用于评价图像信号处理器中实施的分类器的系统和方法与流程

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。

技术实现要素：

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

图1示出一个实施例中用于评价图像信号处理器中实施的分类器的一个示例性分类器评价系统。

图2示出一个示例性训练图像集和三个示例性分类器结果集。

图3是示出一个实施例中用于评价图像信号处理器中实施的分类器的示例性方法的流程图。

具体实施方式

图1示出用于评价图像信号处理器(ISP)180中实施的分类器181的一个示例性分类器评价系统100。分类器评价系统100包括微处理器104和存储器110。存储器110存储机器可读指令120，以及包括多个图像112(1-M)和预设的参数113的训练图像集111，其在下面描述。系统100能够发送多个图像112的每个至ISP 180。

训练图像集111被用于评价分类器181。训练图像集111可以是人脸数据库，且可以被有偿地或免费地提供属于其预设的优选分隔器位置和对应的默认的最小错误计数的信息。若分类器181经过评价过程计算与预设的优选分隔器位置和对应的默认的最小错误计数匹配的最小错误计数和关联的优选分隔器位置，则分类器可以被认为被优选地训练。默认的优选分隔器位置和对应的默认的最小错误计数的意思在下面涉及表2被讨论。

机器可读指令120被存储在存储器110的非临时部分中且是由微处理器104可执行的，以实施分类器评价系统100的功能。机器可读指令120包括图像子集选择器121、ISP控制模块122、匹配计数器123、错误计数器124、最小-最大确定器126和比较模块128。

使用领域中已知的至少一个目标类检测方法(例如，基于知识方法、特征不变方法、样板匹配方法和基于外貌方法)，分类器181检测图像112中的人脸。对于图像112的每个，分类器181执行目标分类检测方法并基于至少一个目标分类检测方法的输出，输出分类器结果182至分类器评价系统100，其接下来生成分类器181的优选性状态195。优选性状态195具有指示分类器是被充分地训练或未被充分地训练的两个值中的一个。在不脱离其范围的情况下，优选性状态195可以指示分类器181的优选性的程度。

图1还示出例如，当优选性状态195指示分类器181未被充分地训练时，用于训练分类器181以更加准确地检测人脸的训练器190。在实施例中，训练器190是分类器评价系统100的部分。

图2示出具有5个示例性图像112(1-5)的图1的训练图像集111。图像112的每个属于或不属于目标类人脸(此后，―目标类”)，即，图像112的每个包括人脸或不包括人脸。具体地，因为图像112(1)、112(3)和112(4)包括人脸，其属于目标类，然而因为图像112(2)和图像112(5)不包括人脸，其不属于目标类。训练图像集111的属于目标类的图像的总数目是3，然而训练图像集111的不属于目标类的图像的总数目是2。

以下，应用下列符号：训练集中图像的数目被表示为N。训练集中属于目标类的图像的数目被表示为N₁。训练集中不属于目标类的图像的数目被表示为N₀，使得N₀+N₁＝N。对于训练图像集111，N＝5，N₁＝3且N₀＝2。

图2示出表示训练图像集111的图像112的不同子集的分隔器位置261-265。如图2中所示，分隔器位置261对应包含图像112(1)的图像子集271；分隔器位置262对应图像子集272；分隔器位置263对应图像子集273；分隔器位置264对应图像子集274；分隔器位置265对应图像子集275；且分隔器位置260对应空子集，即不包含图像的一个子集。见表1。

表1

训练图像集111可以包括数千的人脸和非人脸的图像；然而，为了说明的清楚，图2的示例仅示出5个图像。为评价分类器181，系统100确定对于训练图像集111的最小错误计数和关联的优选分隔器位置，并将这些计算的结果和对于训练图像集111的默认的最小错误计数(等于1)与关联的预设的优选分隔器位置(分隔器位置264)相比较。

表2示出定义预设的最小错误计数和对应的预设的优选分隔器位置的图2的训练图像集111的示例性预设的分类。在表2中，列(c4)示出训练图像集111中112(1-5)属于目标类的图像的数目，其是3。对于分隔器位置的每个，列(c5)指示子集中不属于目标类的图像的数目，即，非人脸图像的数目。对于分隔器位置的每个，列(c6)指示子集中属于目标类的图像的数目，即，是人脸的图像的数目。对于分隔器位置的每个，列(c7)指示错误计数为从列(c4)和(c5)中的数量的总和中减去列(c6)中的数量。即，错误计数＝(c4)+(c5)-(c6)。

