分類與對象檢測方法和裝置以及圖像拍攝和處理設備與流程

本發明涉及圖像處理和模式識別領域，尤其涉及訓練分類器以進行對象檢測的方法和裝置。

背景技術：
隨著計算機圖像處理技術的發展和計算機視覺原理的廣泛應用，利用對象檢測技術來實時地從圖像和視頻場景中定位目標越來越普遍。對象檢測技術例如在智能終端設備、智能交通系統、智能監控系統甚至軍事目標檢測等應用中均具有廣泛的實用價值。在對象檢測領域，廣泛地采用根據單類分類方法而訓練的分類器。如Moya，M和Hush，D.所著的“Networkconstraintsandmulti-objectiveoptimizationforone-classclassification”(NeuralNetworks，9(3)：463-474.doi：10.1016/0893-6080(95)00120-4，1996)中所描述的，在單類分類器中，通過根據僅僅包含一類對象的訓練集合進行學習，從而將該類對象與所有其它可能的對象區分開。例如，在照相機中嵌入針對臉部/貓/狗的分類器。然而，這種現有的單類分類器越來越不能滿足消費者的要求。以照相機為例，用戶可能會定期拍攝某個對象，比如他的寵物。這意味著用戶所希望的分類器不再像通常的那樣，即僅僅是針對臉部/狗/貓等特定一類對象的分類器，而希望該分類器可以學習用戶自己指定的對象(例如他的寵物)的表觀特征。例如，用戶希望在舉起照相機時自動聚焦到他的寵物，或者希望從照相機拍攝的所有照片中找到關于他的寵物的照片。目前，大多數現有的對象檢測產品依賴于收集充分多的樣本以訓練得到良好的分類器，然后再將訓練好的分類器設置到產品中以定位目標。然而，在有些實際應用中，可能難以獲得充分多的樣本來訓練分類器。例如，在通過交通監視系統追查特定車輛時，關于該特定車輛的先驗樣本通常非常少，甚至只有一個。而且，在消費者產品中，不能單純地依賴于要求用戶收集很多的樣本，那樣會造成較差的用戶體驗。因此，需要一種對象檢測方法，該方法：(1)不依賴于任何先驗知識，因為可能的對象類別的數目巨大，并且其分布遵循長尾理論(long-tailtheory)，因此幾乎不可能準備覆蓋可能對象類別的在先學習庫；(2)僅使用一個或幾個樣本就能夠進行檢測，但同時要求該對象檢測方法要能夠處理對象表觀特征的變化，例如照明、視角、變形、模糊、旋轉等；(3)足以將對象與同一類別中的所有其它對象進行區分，例如，要能夠區分開用戶自己的狗與其他人的狗。現有技術的對象檢測方法不能滿足上述要求。例如，在V.Ferrari和A.Zisserman所著的“Learningvisualattributes”(InNIPS，2008)中公開了“屬性”的概念，但是其要求終端用戶識別對象的屬性。在L.Fei-Fei、R.Fergus和P.Perona所著的“Abayesianapproachtounsupervisedone-shotlearningofobjectcategories”(InICCV，pages1134-1141，2003)中公開了單次拍攝學習方法。在M.Lew的“Content-basedMultimediaInformationRetrieval：StateoftheArtandChallenges”(ACMTrans.MCCA，2006)以及J.Eakins和M.Graham的“Content-basedImageRetrieval”(UniversityofNorthumbriaatNewcastle)中描述了基于內容的圖像檢索方法(CBIR)。但是，上述兩種方法的精度較低，不足以準確地區分同一類別中的對象。在HaeJongSeo和PeymanMilanfar的“Training-FreeGenericObjectDetectionUsingLocallyAdaptiveRegressionKernels”(IEEETrans.PAMI，vol.32，no.9，pp.1688-1704，2010)中公開了基于無訓練LARK的檢測方法，但這種方法不具有旋轉不變性，在類內區分方面效果很差。