专利名称：学习设备、学习方法和程序的制作方法
技术领域：
本发明涉及一种学习设备，学习方法和程序，更具体地说，涉及一种适合于在训练 鉴别器的情况下使用的学习设备、学习方法和程序，所述鉴别器用于根据少量的学习图像， 鉴别在图像中是否存在预定的鉴别目标。
背景技术：
在现有技术中，提出了一种图像分类方法，用于把多个图像分成与图像的被摄主 题对应的类别，并生成包括每个类别的分类图像的图像聚类。例如，在这种图像分类方法中，利用鉴别在图像中是否存在预定鉴别目标(例如， 人脸)的鉴别器，鉴别在多个图像中的每个图像中是否存在预定鉴别目标。此外，根据鉴别结果，多个图像分别被分类到其中在图像中存在预定鉴别目标的 类别中，或者被分类到其中在图像中不存在预定鉴别目标的类别中，随后对于每个分类类 别生成图像聚类。这里，在产生(训练)鉴别器，以供现有技术中的图像分类方法之用的情况下，需 要附加有指示在图像中是否存在预定鉴别目标的正解标签的大量学习图像，和根据所述大 量学习图像，生成鉴别器的极大运算。从而，尽管对企业和研究机构来说，准备能够处理大量学习图像，并且执行生成上 述鉴别器所必需的极大运算的计算机是相对容易的，不过对个人来说，准备这样的计算机 是非常困难的。因此，个人很难生成用于生成每个个人的所需图像聚类的鉴别器。此外，提出一种搜索方法，用于利用鉴别存在于图像中的预定鉴别目标的鉴别器， 在多个图像之中搜索图像中存在预定鉴别目标的图像(例如，参见未经审查的日本专利申 请公开 No. 2008-276775)。在这种搜索方法中，用户在多个图像之中，指定图像中存在预定鉴别目标的正图 像，和图像中不存在预定鉴别目标的负图像。此外，通过利用用户指定的正图像和负图像作 为学习图像，生成鉴别器。此外，在这种搜索方法中，利用生成的鉴别器，从多个图像中搜索图像中存在预定 鉴别目标的图像。在这种搜索方法中，通过快速缩小解空间，快速生成鉴别器，从而能够更快速地搜 索希望的图像。这里，为了生成高精度地鉴别预定鉴别目标的鉴别器，应提供大量的各种正图像 (例如，其中以各种角度拍摄预定鉴别目标的正图像)。不过，在上述搜索方法中，由于用户逐张指定学习图像，因此与用于生成现有技术 中的图像分类方法中的鉴别器的学习图像的数目相比，学习图像的数目很小。结果，在学习 图像之中，正图像的数目也很小。利用数目很小的正图像的鉴别器的学习容易引起过度学习(过度拟合)，从而降低鉴别器的鉴别精度。此外，尽管学习图像的数目较小，不过在通过词袋(bag-of-words)，学习图像中 的多个特征的组合等，把指示学习图像的特征的图像特征量表示成具有数百维到数千维的 向量，并且通过利用所述向量作为学习图像，生成鉴别器的情况下，预期由于高维向量的缘 故，易于发生过度学习。另外，提出一种在生成鉴别器的情况下，利用装袋来增强鉴别器的泛化的方法 (例如，参见 Leo Breiman, Bagging Predictors，MachineLearning, 1996，123-140)。然而，即使在利用装袋的方法中，尽管学习图像的数目较小，不过在使用表示成具 有数百维到数千维的向量的学习图像的图像特征量的情况下，预期也会发生过度学习。
发明内容
