[发明专利]用于评价图像信号处理器中实施的分类器的系统和方法

说明书

用于评价图像信号处理器(ISP)的分类器的系统，包括(i)微处理器和(ii)存储训练图像的存储器，微处理器能够发送每个训练图像至ISP。系统还包括存储在存储器中且由微处理器执行的机器可读指令，其能够：(i)基于分隔器位置，选择图像的子集，(ii)控制ISP将每个图像分类为属于或不属于目标类，(iii)确定正匹配计数，(iv)基于正匹配计数和属于目标类的训练图像的总数目，确定错误计数，(v)对于其它分隔器位置，重复选择、控制和确定的步骤，以识别优选分隔器位置和最小错误计数；以及(vi)通过比较优选分隔器位置和默认的优选分隔器位置以及默认的最小错误计数，确定分类器的优选性。

技术领域

本公开涉及计算机技术领域，尤其涉及一种用于评价图像信号处理器中实施的分类器的系统和方法。

背景技术

在应用中，基于人工智能(AI)的目标识别是有用的，应用包括在移动设备和自动柜员机(ATM)中的人脸或人脸特征检测，人脸表情、条形码或姿势的机器识别，以及车载自动报警系统。基于AI的目标识别的基本主题是1-D(一维)特征分类，其中图像信号处理器(ISP)中实施的分类器检查图像，以确定图像是否包括属于特定目标类的目标(例如，对于人脸检测应用的人脸)。

训练分类器以准确地分类图像包含使分类器基于图像是否包括人脸，检查训练图像集中的图像的每个为人脸或非人脸。这样的训练需要分类器发展有效的人工智能以检测图像中人脸的存在。单个回合的学习包含分类器对训练图像集中的每个图像进行分类。训练图像集可以包括大约40,000个训练图像(例如，一半的图像包括人脸)。在一些应用中，可以需要3,000个回合。

为确定分类器是否已经被充分地训练，通过分类训练图像集中的图像评价分类器。训练图像不必须与用于训练分类器的训练图像集相同。分类图像是计算密集的，且因此花费大量的运行时间，其增加发展改进的目标检测技术的费用。

发明内容

在此公开的实施例属于用于评价分类器的有效评价系统和方法，其最小化完成评价方法需要的分类器操作的数目。

在一个实施例中，公开用于评价图像信号处理器(ISP)中实施的分类器的系统。系统包括微处理器和存储具有多个图像的训练图像集的存储器。微处理器能够发送多个图像的每个至ISP。系统还包括存储在存储器中且由微处理器执行的机器可读指令，其能够：(i)基于训练图像集中的分隔器位置，选择训练图像集的图像的子集，(ii)控制ISP以分类子集中图像的每个为属于或不属于目标类，(iii)确定等于图像子集中被分类为属于目标类的图像总数目的正匹配计数，(vi)基于(a)训练图像集中属于目标类的图像的总数目和(b)正匹配计数，确定错误计数，(v)对于训练图像集中的多个其它分隔器位置，重复选择、控制和确定的步骤，以识别对应(a)最小错误计数和(b)最大错误计数中的至少一个的优选分隔器位置；以及(vi)通过比较(a)对应最小错误计数的优选分隔器位置和对应默认的最小错误计数的预设的优选分隔器位置，和(b)对应最大错误计数的优选分隔器位置和对应默认的最大错误计数的预设的优选分隔器位置中的至少一个，确定分类器的优选性。

在另一个实施例中，公开一种用于评价图像信号处理器(ISP)中实施的以识别接收的电子图像信号中的目标类的分类器的方法。方法包括步骤：(i)基于训练图像集中的分隔器位置，选择训练图像集的图像的子集，(ii)控制ISP以分类子集中图像的每个为属于或不属于目标类，(iii)确定等于图像子集中被分类为属于目标类的图像的总数目的正匹配计数，(iv)基于(a)训练图像集中属于目标类的图像的总数目和(b)正匹配基数，确定错误计数，(v)对于训练图像集中的多个其它分隔器位置，重复选择、控制和确定的步骤，以识别对应(a)最小错误计数和(b)最大错误计数中的至少一个的优选分隔器位置，以及(vi)通过比较(a)对应最小错误计数的优选分隔器位置和对应默认的最小错误计数的预设的优选分隔器位置，和(b)对应最大错误计数的优选分隔器位置和对应默认的最大错误计数的预设的优选分隔器位置中的至少一个，确定分类器的优选性。

附图说明