Lowe，DavidG所著的“Objectrecognitionfromlocalscale-invariantfeatures”(ICCV.pp.1150-1157，1999)以及H.Bay、A.Ess、T.Tuytelaars和L.V.Gool所著的“SURF：SpeededUpRobustFeatures”(CVIU，pp.346-359，2008)公開了基于SIFT/SURF的局部點匹配方法。在E.Nowak，F.Jurie和B.Triggs的“SamplingStrategiesforBag-of-FeaturesImageClassification”(ECCV，2006)中公開了基于BOW/Part的模型。這幾種方法不能很好地處理非常小的目標以及非剛性對象變形。如上所述的各現有技術方法均不能在較少樣本的情況下提供滿意的檢測性能。因此，需要僅利用少量樣本就能夠實現高魯棒性和高辨別力的對象檢測的方法和裝置。

技術實現要素：
僅僅使用一個或幾個樣本訓練有效的分類器的瓶頸在于，如何在樣本數量少的情況下控制分類器的性能，即魯棒性和辨別力。換言之，分類器既要保證能夠覆蓋目標對象的所有表觀特征變化，又要能夠足夠準確地將目標對象與同一類別的其他對象區分開。而在樣本數量少的情況下，樣本的分散性有限，難以覆蓋關于目標對象的所有可能表觀特征變化，如圖1所示，例如照明、視角、變形、模糊、旋轉等。這也是現有技術的分類器需要足夠多的樣本進行訓練的一個原因。為了解決上述技術問題，本發明提出了一種全新的分類學習方法和裝置，該分類學習方法和裝置基于支撐向量估計一個判決超球面作為分類的閾值，其中該判決超球面基本上不隨樣本本身或數量而變化，即任何正樣本落在判決超球面內的概率基本上固定。根據本發明的第一方面，提供了一種在特征空間中的分類方法，所述特征空間包括一個或多個特征向量，所述一個或多個特征向量中的一些或全部被識別為支撐向量，所述分類方法包括：最大超球面生成步驟，用于根據所述支撐向量在所述特征空間中生成可能的最大超球面；超球面中心計算步驟，用于根據所述支撐向量計算所生成的最大超球面的中心；判決超球面生成步驟，用于利用所計算的中心和所生成的最大超球面，生成判決超球面；以及分類步驟，用于將所述判決超球面內的特征向量歸類為正特征向量。根據一些實施例，所述判決超球面被生成為使得任何正特征向量落在所生成的判決超球面內的概率固定。根據一些實施例，所述超球面中心計算步驟包括：根據所述支撐向量，在所述特征空間中生成可能的最小超球面；判斷在所述最小超球面內是否只有一個特征向量；如果在所述最小超球面內只有一個特征向量，則將該特征向量確定為所述最大超球面的中心；以及如果在所述最小超球面內有超過一個的特征向量，則估計所述最小超球面的中心，作為所述最大超球面的中心。根據一些實施例，所述判決超球面生成步驟包括：計算所述最大超球面的表面積；以及確定判決超球面，使得該判決超球面的中心即為所計算的最大超球面的中心，且該判決超球面與所述最大超球面的表面積之比是預定值。根據本發明的第二方面，提供了一種在特征空間中的分類裝置，所述特征空間包括一個或多個特征向量，所述一個或多個特征向量中的一些或全部被識別為支撐向量，所述分類裝置包括：最大超球面生成單元，配置成根據所述支撐向量在所述特征空間中生成可能的最大超球面；超球面中心計算單元，配置成根據所述支撐向量，計算由所述最大超球面生成單元生成的所述最大超球面的中心；判決超球面生成單元，配置成利用由所述超球面中心計算單元計算的中心和由所述最大超球面生成單元生成的最大超球面，生成判決超球面；以及分類單元，配置成將由所述判決超球面生成單元生成的所述判決超球面內的特征向量歸類為正特征向量。