如上所述，在利用少量的学习图像生成鉴别器的情况下，当使用表示成具有数百 维到数千维的向量的图像特征量作为学习图像的图像特征量时，会发生过度学习，从而使 得难以生成具有高鉴别精度的鉴别器。因此，理想的是提供一种在利用少量的学习图像进行学习时，能够抑制过度学习， 从而训练具有高鉴别精度的鉴别器的技术。按照本发明的一个实施例，提供一种学习设备，所述学习设备包括学习装置，所述 学习装置按照由用户从多个样本图像中指定的，用于训练鉴别在图像中是否存在预定鉴别 目标的鉴别器的学习图像，利用包括从包含在指示学习图像的特征的图像特征量中的多个 维特征量中，随机选择的维特征量的随机特征量，训练所述鉴别器，和使计算机起所述学习 装置作用的程序。学习装置可通过间隔最大化学习，训练所述鉴别器，所述间隔最大化学习使随机 特征量所存在的特征空间中的间隔达到最大，所述间隔表示用于鉴别在图像中是否存在预 定鉴别目标的分离超平面和包括在随机特征量中的维特征量之中的，存在于分离超平面附 近的维特征量之间的距离。学习装置可包括图像特征量提取装置，用于从学习图像中提取表示学习图像的 特征，并被表示成具有多维的向量的图像特征量；随机特征量生成装置，用于随机选择作为 图像特征量的相应维的元素的所述多个维特征量中的一些维特征量，并生成包括所选维特 征量的随机特征量；和鉴别器生成装置，用于利用随机特征量，通过间隔最大化学习，生成 鉴别器。鉴别器可根据用于确定在鉴别目标图像中是否存在预定鉴别目标的多个弱鉴别 器的确定结果，输出最终的确定结果，随机特征量生成装置可关于所述多个弱鉴别器中的 每个弱鉴别器，生成用于生成该弱鉴别器的随机特征量，鉴别器生成装置可根据关于所述 多个弱鉴别器中的每个弱鉴别器生成的随机特征量，生成所述多个弱鉴别器。鉴别器生成装置还可根据随机特征量，生成指示弱鉴别器的判定的可靠性程度的 置信度。鉴别器生成装置可根据所述多个弱鉴别器和置信度，生成输出鉴别确定值的鉴别 器，所述鉴别确定值表示作为从所述多个弱鉴别器中的每个弱鉴别器输出的确定结果的确 定值，和所述置信度之间的乘积和运算结果，鉴别装置可根据从鉴别器输出的鉴别确定值，鉴别在鉴别目标图像中是否存在预定鉴别目标。每当用户指定学习图像时，随机特征量生成装置可生成不同的随机特征量。学习图像可包括在图像中存在预定鉴别目标的正图像，和在图像中不存在预定鉴 别目标的负图像，学习装置还可包括增加伪负图像作为学习图像的负图像增加装置。学习装置还可包括当在鉴别器生成装置生成鉴别器之后，预定条件被满足时，增 加伪正图像作为学习图像的正图像增加装置，鉴别器生成装置可根据被增加伪正图像的学 习图像的随机特征量，生成鉴别器。在正图像和伪正图像的总数小于负图像和伪负图像的总数的条件被满足的情况 下，正图像增加装置增加伪正图像作为学习图像。学习装置可利用SVM(支持向量机)作为间隔最大化学习，进行学习。学习设备还可包括鉴别在鉴别目标图像中是否存在预定鉴别目标的鉴别装置，在 用户按照鉴别装置的鉴别处理，重新指定学习图像的情况下，学习装置可以利用指定的学 习图像，重复进行鉴别器的学习。在用户按照鉴别装置的鉴别处理，指令生成包括在图像中存在预定鉴别目标的鉴 别目标图像的图像聚类的情况下，鉴别装置可根据由学习装置生成的最新鉴别器，用多个 鉴别目标图像生成图像聚类。按照本发明的一个实施例，提供一种学习设备中的学习方法，所述学习方法训练 用于鉴别在图像中是否存在预定鉴别目标的鉴别器。这里，所述学习设备包括学习装置，所 述方法包括下述步骤按照由用户从多个样本图像中指定的，用于训练鉴别在图像中是否 存在预定鉴别目标的鉴别器的学习图像，用学习装置利用包括从包含在指示学习图像的特 征的图像特征量中的多个维特征量中，随机选择的维特征量的随机特征量，训练所述鉴别