列(c7)的检查显示分隔器位置264对应最小错误计数。因此，对于训练图像集111，分隔器位置264是默认的优选分隔器位置。参考图1，预设的最小错误计数(等于1)和关联的预设的优选分隔器位置264是默认的参数113的示例。

表2

图3是用于评价图像信号处理器中实施的以识别接收的电子图像信号中目标类的分类器的一个示例性方法300的流程图。例如，方法300是在图1的分类器评价系统100的指令120中实施的。

在步骤310中，方法300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。在步骤310的示例中，基于训练图像集111中的分隔器位置261，分类器评价系统100的图像子集选择器121选择图像子集271。此示例可以是对应分隔器位置261的步骤310的第一迭代，其中，在下面讨论的步骤350中执行的随后的迭代中，基于分隔器位置261-265中的一个，图像子集选择器121选择图像子集。

在步骤320中，方法300控制ISP将子集中图像的每个分类为属于或不属于目标类。在步骤320的示例中，ISP控制模块122控制ISP 180(图1)的分类器181将图像子集271的图像112(1)分类为属于目标图像，并存储此结果为分类器结果集242的分类器结果182(11)。

在结合示例步骤350(其对于图像子集272-275，重复步骤320)的步骤320的此示例中，分类器181输出分类器结果182(11-15)。每个分类器结果182(11-15)分别是图像112(1-5)的正确的分类，如图2中所示。例如，分类器结果182(11)是―人脸”且图像112(1)包括人脸。分类器结果182(11-15)的每个是正确的，指示分类器181被充分地训练。实际上，仅在由训练器190的几个回合的训练后，分类器181将常常产生分类器结果182(11-15)。在这些训练回合之间，可以由系统100实施方法300评价分类器181，且分类器181可以产生不准确的分类器结果，例如分类器结果182(5)和182(6)。

在步骤330中，方法300确定等于图像子集中在步骤320被分类为属于目标类的图像的总数目的正匹配计数。在步骤330的示例中，分类器评价系统100的匹配计数器123确定等于图像子集271中被分类为属于目标类的图像的总数目(N₁)的正分配计数141(1)。正匹配计数141(1)被存储至分类器评价系统100的存储器110中。对于图像子集271，因为分类器结果182(1)是―人脸”，正匹配计数141(1)是N₁＝1。若步骤320中ISP 180分类图像112(1)为非人脸(例如，通过输出分类器结果182(6))，正匹配计数141(1)将是N₁＝0。注意，正匹配计数141独立于分类器结果182(11-15)的正确性。

步骤332是可选的。若包括，在步骤332中，方法300确定等于图像子集中被分类为不属于目标类的图像的总数目(N₀)的负匹配计数。在步骤332的示例中，分类器评价系统100的匹配计数器123确定等于图像子集271中被分类为不属于目标类的图像的总数目(N₀)的负匹配计数142(1)。对于图像子集271，负匹配计数142(1)等于0。注意，负匹配计数142独立于分类器结果182(11-15)的正确性。注意，负匹配计数142可以从正匹配计数141直接计算：N₁＝N-N₀。正匹配计数141和负匹配计数142的确定可以在单个步骤中被执行。

在实施例中，步骤330包括将正匹配计数和负匹配计数中的至少一个写入存储器的步骤。例如，微处理器104执行指令120以将正匹配计数141(1)和负匹配计数142(1)写入存储器110。

在步骤340中，基于(i)训练图像集中属于目标分类的图像的总数目(N₁)和(ii)正匹配计数，方法300确定错误计数。在步骤340的示例中，基于(i)训练图像集111的属于目标类的图像的总数目(N₁＝2)和(ii)正匹配计数141(1)(对于训练图像集111指定的分类器结果182(1)，其等于1)，分类器评价系统100的错误计数器124确定错误计数143(1)。

步骤340可以包括可选的步骤342。若包括，在步骤342中，方法300确定错误计数为成比例于从(a)正匹配计数和(b)训练图像集中属于目标分类的图像的总数目(N₁)的总和中减去负匹配计数。在步骤324的示例中，分类器评价系统100的错误计数器124确定对应图像子集271的错误计数143(1)为从负匹配计数142(1)(等于0)和训练图像集111中属于目标类的图像的总数目(N₁＝2)的总和中减去正匹配计数141(1)(等于1)，以产生等于1的错误计数。

在实施例中，步骤340包括将错误计数写入存储器的步骤。例如，微处理器104执行指令120以将错误计数143(1)写入存储器110。

在步骤350中，对于训练图像集中的多个其它分隔器位置，方法300重复步骤310、320、330和340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。在步骤350的示例中，对于分隔器位置262-265(和对应的图像子集272-275)的至少两个，微处理器104执行指令120以重复步骤310、320、330、332、340和342。在此第一示例中，对于分隔器位置262-265的每个，微处理器104执行指令120以重复步骤310、320、330、332、340和342。此步骤350的第一示例提供在表4和5中示出的正匹配计数、负匹配计数和错误计数。