根據本發明的第三方面，提供了一種對象檢測方法，包括：支撐向量確定步驟，用于確定一組支撐向量；分類器訓練步驟，用于基于所述支撐向量確定步驟中確定的所述一組支撐向量，利用根據第一方面所述的分類方法來訓練分類器；以及對象檢測步驟，用于利用所訓練的分類器，從圖像或視頻中檢測對象。根據本發明的第四方面，提供了一種對象檢測裝置，包括：支撐向量確定單元，配置成確定一組支撐向量；分類器訓練單元，配置成基于所述支撐向量確定單元中確定的所述一組支撐向量，利用根據第一方面所述的分類方法來訓練分類器；以及對象檢測執行單元，配置成利用所訓練的分類器，從圖像或視頻中檢測對象。根據本發明的第五方面，提供了一種圖像拍攝設備，包括：光學系統，配置成拍攝圖像或視頻；根據第四方面所述的對象檢測裝置；以及控制單元，配置成控制所述光學系統，以聚焦于由所述對象檢測裝置檢測到的對象。根據本發明的第六方面，提供了一種圖像處理設備，包括根據第四方面所述的對象檢測裝置。無論樣本本身及其數量如何，本發明的分類和檢測方法都能夠將檢測性能(例如，虛檢率(falsepositiverate)或檢出率(detectionrate))保持在預定水平，從而能夠提供有效的對象檢測。從參照附圖的以下描述中，本發明的其他特性特征和優勢將變得清晰。附圖說明并入說明書并且構成說明書的一部分的附圖圖示本發明的實施例，并且與描述一起用于說明本發明的原理。圖1是示出了示例目標對象的可能表觀特征變化的示意圖。圖2A是示出了描述現有技術的支撐向量數據描述(SVDD)方法的示意圖。圖2B示意性地示出了現有技術的基于SVDD的分類方法的閾值隨樣本數量的變化趨勢。圖3A是示出了根據本發明的分類方法的原理的示意圖。圖3B示意性地示出了根據本發明的分類方法的閾值隨樣本數量的變化趨勢。圖4是例示了根據本公開實施例的分類方法的流程圖。圖5是例示了根據本公開實施例的超球面中心估計步驟的流程圖。圖6例示了根據本公開實施例如何判斷最小可能超球面內是否只有一個特征向量。圖7是例示了根據本公開實施例的判決超球面生成步驟的流程圖。圖8是例示了根據本公開實施例的對象檢測方法的流程圖。圖9A和9B給出了利用本公開實施例的對象檢測方法識別目標的示例。圖10示出了根據本公開實施例的分類裝置的功能框圖。圖11示出了根據本公開實施例的對象檢測裝置的功能框圖。圖12示出了可以實施本公開實施例的計算機系統的硬件配置的框圖。圖13是示出可以實施本公開實施例的圖像拍攝設備的功能框圖。具體實施方式現在將參照附圖來詳細描述本發明的各種示例性實施例。應注意到：除非另外具體說明，否則在這些實施例中闡述的部件和步驟的相對布置、數字表達式和數值不限制本發明的范圍。以下對至少一個示例性實施例的描述實際上僅僅是說明性的，決不作為對本發明及其應用或使用的任何限制。對于相關領域普通技術人員已知的技術、方法和設備可能不作詳細討論，但在適當情況下，所述技術、方法和設備應當被視為授權說明書的一部分。在這里示出和討論的所有示例中，任何具體值應被解釋為僅僅是示例性的，而不是作為限制。因此，示例性實施例的其它示例可以具有不同的值。應注意到：相似的標號和字母在下面的附圖中表示類似項，因此，一旦某一項在一個附圖中被定義，則在隨后的附圖中不需要對其進行進一步討論。如前所述，為了實現僅基于少量樣本就獲得高魯棒性和高辨別力的對象檢測，需要提供一種分類器，其既能夠覆蓋目標對象的幾乎所有表觀特征變化，又能夠足夠準確地將目標對象與同一類別的其他對象區分開。支撐向量數據描述(supportvectordatadescription，SVDD)方法是單類分類方法的核心技術。如D.Tax和R.Duin在“Supportvectordomaindescription”(PatternRecognit.Lett.，vol.20，pp.1191-1199，1999)中所述，SVDD方法旨在找到一個包圍盡可能多目標訓練樣本的最小體積的球面。圖2A示出了描述SVDD法的示意圖。在圖2A所示的特征空間中，空心圓點(ο)代表對應于訓練樣本的特征向量，位于球面邊界上的實心圓點(·)代表支撐向量。