ο按照本发明的实施例，按照由用户从多个样本图像中指定的，用于训练鉴别在图 像中是否存在预定鉴别目标的鉴别器的学习图像，利用包括从包含在指示学习图像的特征 的图像特征量中的多个维特征量中，随机选择的维特征量的随机特征量，训练所述鉴别器。按照本发明的实施例，在利用数目较少的学习图像进行学习时，能够抑制过度学 习，从而训练具有高鉴别精度的鉴别器。
图1是图解说明按照本发明的一个实施例的图像分类设备的结构例子的方框图；图2是图解说明由图像分类设备执行的图像分类处理的概况的示图；图3是图解说明随机标弓丨的示图；图4是图解说明弱鉴别器的生成的示图；图5是图解说明交叉验证的示图；图6是图解说明由图像分类设备执行的图像分类处理的流程图；图7是图解说明由学习部分执行的学习处理的流程图；图8是图解说明由鉴别部分执行的鉴别处理的流程图；图9是图解说明由学习部分执行的反馈学习处理的流程图；图10是图解说明计算机的结构例子的方框图。
具体实施例方式下面，说明实现本发明的优选例证实施例。将按照下述顺序进行说明1.实施例(在利用学习图像的随机特征量，生成鉴别器的情况下的例子)2.改进例1.实施例[图像分类设备1的结构例子]图1是图解说明按照本发明的一个实施例的图像分类设备1的结构例子的示图。图像分类设备1鉴别在保存(保留)在图像分类设备1中的多个图像之中的每个 图像中，是否存在预定鉴别目标(例如，图2中所示的手表等)。此外，图像分类设备1根据鉴别结果，把多个图像分成其中存在预定鉴别目标的 类别，和其中不存在预定鉴别目标的类别，并生成和保存包括分类到其中存在预定鉴别目 标的类别中的图像的图像聚类。图像分类设备1包括操作部分21，控制部分22，图像存储部分23，显示控制部分 对，显示部分25，学习部分沈和鉴别部分27。例如，操作部分21包括由用户操作的操作按钮等，随后把与用户的操作相应的操 作信号提供给控制部分22。控制部分22按照来自操作部分21的操作信号，控制显示控制部分24，学习部分 26，鉴别部分27等。图像存储部分23包括保存图像的多个图像数据库。显示控制部分M在控制部分22的控制下，从在构成图像存储部分23的多个图像 数据库之中，按照用户的选择操作选择的图像数据库中，读取多个样本图像，随后把读出的 样本图像提供给显示部分25，以便显示。这里，样本图像是为允许用户指定正图像和负图像而显示的图像，所述正图像指 示在图像中存在预定鉴别目标的图像(例如，在图像上存在作为被摄主题的手表的图像)， 所述负图像指示在图像中不存在预定鉴别目标的图像(例如，在图像上不存在作为被摄主 题的手表的图像)。显示控制部分M把与用户的指定操作对应的正解标签附加到显示在显示部分25 上的多个样本图像之中，按照用户的指定操作指定的样本图像上。此外，显示控制部分M 把附加有正解标签的样本图像作为学习图像提供给学习部分26。这里，正解标签指示样本图像是正图像还是负图像，包括指示样本图像是正图像 的正标签，和指示样本图像是负图像的负标签。S卩，显示控制部分M把正标签附加到由用户的指定操作指定为正图像的样本图 像上，和把负标签附加到由用户的指定操作指定为负图像的样本图像上。此外，显示控制部 分M把附加有正标签或负标签的样本图像作为学习图像提供给学习部分26。此外，显示控制部分M把作为来自鉴别部分27的鉴别结果，鉴别的其中存在预定 鉴别目标的图像提供给显示部分25，以便显示。