表3示出对应关联于各自的图像子集271-275的分隔器位置261-265的正匹配计数141、负匹配计数142和错误计数143的值。表3包括被标注(c1)-(c8)的8个列。当被重复为步骤330的部分时，分类器评价系统100(图1)可以将列(c5)的负匹配计数和列(c6)的正匹配计数写入存储器110，分别为负匹配计数142(2-5)和正匹配计数141(2-5)。正匹配计数141(2-5)被存储在分类器评价系统100的存储器110中。负匹配计数142(2-5)可以被存储在分类器评价系统100的存储器110中。

列(c7)的行的每个示出对应列(c2)中表示的图像子集的错误计数。对于指定的行，每个错误计数被计算为从负匹配计数和训练图像集中属于目标类的图像的数目(N₁)的总和中减去正匹配计数。根据列标注被表示为(c7)＝(c4)+(c5)-(c6)。

在步骤350的第一示例中，对于分隔器位置262-265，当重复步骤340时，微处理器104执行指令120以将错误计数143(2-5)写入存储器110。还在步骤350的此示例中，分类器评价系统100的最小-最大确定器126识别对应错误计数143中的最小错误计数值的优选分隔器位置。表3的检查显示分隔器位置264具有最小的错误计数。分隔器位置264还是默认的优选分隔器位置(表2)，其是被预期的，因为在此示例步骤350中由与全部正确的分类器结果集242关联的错误计数产生。因此，表3的信息和计算等同于表2中的那些。

在不脱离其范围的情况下，训练图像集111可以具有多于一个的优选分隔器位置。例如，若图像112(4)不是人脸，分隔器位置261和263将各自具有等于最小错误计数(等于1)的错误计数。

列(c7)还可以包括对应空图像子集的错误计数。在此情况中，正和负匹配计数都等于0，使得错误计数等于训练集中属于目标类的图像的数目。在实施例中，由于N₀和N₁是先验已知的，分类器181不必须分类图像112的任一个以计算此错误计数。

表3

在步骤340中，错误计数还可以被计算，或可选地被计算，以找到对应最大错误计数的分隔器位置，如表4中所示。表4在两个方面不同于表3。第一，列(c4)表示训练图像集中不在目标类的图像的数目。第二，错误计数被计算为从列(c4)和正匹配计数(列c6)的总和中减去负匹配计数(c5)。由于表4的错误计数的每个是表3中其对应的错误计数的补码，表3和表4的错误计数提供关于分类器181的相同的信息——其总和等于训练图像集111中图像的数目(N＝5)。表4的检查显示分隔器位置264具有最大错误计数，且因此对应于从表3的错误计数中确定的相同的优选分隔器位置。

表4

表4的列(c8)和表5示出，当执行方法300的步骤340时，分类器评价系统100的分类器181产生错误计数需要的分类器操作的数目。在步骤350的第一示例中，对于图像子集272-275，错误计数需要分类器181执行对于以前的子集计算错误计数时已经执行的分类器操作。例如，即使计算对应图像子集271的错误计数时分类器181已经生成分类器结果182(11)，对应图像子集272的错误计数需要分类器181生成分类器结果182(11)和182(12)。

为纠正此冗余，例如，当分隔器位置表示单个成员图像子集(例如，在表4中示出的图像子集271和单个成员图像子集282-285)时，步骤340可以包括可选的步骤344。若包括，在步骤344中，对于第M个子集(M>1)，方法300确定错误计数为累积错误计数，其部分基于对于对应分隔器整数(M-1)的子集确定的一个以前确定的正匹配计数和一个以前确定的负匹配计数。在步骤344的示例中，图像子集282-285分别对应具有2-5的M值的子集，且部分基于对于图像子集271确定的错误计数，分类器评价系统100确定对于单个成员图像子集282的错误计数为累积错误计数153(2)。

表5

在步骤350的第二示例中，对于分隔器位置262-265(和对应的图像子集282-285)，系统100重复步骤310、320、330、332和340，其中步骤340包括342和344。此步骤350的第二示例提供表6和7中示出的正匹配计数、负匹配计数和错误计数。