如圖所示，支撐向量界定了SVDD方法獲得的超球面，即確定了SVDD分類器的閾值。換言之，SVDD方法的目的在于求得如圖所示的支撐向量。基于SVDD的傳統對象檢測方法的性能和精度依賴于訓練樣本集的可獲得性。圖2B示意性地示出了現有技術的基于SVDD的分類方法的閾值隨樣本數量的變化趨勢。圖2B中，空心圓點(ο)代表原始訓練樣本，實心方形(■)代表新添加的訓練樣本；實線圈代表基于原始訓練樣本獲得的SVDD超球面，虛線圈代表在添加了新的訓練樣本之后獲得的SVDD超球面。從圖2B中可以看出，在較少數量的訓練樣本的情況下，一般來說訓練樣本的分散度較小，因此定義分類器閾值的SVDD超球面也比較小，如圖2B中實線圈所示。顯然，在這種情況下，訓練出的分類器無法識別目標對象的很多表觀特征變化，即檢出率非常低，對象檢測操作可能失敗。例如，在諸如視頻監測、圖像檢索等一些在線應用中，由于在初始狀態下沒有足夠多的訓練樣本，因此傳統的分類方法會因檢出率過低而導致無法檢測到目標對象。隨著樣本數量的增加，SVDD超球面不斷增大，即分類器的閾值增大，如圖2B中虛線圈所示。在超球面增大的情況下，檢出率得到了提高，但虛檢率也隨之增大，即，將負樣本判定為正樣本的概率也增大。因此，傳統的基于SVDD的對象檢測方法的性能不穩定，而且在樣本數量不夠多時無法工作。如上面針對圖1所述，在樣本的特征空間中，一個樣本(例如，圖1中的矩形實線框所示的訓練樣本)僅占據很小的一個區域或者僅由一個特征向量來表征，而該樣本的表觀特征變化會占據特征空間中該樣本周圍的較大區域。為了僅根據一個或幾個樣本來檢測出所有可能的表觀特征變化，我們需要估計表觀特征變化所占據的區域，即如圖1中的實線橢圓圈所示出的區域。為了適當地估計特征空間中目標對象的表觀特征變化所占據的區域，在本發明中，如圖3A所示，首先基于支撐向量生成表觀特征變化所占據的最大可能超球面(半徑為Rmax)；接著估計最小可能超球面(半徑為Rmin)，即估計出超球面的中心點；最后，利用生成的最大可能超球面和估計出的中心點，按照統計概率，生成判決超球面(半徑為RT)作為分類器的閾值。無論樣本數量如何，所生成的判決超球面的大小都基本上保持恒定。圖3A右下角的圖示意性地示出了f＝R2在范圍內的分布。如圖3B所示，在添加了新訓練樣本之后，盡管支撐向量界定的超球面明顯增大(如圖3B中的實線圈與點劃虛線圈所示)，但新計算的判決超球面與原始的判決超球面相比大小基本上相同(如圖3B中的兩個虛點線圈所示)。下面將詳細描述如何基于支撐向量生成判決超球面。需要說明的是，盡管在本公開中采用SVDD為例說明了如何訓練分類器，但是本領域技術人員應當理解，本公開的分類方法也可以適用于采用支撐向量機(SupportVectorMachine，SVM)的分類器。圖4例示了根據本公開實施例的分類方法的流程圖。在獲得目標訓練樣本之后，構建樣本的特征空間。然后，利用SVDD方法獲得包圍盡可能多目標訓練樣本的最小體積的超球面邊界，即，確定特征空間中的支撐向量。然后根據所確定的支撐向量生成可能的最大超球面(步驟10)。基于SVDD方法確定的超球面由下式表示：minR2+C∑iξi條件是||xi-a||2≤R2+ξi且ξi≥0(1)其中，a表示該超球面的中心，R表示該超球面的半徑；C是懲罰因子，ξi是松弛誤差，xi表示界定超球面的支撐向量。對公式(1)應用拉哥朗日(Lagrangian)乘子，可以得到下面的對偶問題：min∑i，jαiαjK(xi·xj)-∑iαiK(xi·xi)條件是0≤αi≤C且∑iαi＝1(2)其中，K(·)是核函數，而且該函數值為非負。在本文中，核函數K(·)被選擇為針對特征空間中的任意歸一化特征向量z是恒定的，即K(z，z)是固定的。在一個實施例中，可以選擇直方圖交叉核(HIK)函數(參見http://c2inet.sce.ntu.edu.sg/Jianxin/projects/libHIK/libHIK_v2.pdf)：其中，T和Q是特征的直方圖，N是直方圖維數。