为虚警惩罚系数)，b表示错误地将对象识别成背景的惩罚系数(在本例中称为漏识别惩罚系数)。 

由此，通过求解表达式(7)可以得到使这两类错误概率最小的分类边界T。 

需要注意的是，在表达式(7)中，a和b可以根据漏识别和虚警所占的权重不同取不同的值。例如，与虚警相比，漏识别会对车辆造成更大安全威胁的情况下，可以选取b＞a，即加重漏识别的惩罚，从而使确定的分类边界T能保证对车辆的更好识别率。 

2、识别率满足目标模型 

识别率满足目标指车辆的识别率或误识别率需要满足预定目标值。识别率满足目标模型可表示为表达式(8)或(9)： 

$1-\frac{\mathrm{\β}}{P_V+\mathrm{\β}}>\mathrm{DR}$ 即： $1-\frac{{\∫}_{-\∞}^T{f}_v\left(x\right)\mathrm{dx}}{{\∫}_{-\∞}^{\∞}{f}_v\left(x\right)\mathrm{dx}}>\mathrm{DR}---\left(8\right)$

$\frac{\mathrm{\&alpha;}}{P_B+\mathrm{\&alpha;}}<\mathrm{FAR}$ 即： $\frac{{\&Integral;}_T^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}{{\&Integral;}_{-\&infin;}^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}<\mathrm{FAR}---\left(9\right)$

其中，DR和FAR分别表示识别率目标值和误识别率目标值。 

由此，通过求解表达式(8)或(9)可以得到满足目标值的分类边界T。例如，可以求解得到满足DR＞95％或FAR＜5％的分类边界T。 

3、多帧图像的识别率满足目标模型 

在非常强调安全的情形中，车辆检测系统必须很可靠，不能漏检任何出现的障碍物。而且，为了留出足够的时间进行响应，需要当障碍物还位于远处时就必须被检测到。 

为此，需要一个合适的分类边界T使得多帧图像的识别率或误识别率满足预定目标值。 

当考虑多帧图像的识别率需要满足预定目标值时，假设单帧图像的识别率为P，系统连续检测n帧图像，以及多帧图像的识别率目标值为P’，那么，多帧图像的识别率满足目标模型表示为表达式(10)： 

$\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}P{(1-P)}^{k-1}>P^{\&prime;}$ 且 $P=\frac{P_V}{P_V+\mathrm{\&beta;}}=\frac{{\&Integral;}_T^{\&infin;}{f}_v\left(x\right)\mathrm{dx}}{{\&Integral;}_{-\&infin;}^{\&infin;}{f}_v\left(x\right)\mathrm{dx}}$ (10) 

通过表达式(10)，可以求解得到满足多帧图像的识别率目标值的分类边界T。 

当考虑多帧图像的误识别率需要满足预定目标值时，假设单帧图像的误识别率为F，系统连续检测n帧图像，以及多帧图像的识别率目标值为F’，那么，多帧图像的识别率满足目标模型表示为表达式(11)： 

$\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}F{(1-F)}^{k-1}<F^{\&prime;}$ 且 $F=\frac{\mathrm{\&alpha;}}{P_B+\mathrm{\&alpha;}}=\frac{{\&Integral;}_T^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}{{\&Integral;}_{-\&infin;}^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}$ (11) 

通过表达式(11)，可以求解得到满足多帧图像的误识别率目标值的分类边界T。 

第一实施例的变型 

虽然在上述第一实施例中，是以车辆和背景的置信度概率密度分布函数满足正态分布来描述本发明的，但是，本领域技术人员应当理解，本发明并不局限于此。事实上，在本发明中，车辆和背景的置信度概率密度分布函数可以是满足其它任何分布的函数，例如泊松分布等。 

此外，虽然在上述第一实施例中，最小错分概率指把车辆识别成背景和把背景识别成车辆的这两类错误的概率和最小，但是，本领域技术人员应当理解，本发明并不局限于此。事实上，在本发明中，最小错分概率还包括把车辆识别成背景和把背景识别成车辆的这两类错误的概率和满足预定目标值的这种情形。 

在本发明中，所述对象并不仅局限于车辆，它还可以是摩托车、行人等。 

本发明的用于确定对象和背景的分类边界的方法可以使用软件、硬件或软硬件结合的方式来实现。 

图6示出了本发明的使用软件、硬件或软硬件结合的方式来实现的用于确定对象和背景的分类边界的装置。在该图中，只示出了与本发明相关的部件。 

如图6所示，本发明的用于确定对象和背景的分类边界的装置10，包括： 

识别单元100，用于使用分类器对多个对象图像和多个背景图像中的每一个图像进行分类识别，得到所述多个对象图像的置信度值和所述多个背景图像的置信度值；计算单元110，用于分别根据得到的所述多个对象图像的置信度值和所述多个背景图像的置信度值，拟合计算所述对象和所述背景的置信度概率密度分布函数；以及，确定单元120，用于根据拟合计算的所述对象和/或所述背景的置信度概率密度分布函数，通过预定模型来确定所述对象和所述背景的分类边界。其中，所述预定模型包括所述对象和所述背景被错误分类的概率满足预定目标值、所述对象的识别率满足预定识别率目标值、所述对象的误识别率满足预定误识别率目标值、多帧图像的识别率满足预定识别率目标值和多帧图像的误识别率满足预定误识别率目标值的其中之 一。 