显示部分25显示来自显示控制部分M的样本图像，鉴别结果等等。学习部分沈根据来自显示控制部分M的学习图像，执行生成用于鉴别在图像中是否存在预定鉴别目标(例如，图2中所示的手表)的鉴别器的学习处理，并把作为结果获 得的鉴别器提供给鉴别部分27。学习部分沈执行的学习处理的细节将在后面参考图3-5，及图7中的流程图进行 说明。鉴别部分27利用来自学习部分沈的鉴别器，执行鉴别处理，所述鉴别处理鉴别在 保存在图像存储部分23据有的，依据用户的选择操作选择的图像数据库中的图像(这里， 把学习图像排除在外)中，是否存在预定鉴别目标。此外，鉴别部分27把在鉴别处理中鉴别的，在图像中存在预定鉴别目标的图像作 为鉴别结果提供给显示控制部分对。由鉴别部分27执行的鉴别处理的细节将在后面参考 图8中的流程图进行说明。[图像分类设备1执行的图像分类处理的概况]图2图解说明由图像分类设备1执行的图像分类处理的概况。在步骤Si，显示控制部分对从在构成图像存储部分23的多个图像数据库之中，依 据用户的选择操作选择的图像数据库(下面称为“所选图像数据库”)中，读取多个样本图 像，随后把读出的样本图像提供给显示部分25，以便显示。这种情况下，用户利用操作部分21，执行从显示在显示部分25上的多个样本图 像中，指定正图像或负图像的指定操作。即，例如，用户执行把图像中存在手表的样本图像 指定为正图像，或者把图像中存在除手表外的被摄主题的样本图像指定为负图像的指定操 作。在步骤S2，显示控制部分M把正标签附加到被指定为正图像的样本图像上。相 反，显示控制部分M把负标签附加到被指定为负图像的样本图像上。此外，显示控制部分 M把附加了正标签或负标签的样本图像，作为学习图像提供给学习部分26。在步骤S3，学习部分沈利用来自显示控制部分M的学习图像，执行生成用于鉴别 在图像中是否存在预定鉴别目标(图2中所示例子中的手表)的鉴别器的学习处理，随后 把作为结果获得的鉴别器提供给鉴别部分27。鉴别部分27从图像存储部分23中，读出保存在图像存储部分23的所选图像数据 库中的多个图像之中，除学习图像之外的一些图像(未附加正标签或负标签的图像)，作为 鉴别目标图像，所述鉴别目标图像是鉴别处理的目标。此外，通过利用读出的一些鉴别目标图像作为各个目标，鉴别部分27利用来自学 习部分沈的鉴别器，执行鉴别在图像中是否存在预定鉴别目标的鉴别处理。鉴别部分27把在鉴别处理中鉴别的，在图像中存在预定鉴别目标的鉴别目标图 像作为鉴别结果提供给显示控制部分对。在步骤S4，显示控制部分M把作为鉴别结果，来自鉴别部分27的鉴别目标图像提 供给显示部分25，以便显示。在参考显示在显示部分25上的鉴别结果，用户不满意借助于鉴别器的图像分类 的精度的情况下(例如，如图2中所示，在包含作为被摄主题的熊猫的图像被包括在鉴别结 果中的情况下)，用户通过操作部分21执行指令生成新的鉴别器的指令操作。当执行指令 操作时，程序从步骤S4进入步骤S5。在步骤S5，显示控制部分M按照用户的指令操作，从图像数据库中读出多个新的样本图像，所述多个新的样本图像不同于在先前的步骤S2的处理中显示的多个样本图像， 随后把读取的新的样本图像提供给显示部分25，以便显示。随后，程序返回步骤S2，之后执 行相同的处理。