需要注意的是，盡管在本實施例中以公式(3)給出的HIK函數為例進行了說明，但是本領域技術人員應當理解，還可以選擇Hellinger’s核函數和Jensen-Shannon核函數。求解公式(2)的對偶優化問題，可以得到支撐向量集xi∈SVs和對應的權重αi。利用上述SVDD方法求得的支撐向量xi和權重αi，我們就可以計算最大可能超球面半徑Rmax。對于給定的歸一化特征向量z，其到超球面中心的距離計算如下：如果則特征向量z就位于該超球面內，并被分類為目標對象類。為了求解最大可能超球面的半徑Rmax，根據上面的公式(4)，我們得到：(5)如前所述，針對任意歸一化特征向量z，K(z，z)是固定的。在根據公式(2)計算得出支撐向量xi∈SVs和對應的權重αi的情況下，是固定值。因此，求解fmax的關鍵在于求得的最小值。如前所述，核函數K(·)非負，因而故而，公式(5)簡化為：至此，上述公式(6)確定了最大超球面的半徑Rmax。接著，參照圖4中的步驟20，計算所生成的最大超球面的中心，即確定最小距離fmin。圖5是例示了根據本公開實施例的超球面中心估計步驟的流程圖。如圖5所示，首先，根據基于公式(2)計算得到的支撐向量，生成可能的最小超球面(步驟210)。根據上述公式(4)，最小距離fmin表示如下：如前所述，在所有支撐向量確定的情況下，針對任何歸一化特征向量z，fmax是固定的。因此，求解fmin就轉變為求解的最大值。根據核函數的定義可知，必然是一個特定值，但不會是正無窮大。接下來，判斷在最小超球面內是否只有一個特征向量(步驟220)，即在特征空間中，是否只有一個特征向量z到超球面中心的距離滿足如果在最小超球面內只有一個特征向量，這意味著該特征向量就是最小超球面和最大超球面的中心。如果不止有一個特征向量，則需要估計最小超球面和最大超球面的中心(步驟230)，如下將更詳細地描述。在本例中，選擇HIK函數進行描述。為了加速計算，我們定義一個查找表lut：其中，xij∈Xi，XiSVs，M是支撐向量的個數，而N是特征向量的維數。如上述(8)可知，但是max(lut)不總是等于下面將詳細說明。當max(lut)可以取到時，意味著在最小超球面內只有一個特征向量。這種情況下，我們將該特征向量確定為超球面的中心，并確定參照圖6，在最小超球面中的特征向量不是唯一的時，在這種情況下，需要估計fmin，即，估計max(lut)。在HIK核函數的示例中，針對第j維，定義如下：j＝1，2，3......N(9)定義Hj的平均值為根據公式(8)，因此，針對N維特征向量zj來說，估計lut的最大值等同于估計lut的在N個維度上的平均值的最大值，即估計下面采用統計學上的樣本估計理論來估計的范圍。根據中心極限定律，在樣本空間中的分布滿足正態分布。因此，概率Φz是累積分布，具體地如下：根據中心極限定律，根據標準誤和以及概率Φz，利用標準正態累積分布函數的查找表，可以求得λz，由此確定的范圍在[μ-λzσe，μ+λzσe]之間，最后可以確定最后，將公式(11)的結果代入公式(7)中，我們可以估計得到fmin。接下來，返回到圖4，在步驟30中，利用在步驟20中計算的fmin和在步驟10中計算的fmax，生成判決超球面。圖7是例示了根據本公開實施例的判決超球面生成步驟的流程圖。參見圖7，在步驟310中，計算最大超球面的表面積：f(z)在[fmin，fmax]范圍內是大體相同類型的分布。下面，假定參數P，即描述判決超球面與最大超球面的表面積之比的預定值，利用在步驟20中計算的Rmin和在步驟10中計算的Rmax，來生成判決超球面的半徑RT(步驟320)。參數P定義如下：P＝(fT(z)-fmin)/(fmax-fmin)(13)根據公式(13)，可以確定判決超球面的半徑RT為：根據上述公式(14)，我們針對一個特征向量z估計了一個適當的閾值，即fT(z)。