本领域的技术人员应当理解，本发明所公开的确定对象和背景的分类边界的方法及装置，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。 

Claims (15)

1.一种用于确定对象和背景的分类边界的方法，包括步骤：

使用已经训练好的分类器对测试用的多个对象图像和多个背景图像中的每一个图像进行分类识别，得到所述多个对象图像的置信度值和所述多个背景图像的置信度值；

分别根据得到的所述多个对象图像的置信度值和所述多个背景图像的置信度值，计算所述对象和所述背景的置信度概率密度分布函数；以及

根据计算的所述对象和/或所述背景的置信度概率密度分布函数，通过预定模型来确定所述对象和所述背景的分类边界。

2.如权利要求1所述的方法，其中，所述预定模型包括所述对象和所述背景被错误分类的概率满足预定目标值。

3.如权利要求2所述的方法，其中，所述对象和所述背景被错误分类的概率满足预定目标值具体是：

$\min (a{\&Integral;}_T^{\&infin;}{f}_b\left(x\right)\mathrm{dx}+b{\&Integral;}_{-\&infin;}^T{f}_v\left(x\right)\mathrm{dx})$

其中，min()表示求最小值计算，f_v(x)和f_b(x)分别表示所述对象和所述背景的置信度概率密度分布函数，a表示错误地将背景识别成对象的惩罚系数，b表示表示错误地将对象识别成背景的惩罚系数，以及，T表示所述分类边界。

4.如权利要求3所述的方法，其中，所述b大于所述a。

5.如权利要求1所述的方法，其中，所述预定模型包括所述对象的识别率满足预定识别率目标值。

6.如权利要求5所述的方法，其中，所述对象的识别率满足预定识别率目标值包括：

$1-\frac{{\&Integral;}_{-\&infin;}^T{f}_v\left(x\right)\mathrm{dx}}{{\&Integral;}_{-\&infin;}^{\&infin;}{f}_v\left(x\right)\mathrm{dx}}>\mathrm{DR}$

其中，f_v(x)表示所述对象的置信度概率密度分布函数，T表示所述分类边界，以及，DR表示所述预定识别率目标值。

7.如权利要求1所述的方法，其中，所述预定模型包括所述对象的误识别率满足预定误识别率目标值。

8.如权利要求7所述的方法，其中，所述对象的误识别率满足预定误识别率目标值包括：

$\frac{{\&Integral;}_T^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}{{\&Integral;}_{-\&infin;}^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}<\mathrm{FAR}$

其中，f_b(x)表示所述背景的置信度概率密度分布函数，T表示所述分类边界，以及，FAR表示所述预定误识别率目标值。

9.如权利要求1所述的方法，其中，所述预定模型包括多帧图像的识别率满足预定识别率目标值。

10.如权利要求9所述的方法，其中，所述多帧图像的识别率满足预定识别率目标值包括：

$\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}P{(1-P)}^{k-1}>P^{\&prime;}$ 并且 $P=\frac{{\&Integral;}_T^{\&infin;}{f}_v\left(x\right)\mathrm{dx}}{{\&Integral;}_{-\&infin;}^{\&infin;}{f}_v\left(x\right)\mathrm{dx}}$

其中，其中，f_v(x)表示所述对象的置信度概率密度分布函数，T表示所述分类边界，n表示图像帧数量，以及，P′表示所述预定识别率目标值。

11.如权利要求1所述的方法，其中，所述预定模型包括多帧图像的误识别率满足预定误识别率目标值。

12.如权利要求11所述的方法，其中，所述多帧图像的误识别率满足预定误识别率目标值包括：

$\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}F{(1-F)}^{k-1}<F^{\&prime;}$ 并且 $F=\frac{{\&Integral;}_T^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}{{\&Integral;}_{-\&infin;}^{\&infin;}{f}_b\left(x\right)\mathrm{dx}}$

其中，其中，f_b(x)表示所述背景的置信度概率密度分布函数，T表示所述分类边界，n表示图像帧数量，以及，F′表示所述预定误识别率目标值。

13.如权利要求1所述的方法，其中，所述对象和所述背景的置信度概率密度分布函数是满足正态分布的函数。

14.一种用于确定对象和背景的分类边界的装置，包括：

识别单元，用于使用已经训练好的分类器对测试用的多个对象图像和多个背景图像中的每一个图像进行分类识别，得到所述多个对象图像的置信度值和所述多个背景图像的置信度值；

计算单元，用于分别根据得到的所述多个对象图像的置信度值和所述多个背景图像的置信度值，计算所述对象和所述背景的置信度概率密度分布函数；以及

确定单元，用于根据计算的所述对象和/或所述背景的置信度概率密度分布函数，通过预定模型来确定所述对象和所述背景的分类边界。

15.如权利要求14所述的装置，其中，所述预定模型包括所述对象和所述背景被错误分类的概率满足预定目标值、所述对象的识别率满足预定识别率目标值、所述对象的误识别率满足预定误识别率目标值、多帧图像的识别率满足预定识别率目标值和多帧图像的误识别率满足预定误识别率目标值的其中之一。

Images