此外，在参考显示在显示部分25上的鉴别结果，用户满意借助于鉴别器的图像分 类的精度的情况下(例如，在只有包含作为被摄主题的手表的图像被包括在鉴别结果中的 情况下)，用户利用操作部分21，执行指令借助于鉴别器生成图像聚类的指令操作。按照该指令操作，程序从步骤S4进入步骤S6。在步骤S6，鉴别部分27利用在先 前的步骤S3的处理中生成的鉴别器，鉴别在保存在所选图像数据库中的多个图像中，是否 存在预定鉴别目标。此外，鉴别部分27根据鉴别结果，生成由在图像中存在预定鉴别目标的多个图像 形成的图像聚类，并把图像聚类提供给图像存储部分23，以便保存。随后，结束图像分类处理。[学习部分沈执行的学习处理]下面参考图3-5，说明由学习部分沈执行的学习处理。学习部分沈执行根据来自显示控制部分M的学习图像，生成鉴别器的学习处理。鉴别器包括鉴别在图像中是否存在预定鉴别目标的多个弱鉴别器，并根据借助于 所述多个弱鉴别器的鉴别结果，确定最终鉴别结果。因此，由于在学习处理中，鉴别器的生成和多个弱鉴别器的生成是等价的，因此下 面将说明多个弱鉴别器的生成。学习部分沈从由显示控制部分M供给的学习图像中，提取表示学习图像的特征 并被表示成多维向量的图像特征量。此外，学习部分沈根据提取的图像特征量，生成多个弱鉴别器。不过，在用数量较 少的学习图像进行鉴别器的生成的情况下，学习图像的图像特征量的维数较大(构成作为 图像特征量的向量的元素的数目较大)，从而引起过度学习(过度拟合)。从而，为了抑制过度学习，学习部分沈按照学习图像的数目，执行限制用于学习 的图像特征量的维数的随机标引(randomindexing)。[随机标引]下面，图3是图解说明由学习部分沈执行的随机标引的示图。图3图解说明用于生成多个弱鉴别器41-1 41-M的随机特征量的例子。在图3中，作为用于多个弱鉴别器41-1 41-M中的每个弱鉴别器的图像特征量， 显示了用M维向量表示的图像特征量。因此，在图3中，图像特征量是用M个维特征量(元素)构成的。学习部分沈生成指示构成图像特征量的多个维特征量之中，用于生成每个弱鉴 别器41-1 41-M的维特征量的随机索引。即，例如，对于多个弱鉴别器41-1 41-M中的每个弱鉴别器，学习部分沈随机确 定构成学习图像的图像特征量的多个维特征量之中的，用于每个弱鉴别器41-1 41-M的 学习的预定数目的维特征量。依据按照学习图像的数目，构成学习图像的图像特征量的维特征量的数目等，预 先进行的实验结果等，用于每个弱鉴别器41-1 41-M的学习的维特征量的数目较小，以致不会发生过度学习。此外，学习部分沈执行随机标引，所述随机标引生成指示随机确定的维特征量的 随机索引，即，指示随机确定的维特征量在构成向量(它是图像特征量)的元素之中的顺序 的随机索引。具体地说，例如，学习部分沈生成把构成作为图像特征量的向量的M个元素之中 的，存在于第一、第三、第四、第六、第九到第十一、第十五到第十七、第二十、第二十一和第 二十四位置(图3中用斜线表示)的13个维特征量表示为用于弱鉴别器41-1的学习的维 特征量的随机索引。此外，例如，学习部分沈类似地分别生成指示用于弱鉴别器41-2 41-M的学习 的维特征量的随机索引。学习部分沈根据关于要生成的每个弱鉴别器41-1 41-M生成的随机索引，提取 在构成学习图像的图像特征量的多个维特征量之中，用随机标引指示的维特征量。此外，学习部分沈根据由提取的维特征量构成的随机特征量，生成弱鉴别器 41-1 41-M。[弱鉴别器的生成]下面，图4图解说明学习部分沈利用根据随机索引提取的随机特征量，生成弱鉴 别器41-1 41-M的例子。