最后，針對所有的支撐向量Xi∈SVs來估計fT：fT即為經訓練分類器的閾值，無論訓練樣本有多少或怎樣，都能夠通過參數P將分類器的虛檢率控制在穩定的水平下，即任何正特征向量落在所生成的判決超球面內的概率固定。需要說明的是，參數P本身并非表示任何正特征向量落在判決超球面內的概率，但是在參數P給定的情況下，上述概率也是固定的。最終，如圖4的步驟40所示，如果特征空間中的一個特征向量處于判決超球內，則將其判定為正特征向量；反之，則將其判定為負特征向量。利用如上所述的分類方法，能夠僅利用少量樣本實現高魯棒性和高辨別力的對象檢測。圖8是例示了根據本公開實施例的對象檢測方法的流程圖。首先，在步驟50中確定一組支撐向量。在一個實施例中，該組支撐向量是基于接收的一個或幾個樣本確定的。在另一實施例中，該組支撐向量是從其他訓練好的分類器提取出的。為了保證經訓練的分類器具有較高的辨別力和魯棒性，支撐向量的數量要保持在預定水平之上。在一個示例中，要求支撐向量的個數不少于30個。因為一般來說一個特征向量對應于一個樣本，所以要求樣本的個數不少于預定值。在樣本個數少于預定值的情況下，可以基于已有樣本進行模擬操作，以擴展樣本集直至樣本個數滿足預定值。例如，可以采用在M.Sheelagh、T.Carpendale、DavidJ.Cowperthwaite和F.DavidFracchia的“InformationVisualization“(SimonFraserUniversity，1997)中描述的3D變形方法來模擬樣本集。接著，設置固定的概率參數P，并利用在圖4中描述的分類方法來訓練分類器，由此獲得無論輸入樣本數量如何均保持穩定的檢測性能的分類器(步驟60)。利用在步驟60中訓練好的分類器，就能夠從圖像或視頻中檢測對象(步驟70)。首先根據圖像或視頻幀生成多個局部區域。在一個實施例中，可以先設定大小與正樣本相同的搜索窗。接著，在圖像或視頻的幀上逐步移動搜索窗，并提取搜索窗內包含的像素以生成輸入圖像的一部分。在搜索窗移動通過整個輸入圖像之后，重新調整輸入圖像的尺寸。重復尺寸調整和移動步驟，直到達到預定限值。其次，從每個生成的局部區域提取特征向量，并將其輸入到訓練好的分類器。最后，記錄所有檢測到正樣本的局部區域，并對對象的位置和大小進行分組。由此，可以利用少量樣本就能夠實現高魯棒性和高辨別力的對象檢測。圖9A和9B給出了利用本公開實施例的對象檢測方法識別目標的示例。選取一只波美拉尼亞狗在諸如背景、照明條件和視角等不同情形下的7個視頻進行試驗。從每個視頻中選擇一個訓練樣本，如圖9A所示。圖9B示出了本發明的方法與現有技術基于SVDD的方法相比的性能差別，其中橫坐標表示每圖像的虛檢率，即將負樣本誤判為正樣本的概率，縱坐標表示檢出率，即正樣本被檢出的概率。虛檢率越低且檢出率越高，表明對象檢測方法的性能越好。從圖9B可見，現有技術的方法隨著樣本數量增加而虛檢率增大，而在本發明中，虛檢率基本上保持穩定。另外，現有技術的方法在樣本數量較少時檢出率非常低，而本發明的方法的檢出率保持在較高的水平。圖10示出了根據本公開實施例的分類裝置2000的功能框圖。分類裝置2000的功能模塊可以由實現本發明原理的硬件、軟件或硬件和軟件的結合來實現。本領域技術人員可以理解的是圖10中所描述的功能模塊可以組合起來或者劃分成子模塊，從而實現上述發明的原理。因此，本文的描述可以支持對本文描述的功能模塊的任何可能的組合、或者劃分、或者更進一步的限定。分類裝置2000能夠識別出特征空間中的正特征向量。特征空間可以包括一個或多個特征向量。在一個實施例中，可以利用SVDD方法來基于輸入樣本的特征向量而確定支撐向量。在另一實施例中，支撐向量可以是從其他訓練好的分類器提取出的。分類裝置2000可以包括最大超球面生成單元2010、超球面中心計算單元2020、判決超球面生成單元2030以及分類單元2040。最大超球面生成單元2010可以根據支撐向量在特征空間中生成可能的最大超球面。