表6示出对应关联于各自的图像子集271-275的分隔器位置261-265的正匹配计数141、负匹配计数142和错误计数143的值，如表6中所示出。表6包括被标注(c1)-(c10)的10个列。当被重复作为步骤330的部分时，分类器评价系统100可以将(c7)的累积负匹配计数和列(c8)的累积正匹配计数写入存储器110，分别为累积负匹配计数152(2-5)和累积正匹配计数151(2-5)。在表6和7中，对应图像子集271的匹配计数和错误计数不是累积的。

列(c10)的每个行示出对应列(c2)中表示的图像子集的错误计数。对于指定的行，错误计数的每个被计算为从负匹配计数和训练图像集中属于目标类的图像的数目(人脸的数目)的总和中减去正匹配计数。用列标注表示，(c9)＝(c6)+(c7)-(c8)。

表6

表6的检查显示分隔器位置264具有最小的错误计数，且因此对应优选分隔器位置。注意，表6的列(c9)的错误计数等于表3的列(c7)的错误计数。

错误计数还可以被计算以找到对应最大错误计数的分隔器位置，如表7中所示。表7在两个方面不同于表6。第一，列(c6)表示训练图像集中不在目标类中图像的数目。第二，错误计数被计算为从列(c6)和正匹配计数(列(c8))的总和中减去累积负匹配计数(c7)。由于表7的每个错误计数是表6中其对应的的错误计数的补码，表6和表7的错误计数提供关于分类器181的相同的信息——其总和等于训练图像集111中图像的数目(5)。

表7的检查显示分隔器位置264具有最大错误计数，且因此对应优选分隔器位置。注意，表7的列(c9)的错误计数等于表4的列(c7)的错误计数。

表7

在不脱离其范围的情况下，表4-7的任何匹配计数或者错误计数可以被表示为通过匹配计数或错误计数除以训练图像集111中训练图像的数目的匹配率或错误率。在不脱离其范围的情况下，训练图像集可以包括对应最小错误计数的多于一个的分隔器位置。例如，训练图像集111(其中训练图像112(4)是非人脸)将具有对应最小错误计数的两个分隔器位置(261和263)。

回想步骤350的第一示例和步骤350的第二示例之间的差异是，后者步骤包括方法300的步骤344。比较步骤350的第一示例的输出(表4和5)和步骤350的第二示例的输出(表6和7)，示出关联于包括步骤344的改进的计算效率。表4的列(c8)和表5的检查显示对于训练图像集111(N＝5个图像)，使用步骤340和342(不是344)生成对于分隔器位置260-265的每个的错误计数，需要由分类器181的分类操作通常，对于具有N个图像的训练图像集，利用步骤340和342(不是344)的方法300需要由分类器181的分类操作生成表6和7的错误计数(由包括步骤344的步骤340产生)，需要仅仅5个分类操作，其推广至训练图像集111中图像的数目，C_min＝N。对于具有大的N(例如，N>1000)的训练图像集，与具有C_min∝N^α,α＞1的方法和执行此方法的系统相比，具有C_min∝N的分类器评价方法和执行此方法的系统提供大的速度优势。

在步骤360中，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，方法300确定分类器的优选性。

在步骤360的示例中，分类器评价系统100的比较模块128比较对于训练图像集111的优选分隔器位置(步骤350中确定为分隔器位置264(基于分类器结果182(11-15))和对应关联于训练图像集111的默认的最小错误计数的预设的优选分隔器位置，确定分类器181的优选性状态195。如在表1和2中示出的分隔器位置的讨论中所注意的，分隔器位置264还对应默认的优选分隔器位置，其指示关于对应的图像112(1-5)，每个分类器结果182(11-15)是正确的。在此示例中，分类器评价系统100确定和输出具有指示分类器181被优选地训练的值的优选性状态195。

若分类器结果182不是每个都准确的，步骤350中确定的优选分隔器位置不保证匹配默认的优选分隔器位置。例如，表8示出对应包括分类器结果182(1-5)的分类器结果集222(如图2中所示)的错误计数。分类器结果182(1-4)是正确的，然而分类器结果182(5)不正确地将图像112(5)分类为人脸。由此错误的分类产生的优选分隔器位置是分隔器位置265，其不匹配对于训练图像集111默认的(且正确的)分隔器位置264。在这样的情况中，对于分类器结果集222，分类器评价系统100确定并输出具有指示分类器181没有被优选地训练的值的优选性状态195。

表8

表9示出对应包括分类器结果182(6-10)的分类器结果集232(如图2中所示)的错误计数。分类器结果182(7-11)是正确的，然而分类器结果182(6)不正确地分类图像112(1)为非人脸。由此错误的分类产生的优选分隔器位置是分隔器位置264，其不匹配对于训练图像集111默认的(且正确的)优选分隔器位置。然而，最小累积错误计数是2，其不匹配为1的正确的最小错误计数，如表4和5中所计算。在这样的情况中，对于分类器结果集232，分类器评价系统100确定并输出具有指示分类器181没有被优选地训练的值的优选性状态195。