在图4的左侧，表示从显示控制部分M提供给学习部分沈的学习图像61-1 61-N。学习部分沈根据关于弱鉴别器41-1生成的随机索引，提取由来自显示控制部 分24的学习图像61-n(n = 1，2，...N)的图像特征量提取的维特征量构成的随机特征量 81-n。此外，学习部分沈分别根据从学习图像61-1 61-N的图像特征量中提取的N个 随机特征量81-1 81-N，利用SVM(支持向量机)，生成弱鉴别器41-1。这里，SVM指的是在构成每个给定的随机特征量81-1 81-N的维特征量之中，建 立称为支持向量的分离超平面(供图像鉴别之用的边界面，和特征空间上的构成随机特征 量的维特征量存在于的边界面)，以使置于分离超平面附近并且作为置于分离超平面周围 的维特征量和分离超平面之间的距离的间隔(margin)最大化，随后利用建立的分离超平 面，生成用于鉴别图像的弱鉴别器的处理。学习部分沈还进行除了弱鉴别器41-1之外的弱鉴别器41-2 41-M的生成。这 里，由于生成方法与弱鉴别器41-1的生成方法相同，因此其说明将被省略。这同样适用于 下面的说明。此外，当在利用SVM的弱鉴别器41-1的生成中，应用SVM时，在SVM中使用出现在 核函数中的参数、由于软间隔的缓和而出现的用于补偿控制(penalty control)的参数，等等。因此，在进行利用SVM的弱鉴别器41-1的生成之前，学习部分沈必须利用如图5 中所示的确定方法，确定用于SVM的参数。[利用交叉验证的参数的确定方法]下面参考图5，说明由学习部分沈执行的确定方法，所述确定方法利用交叉验证，确定用于SVM的参数。在图5的上部，学习图像Ll L4被表示成从显示控制部分M提供给学习部分沈 的学习图像。在学习图像Ll L4之中，学习图像Ll和L2代表正图像，学习图像L3和L4 代表负图像。学习部分沈执行顺序把作为在SVM中使用的参数的候选者的多个候选参数设定 为关注参数，并计算指示关于关注参数的评价的评价值的交叉验证。S卩，例如，学习部分沈顺序把四个学习图像Ll L4设定为关注学习图像(例如， 学习图像Li)。此外，通过把利用关注参数的SVM应用于四个学习图像Ll L4之中的不 同于关注学习图像的剩余学习图像(例如，学习图像L2 L4)，学习部分沈生成弱鉴别器 41-1。此外，学习部分沈通过利用生成的弱鉴别器41-1，使用关注学习图像作为目标，鉴别 在图像中是否存在预定鉴别目标。学习部分沈根据弱鉴别器41-1的鉴别结果，和附加在关注学习图像上的正解标 签，鉴别弱鉴别器41-1是否正确地鉴别了关注学习图像。如图5中所示，通过顺序把所有四个学习图像Ll L4用作关注学习图像，学习部 分26确定四个学习图像Ll L4是否都被正确鉴别。此外，例如，学习部分沈根据作为关 注参数的评价值的确定结果，产生四个学习图像Ll L4中的每个学习图像能够被精确鉴 别的概率。学习部分沈把与关于作为关注参数的相应候选参数计算的多个评价值中的最大 评价值(最高评价值)对应的候选参数，确定为用于SVM的最终参数。此外，学习部分沈根据四个学习图像Ll L4，用被应用所确定参数的SVMdAR 生成弱鉴别器41-m(m= 1，2，...，M)的学习处理。此外，学习部分沈按照下述公式1，计算指示用生成的弱鉴别器41-m执行的鉴别 的置信程度的置信度。[公式1]
权利要求