超球面中心計算單元2020可以根據支撐向量，計算由最大超球面生成單元2010生成的最大超球面的中心。判決超球面生成單元2030可以利用由超球面中心計算單元2020計算的中心和由最大超球面生成單元2010生成的最大超球面，生成判決超球面。該判決超球面即為分類裝置2000的閾值。分類單元2040可以將由判決超球面生成單元2030生成的判決超球面內的特征向量歸類為正特征向量。在一個實施例中，判決超球面被生成為使得特征空間中的任何正特征向量落在所生成的判決超球面內的概率固定。在一個實施例中，超球面中心計算單元2020進一步可以包括最小超球面生成單元2022、超球面中心判斷單元2024和超球面中心確定單元2026。最小超球面生成單元2022可以根據支撐向量，在特征空間中生成可能的最小超球面。超球面中心判斷單元2024可以判斷在最小超球面內是否只有一個特征向量。如果在最小超球面內只有一個特征向量，則超球面中心確定單元2026將該特征向量確定為最大超球面的中心。如果在最小超球面內有超過一個的特征向量，則超球面中心確定單元2026估計最小超球面的中心，作為最大超球面的中心。在一個實施例中，判決超球面生成單元2030進一步包括最大超球面表面積計算單元2032和判決超球面確定單元2034。最大超球面表面積計算單元2032可以計算最大超球面的表面積。判決超球面確定單元2034可以將判決超球面確定為使得該判決超球面的中心即為所計算的最大超球面的中心，且該判決超球面與最大超球面表面積計算單元2032計算出的最大超球面的表面積之比是預定值。在一個實施例中，最大超球面生成單元2010、超球面中心計算單元2020和判決超球面生成單元2030采用核函數K(·)。該核函數被選擇為針對所述特征空間中的任意歸一化特征向量z是恒定的。例如，核函數K(·)包括直方圖交叉核。圖11示出了根據本公開實施例的對象檢測裝置3000的功能框圖。對象檢測裝置3000的功能模塊可以由實現本發明原理的硬件、軟件或硬件和軟件的結合來實現。本領域技術人員可以理解的是圖11中所描述的功能模塊可以組合起來或者劃分成子模塊，從而實現上述發明的原理。因此，本文的描述可以支持對本文描述的功能模塊的任何可能的組合、或者劃分、或者更進一步的限定。對象檢測裝置3000可以包括支撐向量確定單元3010、分類器訓練單元3020和對象檢測執行單元3030。支撐向量確定單元3010可以確定一組支撐向量。在一個實施例中，支撐向量確定單元3010可以包括用于接收一個或多個樣本的樣本接收單元3012和用于基于樣本接收單元3012接收到的樣本計算所述一組支撐向量的支撐向量計算單元3014。另選地或另外地，支撐向量確定單元3010可以包括用于從其他訓練好的分類器提取支撐向量的支撐向量提取單元3016和用于基于支撐向量提取單元3016提取出的訓練好的分類器的支撐向量而選擇一組支撐向量的支撐向量選擇單元3018。分類器訓練單元3020可以基于支撐向量確定單元3010確定的一組支撐向量，利用圖4所述的分類方法來訓練分類器。對象檢測執行單元3030可以利用訓練好的分類器，從圖像或視頻中檢測對象。圖12示出了可以實施本公開實施例的計算機系統1000的硬件配置的框圖。例如，計算機系統1000可以被實現為諸如臺式計算機、平板計算機、膝上型計算機、報警設備、智能手機、游戲機等的圖像處理設備。如圖12所示，計算機系統包括計算機1110。計算機1110包括經由系統總線1121連接的處理單元1120、系統存儲器1130、固定非易失性存儲器接口1140、可移動非易失性存儲器接口1150、用戶輸入接口1160、網絡接口1170、視頻接口1190和輸出外圍接口1195。系統存儲器1130包括ROM(只讀存儲器)1131和RAM(隨機存取存儲器)1132。BIOS(基本輸入輸出系統)1133駐留在ROM1131中。操作系統1134、應用程序1135、其它程序模塊1136和某些程序數據1137駐留在RAM1132中。