表9

在不脱离其范围的情况下，上述的和下面所请求的特征可以以各种方式进行组合。以下示例仅示出一些可能的、非限制性的组合：

(A1)一种用于评价ISP中实施的分类器的系统，可以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将子集中的图像的每个分类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。

(A2)在如(A1)表示的系统中，机器可读指令可以进一步能够：(i)确定等于图像子集中被分类为不属于目标类的图像的总数目的负匹配计数；(ii)确定错误计数为成比例于从(a)负匹配计数和(b)训练图像集的属于目标类的图像的总数目的总和中减去正匹配计数。

(A3)在如(A1)和(A2)的一个表示的系统的任一个中，训练图像集可以包括能够被索引为1、2……N的总共N个图像，分隔器位置被表示为1和N+1以内的分隔器整数M，机器可读指令进一步能够选择图像的第M个子集以至少包括第M个图像。

(A4)在如(A3)表示的系统的任一个中，机器可读指令可以进一步包括当其由微处理器执行时，能够选择图像的第M个子集以包括前M个图像的机器可读指令。

(A5)在如(A3)和(A4)的一个表示的系统的任一个中，机器可读指令可以进一步能够：(i)选择图像的第M个子集以仅包括第M个图像，以及(ii)对于第M个子集(其中，M>1)，部分基于对于对应分隔器整数(M-1)的子集的一个先前确定的正匹配计数和一个先前确定的负匹配计数，确定错误计数为累积错误计数。

(A6)在如(A1)到(A5)的一个表示的系统的任一个中，由分类器执行以确定最小错误计数和最大错误计数中的至少一个的分类器操作的总数目可以是训练集中图像的总数目的线性函数。

(A7)在如(A1)到(A6)的一个表示的系统的任一个中，由分类器执行以确定最小错误计数和最大错误计数的至少一个的分类器操作的总数目可以等于训练集中图像的总数目。

(A8)在如(A1)到(A7)的一个表示的系统的任一个中，多个其它分隔器位置是每个其它可能的分隔器位置。

(B1)公开一种用于评价图像信号处理器(ISP)中实施的用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，选择训练图像集中的图像的子集，(ii)控制ISP将子集中图像的每个分类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，(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。

(B2)如(B1)的一个表示的方法可以进一步包括步骤：(i)确定等于图像子集中被分类为不属于目标类的图像的总数目的负匹配计数，以及(ii)确定错误计数为成比例于从(a)正匹配计数和(b)训练图像集中属于目标类的图像的总数目的总和中减去负匹配计数。

(B3)在如(B1)和(B2)的一个表示的方法的任一个中，训练图像集可以包括能够被索引为1、2……N的总共N个图像，分隔器位置可以由在1和N+1以内的分隔器整数M表示，选择的步骤可以进一步包括：选择图像的第M个子集以至少包括第M个图像。

(B4)在如(B3)表示的方法的任一个中，选择的步骤可以进一步包括选择图像的第M个子集以包括前M个图像。

(B5)如(B3)表示的方法的任一个中，选择的步骤可以进一步包括选择图像的第M个子集以仅包括第M个图像，且确定错误计数的步骤可以进一步包括，对于第M个子集(其中，M>1)，部分基于对于对应分隔器整数(M-1)的子集确定的一个先前确定的正匹配计数和一个先前确定的负匹配计数，确定错误计数为累积错误计数。

(B6)在如(B1)到(B5)的一个表示的方法的任一个中，选择的步骤可以进一步包括选择图像的子集使得由分类器执行以确定最小错误计数和最大错误计数中的至少一个的分类器操作的总数目是训练集中图像的总数目的线性函数。

(B7)在如(B1)到(B6)的一个表示的方法的任一个中，选择的步骤可以进一步包括选择图像的子集使得由分类器执行以确定最小错误计数和最大错误计数的至少一个的分类器操作的总数目等于训练集中图像的总数目。

(B8)在如(B1)到(B7)表示的方法的任一个中，在重复的步骤中，多个其它分隔器位置是每个其它可能的分隔器位置。

在不脱离其范围的情况下，可以对上述系统和方法做出改变。因此，应该注意的是，在上述描述中包含的或在附图中示出的方式，应该被理解为说明性的且不具有限制意义。所附权利要求旨在覆盖在此描述的所有通用和特定特征，以及本方法和本系统的范围的在语言上的所有声明应被认为落入其间。