贝叶斯分类器系统及其方法
【专利摘要】提供了一种分类系统和方法，其中分类系统包括存储器装置、通信地连接到存储器装置的处理器、和通信地连接到处理器的输入部，其中输入部被配置来接收包括至少一个对象的数据，至少一个对象将被以所述对象的至少一个非布尔属性为基础分类为感兴趣对象(OOI)和兴趣冗余物(NOI)中的一个，其中所述处理器被配置为使用非线性概率函数并以所述非布尔属性为基础来分类所述对象的贝叶斯分类器。
【专利说明】贝叶斯分类器系统及其方法 相关申请的交叉引用
[0001] 本申请要求于2012年1月 5 日申请的，题为"BAYESIAN CLASSIFIER SYSTEM USING A NON-LINEAR PROBABILITY FUNCTION AND METHOD THEREOF"的美国专利申请号 13/343952 的优先权，这里通过引用将其全部包括进来。 发明领域
[0002] 本发明通常涉及一种分类器系统及其方法，尤其涉及一种使用非线性概率函数的 贝叶斯分类器系统及其方法。 发明背景
[0003] 通常，分类系统被用于分类在电子数据中的一个或多个对象。
【发明内容】
[0004] 根据本发明一个方面，分类系统包括：存储器装置；处理器，通信地连接到所述存 储器装置；以及输入部，通信地连接到所述处理器，其中所述输入部被配置来接收包括至少 一个对象的数据，该至少一个对象将被以所述对象的至少一个非布尔属性为基础分类为感 兴趣对象（001)和兴趣冗余物（Ν0Ι)中的一个，其中所述处理器被配置为使用非线性概率 函数并以所述非布尔属性为基础来分类所述对象的贝叶斯分类器。
[0005] 根据本发明另一方面，分类方法包括步骤：接收包括至少一个对象的数据，该至少 一个对象将被以所述对象的至少一个非布尔属性为基础分类为感兴趣对象（001)和兴趣 冗余物（Ν0Ι)中的一个；以所述非布尔属性的值为基础，计算所述非布尔属性发生在001中 的似然性；以所述非布尔属性的值为基础，计算所述非布尔属性发生在Ν0Ι中的似然性；确 定所述非布尔属性的所述值在针对所述001分类的阈值范围内的次数；确定所述非布尔属 性的所述值在针对所述Ν0Ι分类的阈值范围内的次数；确定针对所述001的所述似然性的 函数；确定针对所述Ν0Ι的所述似然性的函数；以及将所述001和所述Ν0Ι的函数组合以形 成概率函数。
[0006] 仍根据本发明另一方面，分类系统包括：存储器装置；处理器，通信地连接到所述 存储器装置；以及成像器，通信地连接到所述处理器，其中所述成像器被配置来成像车辆前 方的场景并且将图像数据传送给处理器，所述图像数据包括至少一个对象，该至少一个对 象将被以所述对象的至少一个非布尔属性为基础分类为感兴趣对象（001)和兴趣冗余物 (Ν0Ι)中的一个，并且所述001为迎面而来的车辆的前灯和前导车辆的尾灯中的一个，其中 所述处理器被配置为使用非线性概率函数并以所述非布尔属性为基础来分类所述对象的 贝叶斯分类器。
[0007] 通过参考下面的说明书、权利要求书以及附图，本领域的技术人员将进一步地理 解和领会本发明的这些及其他特征、优点和目的。
【专利附图】
【附图说明】
[0008] 由详细的说明书和附图将更全面地理解本发明，其中：
[0009] 图1是根据本发明一个实施例的分类器系统的方框图；
[0010] 图1A是根据本发明一个实施例的分类器系统的方框图；
[0011] 图2是根据本发明一个实施例的用于分类器生成的方法的流程图；
[0012] 图3是根据本发明一个实施例的分类过程的方法的流程图；
[0013] 图4是根据本发明一个实施例的具有决策提升的分类过程的方法的流程图；
[0014] 图5是根据本发明一个实施例的包括分类系统的车辆的示意图；
[0015] 图6是根据本发明一个实施例的包括分类系统的车辆的环境视图；
[0016] 图7是根据本发明一个实施例说明似然函数的示意图；
