[发明专利]用于在线训练分类器的装置和在线训练分类器的方法

权利要求书

1.一种用于在线训练分类器的装置，包括：

确定部分，用于确定选择器模型的识别能力是否适应样本图像；

更新部分，用于在所述确定部分确定所述选择器模型的识别能力不适应所述样本图像的情况下，根据所述样本图像更新所述选择器模型；以及

生成部分，用于根据所述样本图像，利用更新的选择器模型选择组成所述分类器的弱分类器，并组成所述分类器。

2.如权利要求1所述的用于在线训练分类器的装置，其中所述确定部分被配置为：

计算所述选择器模型的每个候选弱分类器的各个统计模型的期望与提取自所述样本图像的相应特征的偏离中的最小偏离，并且

判断所述最小偏离是否超过预定程度；以及

所述更新部分被配置为：

在所述偏离超过预定程度的情况下，向所述候选弱分类器添加根据所述相应特征获得的统计模型。

3.如权利要求2所述的用于在线训练分类器的装置，其中所述更新部分被进一步配置为：

在所述添加前或添加后的统计模型数目超过预定数目的情况下，从所述统计模型数目超过预定数目的候选弱分类器中选择未更新时间较长的统计模型；并且

从相应候选弱分类器中删除所选择的统计模型。

4.如权利要求2或3所述的用于在线训练分类器的装置，还包括：

评价部分，用于判断根据所更新的选择器模型组成的分类器对所述样本图像的识别能力不足够，

其中所述更新部分进一步被配置为在所述识别能力不足够的情况下，增加所述选择器的数目，以及

所述生成部分进一步被配置为响应于选择器数目的增加，根据所述样本图像，利用更新的选择器模型选择组成所述分类器的弱分类器，并组成所述分类器。

5.如权利要求2或3所述的用于在线训练分类器的装置，还包括：

评价部分，用于判断根据所更新的选择器模型组成的分类器对所述样本图像的识别能力过剩；

其中所述更新部分进一步被配置为：

在所述识别能力过剩的情况下，寻找能够提供针对所述样本图像的足够识别能力的较小或最小选择器数目，并且

从所更新的选择器模型中删除所述较小或最小选择器数目的选择器之外的选择器；以及

所述生成部分进一步被配置为响应于所述选择器的删除，根据所述样本图像，利用更新的选择器模型选择组成所述分类器的弱分类器，并组成所述分类器。

6.如权利要求1所述的用于在线训练分类器的装置，其中所述确定部分被配置为：

根据所述样本图像，利用当前选择器模型选择组成所述分类器的弱分类器并组成所述分类器；和

判断所组成的分类器对所述样本图像的识别能力不足够，并且

所述更新部分被配置为：

在所述识别能力不足够的情况下，增加所述选择器的数目。

7.如权利要求1所述的用于在线训练分类器的装置，其中所述确定部分被配置为：

根据所述样本图像，利用当前选择器模型选择组成所述分类器的弱分类器并组成所述分类器；并且

判断所组成的分类器对所述样本图像的识别能力过剩，并且

所述更新部分被配置为：

在所述识别能力过剩的情况下，寻找能够提供针对所述样本图像的足够识别能力的较小或最小选择器数目；和

从当前选择器模型中删除所述较小或最小选择器数目的选择器之外的选择器。

8.如权利要求2至5之一所述的用于在线训练分类器的装置，其中所述统计模型是高斯模型。

9.一种在线训练分类器的方法，包括：

确定选择器模型的识别能力是否适应样本图像；

在确定所述选择器模型的识别能力不适应所述样本图像的情况下，根据所述样本图像更新所述选择器模型；以及

根据所述样本图像，利用更新的选择器模型选择组成所述分类器的弱分类器并组成所述分类器。

10.如权利要求9所述的在线训练分类器的方法，其中所述确定包括：

计算所述选择器模型的每个候选弱分类器的各个统计模型的期望与提取自所述样本图像的相应特征的偏离中的最小偏离，以及

判断所述最小偏离是否超过预定程度；以及

所述更新包括：

在所述偏离超过预定程度的情况下，向所述候选弱分类器添加根据所述相应特征获得的统计模型。