諸如硬盤之類的固定非易失性存儲器1141連接到固定非易失性存儲器接口1140。固定非易失性存儲器1141例如可以存儲操作系統1144、應用程序1145、其它程序模塊1146和某些程序數據1147。例如，如關于圖11所述的對象檢測裝置3000可以作為一個應用程序模塊而駐留在系統存儲器1130或固定非易失性存儲器1141中。諸如軟盤驅動器1151和CD-ROM驅動器1155之類的可移動非易失性存儲器連接到可移動非易失性存儲器接口1150。例如，軟盤1152可以被插入到軟盤驅動器1151中，以及CD(光盤)1156可以被插入到CD-ROM驅動器1155中。諸如鼠標1161和鍵盤1162之類的輸入設備被連接到用戶輸入接口1160。計算機1110可以通過網絡接口1170連接到遠程計算機1180。例如，網絡接口1170可以經由局域網1171連接到遠程計算機1180。或者，網絡接口1170可以連接到調制解調器(調制器-解調器)1172，以及調制解調器1172經由廣域網1173連接到遠程計算機1180。遠程計算機1180可以包括諸如硬盤之類的存儲器1181，其存儲遠程應用程序1185。視頻接口1190連接到監視器1191。輸出外圍接口1195連接到打印機1196和揚聲器1197。圖12所示的計算機系統僅僅是說明性的并且決不意圖對本發明、其應用或用途的任何限制。圖12所示的計算機系統可以被實施于任何實施例，可作為獨立計算機，或者也可作為設備中的處理系統，可以移除一個或更多個不必要的組件，也可以向其添加一個或更多個附加的組件。在一個示例中，計算機系統1000的用戶可以通過諸如鍵盤1162的輸入設備與計算機系統1000交互，來指定例如固定非易失性存儲器1141中存儲的一個或幾個圖像樣本作為要檢測的目標對象，并且指定要檢測的樣本范圍。然后，系統存儲器1130或固定非易失性存儲器1141中存儲的對象檢測模塊按照圖4所示的方法進行學習。接著，利用學習好的對象檢測模塊，從用戶指定的樣本范圍中檢測目標對象。最后，將樣本范圍中檢測出的目標對象呈現給用戶。圖13是示出可以實施本公開實施例的圖像拍攝設備4000的功能框圖。例如，圖像拍攝設備4000可以被實現為照相機、攝像機等。如圖13所示，圖像拍攝設備4000包括配置成拍攝圖像或視頻的光學系統4010、能夠根據圖8所示的方法操作的對象檢測裝置4020，以及配置成控制光學系統4010以聚焦于由對象檢測裝置4020檢測到的對象的控制單元4030。在一個示例中，圖像拍攝設備4000的用戶可以在圖像拍攝設備4000開機后且在進行圖像拍攝之前，指定圖像拍攝設備4000的存儲設備(未示出)中存儲的一個或幾個圖像樣本作為要追蹤的目標對象，然后根據圖4所示的方法訓練對象檢測裝置4020中包括的分類器。接下來，在圖像拍攝期間，對象檢測裝置4020可以自動搜索預覽圖像(例如，照相機的取景器中呈現的圖像)以確定其中是否包括要檢測的目標對象，如果包括的話則定位該目標對象的位置。最后，控制單元4030控制光學系統4010以聚焦于由對象檢測裝置4020檢測到的目標對象。在另一示例中，用戶對于某一目標對象的指定可以記錄在圖像拍攝設備4000的存儲設備中。可以通過許多方式來實施本發明的方法和設備。例如，可以通過軟件、硬件、固件、或其任何組合來實施本發明的方法和設備。上述的方法步驟的次序僅是說明性的，本發明的方法步驟不限于以上具體描述的次序，除非以其他方式明確說明。此外，在一些實施例中，本發明還可以被實施為記錄在記錄介質中的程序，其包括用于實現根據本發明的方法的機器可讀指令。因而，本發明還覆蓋存儲用于實現根據本發明的方法的程序的記錄介質。雖然已通過示例詳細展示了本發明的一些具體實施例，但是本領域技術人員應當理解，上述示例僅意圖是說明性的而不限制本發明的范圍。本領域技術人員應該理解，上述實施例可以被修改而不脫離本發明的范圍和實質。本發明的范圍是通過所附的權利要求限定的。