[0017] 图8是根据本发明一个实施例说明概率函数的示意图；以及
[0018] 图9是根据本发明一个实施例说明三阶多项式的压缩的示意图。 详细描述
[0019] 当前所示出的实施例主要在于与分类系统及其方法相关的方法步骤和设备部件 的组合。因此，装置部件和方法步骤在合适的情况下由附图中的常规符号表示，附图仅示出 与理解本发明的实施例相关的那些具体细节，从而不会由于对得益于本文描述的本领域普 通技术人员来说是显而易见的细节而模糊本发明。此外，说明书和附图中相同的附图标记 表示相同的元件。
[0020] 在本文中，比如第一和第二、顶部和底部等的相关术语仅用于区别一个实体或动 作与另一个实体或动作，而不要求或暗示这些实体或动作之间的任何这样的实际关系或顺 序。术语"包括"、"包含"或其任何其他改变，旨在覆盖非排他性包含，以使得包括一系列元 件的过程、方法、制品或设备不仅包括这些元件，而可包括对于该过程、方法、物品或设备没 有明确地列出或固有的其他元件。"包括......"后面的元件在没有更多限制的情况下，不 排除在包括该元件的过程、方法、物品或设备中还存在附加的相同元件。
[0021] 参考图1和图IA，以参考标记100 -般地不出分类系统。分类系统100包括存储 器装置102和通信地连接到存储器装置102的处理器104。分类系统100也包括通信地连 接到处理器104的输入部106,其中输入部106被配置来接收包括至少一个对象的数据，该 至少一个对象将被以对象的至少一个非布尔属性为基础分类为感兴趣对象（001)和兴趣 冗余物（Ν0Ι)。典型地，001是其中分类系统100试图确定在特定分类中对象所属于的概 率的分类，并且Ν0Ι是其他所有分类。以使用非线性概率函数的非布尔属性为基础，处理器 104被配置为贝叶斯分类器，以分类对象，如这里更详细地描述。
[0022] 为了解释的目的而不是限制，分类系统100能够被用于车辆108(图3和图4)，使 得输入部106是成像器（图1A)，其对于车辆108前方的场景成像。在这个实施例中，由分 类系统100分类的对象能够为迎面而来的车辆的前灯110 (图4)和前导车辆116的尾灯 114(图4)。在这个示例中，对象的属性能够为（但不限制）光源的亮度（例如，前灯110 的亮度）或光源的颜色（例如，尾灯114的红色）。从而，所检测光源的亮度或红色的属性 或总量能够为离散或者连续的随机变量，而不是布尔值，使得分类系统能够以使用非线性 概率函数的非布尔属性为基础分类对象。
[0023] 处理器104的输出端118能够是能用于控制车辆108的前灯系统的命令信号或其 它数据，使得当检测前灯110或尾灯114时，能够使车辆108的前灯120的远光灯无效。从 而，相对于利用布尔属性和线性概率函数的分类系统，分类系统100能够被配置来利用增 加的精确性使用所检测对象（例如，前灯110和/或尾灯114)的非布尔属性和非线性概率 函数来精确地分类所检测的对象。
[0024] 分类系统100能够被配置来分配连续或离散的值给随机变量，其能够连同其他随 机变量使用以便输出分类或决策结果。从而，分类系统1〇〇能够是以非布尔、离散或连续随 机变量训练的贝叶斯分类器。
[0025] 给出一组训练数据，其中多个属性可用于描述对象，每个属性可为连续或离散随 机变量，并且处理器能够被配置来产生一组等式以产生对象为特定分类的概率。典型地，训 练数据包括用于每个数据点的地面真相，其中地面实况包括对象的分类。能够依下列各项 计算001和Ν0Ι的先验概率：
【权利要求】
1. 一种分类系统，包括： 存储器装置； 处理器，通信地连接到所述存储器装置；以及 输入部，通信地连接到所述处理器，其中所述输入部被配置来接收包括至少一个对象 的数据，该至少一个对象将被以所述对象的至少一个非布尔属性为基础分类为感兴趣对象 (001)和兴趣冗余物（NOI)中的一个， 其中所述处理器被配置为使用非线性概率函数并以所述非布尔属性为基础来分类所 述对象的贝叶斯分类器。
2. -种分类系统，包括： 存储器装置； 处理器，通信地连接到所述存储器装置；以及 成像器，通信地连接到所述处理器，其中所述成像器被配置来成像车辆前方的场景并 且将图像数据传送给所述处理器，所述图像数据包括至少一个对象，该至少一个对象将被 以所述对象的至少一个非布尔属性为基础分类为感兴趣对象（001)和兴趣冗余物（Ν0Ι)中 的一个，并且所述001为迎面而来的车辆的前灯和前导车辆的尾灯中的一个， 其中所述处理器被配置为使用非线性概率函数并以所述非布尔属性为基础来分类所 述对象的贝叶斯分类器。
3. 权利要求1或2的分类系统，其中所述处理器进一步被配置来通过乘法运算组合多 个所述非布尔属性以产生所述对象的分类的概率。
4. 权利要求1或2的分类系统，其中所述处理器进一步被配置来以所述非布尔属性的 值为基础计算所述非布尔属性发生在001中的似然性。
5. 权利要求4的分类系统，其中所述处理器进一步被配置来以所述非布尔属性的值为 基础计算所述非布尔属性发生在Ν0Ι中的似然性。
6. 权利要求5的分类系统，其中所述处理器进一步被配置来确定所述非布尔属性的所 述值在针对所述001分类的阈值范围内的次数。
7. 权利要求6的分类系统，其中所述处理器进一步被配置来确定所述非布尔属性的所 述值在针对所述Ν0Ι分类的阈值范围内的次数。
8. 权利要求7的分类系统，其中所述处理器进一步被配置来确定针对所述001的所述 似然性的函数。
9. 权利要求8的分类系统，其中所述处理器进一步被配置来确定所述Ν0Ι的所述似然 性的函数。
10. 权利要求9的分类系统，其中所述处理器进一步被配置来将所述001函数和所述 Ν0Ι函数组合以形成概率函数。
11. 权利要求10的分类系统，其中所述处理器进一步被配置来确定哪些属性用在输出 概率等式中。
12. 权利要求1或2的分类系统，其中所述处理器进一步被配置来关于所述对象的至少 一个其他属性的概率函数，加权一个属性的所述概率函数。
13. 权利要求12的分类系统，其中所述概率函数的加权包括缩放其他属性的概率函 数。
14. 权利要求1或2的分类系统，其中所述输入部为成像器，被配置来成像车辆前方的 场景。
15. 权利要求14的分类系统，其中当确定所述对象为迎面而来的车辆的前灯时，将所 述对象分类为001。
16. 权利要求1或2的分类系统，其中所述处理器进一步被配置来使用第二分类器分类 所述对象。
17. -种分类方法，所述方法包括步骤： 接收包括至少一个对象的数据，该至少一个对象将被以所述对象的至少一个非布尔属 性为基础分类为感兴趣对象（001)和兴趣冗余物（Ν0Ι)中的一个； 以所述非布尔属性的值为基础，计算所述非布尔属性发生在001中的似然性； 以所述非布尔属性的所述值为基础，计算所述非布尔属性发生在Ν0Ι中的似然性； 确定所述非布尔属性的所述值在针对所述001分类的阈值范围内的次数； 确定所述非布尔属性的所述值在针对所述Ν0Ι分类的阈值范围内的次数； 确定针对所述001的所述似然性的函数； 确定针对所述Ν0Ι的所述似然性的函数；以及 将所述001和所述Ν0Ι的函数组合以形成概率函数。
18. 权利要求16的方法，进一步包括步骤： 确定哪些属性用在输出概率等式中。
19. 权利要求17的方法，进一步包括步骤： 关于所述对象的至少一个其他属性的概率函数，加权一个属性的所述概率函数。
20. 权利要求17的方法，其中当确定所述对象为迎面而来的车辆的前灯时，所述非布 尔属性为001。
【文档编号】B60R21/02GK104115163SQ201280069707
【公开日】2014年10月22日 申请日期:2012年12月27日 优先权日:2012年1月5日
【发明者】D·J·莱特, G·S·布什, D·M·法尔布 申请人:金泰克斯公司