1.一种学习设备，包括学习装置，所述学习装置随着用户从多个样本图像中指定了用 于使鉴别在图像中是否存在预定鉴别目标的鉴别器进行学习的学习图像，利用包括维特征 量的随机特征量来使得所述鉴别器进行学习，所述维特征量是从包含在指示学习图像的特 征的图像特征量中的多个维特征量中随机选择的。
2.按照权利要求1所述的学习设备，其中学习装置通过间隔最大化学习来训练所述鉴别器，所述间隔最大化学习使所述随 机特征量所存在的特征空间中的间隔最大化，所述间隔表示用于鉴别在图像中是否存在预 定鉴别目标的分离超平面与包括在所述随机特征量中的维特征量之中的、位于所述分离超 平面附近的维特征量之间的距离。
3.按照权利要求2所述的学习设备，其中学习装置包括图像特征量提取装置，用于从学习图像中提取表示学习图像的特征并被表示成具有多 维的向量的图像特征量；随机特征量生成装置，用于随机选择作为图像特征量的各维的元素的所述多个维特征 量中的一些维特征量，并生成包括所选择的维特征量的随机特征量；以及鉴别器生成装置，用于利用所述随机特征量，通过间隔最大化学习，生成鉴别器。
4.按照权利要求3所述的学习设备，其中鉴别器根据用于确定在鉴别目标图像中是否存在预定鉴别目标的多个弱鉴别器 的确定结果，输出最终的确定结果，其中随机特征量生成装置针对所述多个弱鉴别器中的每个弱鉴别器，生成用于生成弱 鉴别器的随机特征量，和其中鉴别器生成装置根据针对所述多个弱鉴别器中的每个弱鉴别器生成的随机特征 量，生成所述多个弱鉴别器。
5.按照权利要求4所述的学习设备，其中鉴别器生成装置还根据所述随机特征量，生成指示弱鉴别器的确定结果的可靠性 程度的置信度。
6.按照权利要求5所述的学习设备，其中鉴别器生成装置根据所述多个弱鉴别器和置信度，生成输出鉴别确定值的鉴别 器，所述鉴别确定值表示作为从所述多个弱鉴别器中的每个弱鉴别器输出的确定结果的确 定值与所述置信度之间的乘积和运算结果，其中鉴别装置根据从鉴别器输出的鉴别确定值，鉴别在鉴别目标图像中是否存在预定 鉴别目标。
7.按照权利要求3所述的学习设备，其中每当用户指定学习图像时，随机特征量生成装置生成不同的随机特征量。
8.按照权利要求7所述的学习设备，其中学习图像包括在图像中存在预定鉴别目标的正图像和在图像中不存在预定鉴别 目标的负图像，其中学习装置还包括增加伪负图像作为学习图像的负图像增加装置。
9.按照权利要求8所述的学习设备，其中学习装置还包括正图像增加装置，该正图像增加装置用于在鉴别器生成装置生成 鉴别器之后预定条件被满足时，增加伪正图像作为学习图像，和其中鉴别器生成装置根据被增加了伪正图像的学习图像的随机特征量，生成鉴别器。
10.按照权利要求9所述的学习设备，其中在正图像和伪正图像的总数小于负图像和伪负图像的总数的条件被满足的情况 下，正图像增加装置增加伪正图像作为学习图像。
11.按照权利要求2所述的学习设备，其中学习装置进行利用支持向量机的学习作为间隔最大化学习。
12.按照权利要求1所述的学习设备，还包括利用鉴别器鉴别在鉴别目标图像中是否存在预定鉴别目标的鉴别装置，其中在用户按照鉴别装置的鉴别处理重新指定了学习图像的情况下，学习装置利用所 指定的学习图像，重复进行鉴别器的学习。
13.按照权利要求12所述的学习设备，其中在用户按照鉴别装置的鉴别处理，指示生成包括在图像中存在预定鉴别目标的鉴 别目标图像的图像聚类的情况下，鉴别装置根据由学习装置生成的最新鉴别器，从所述多 个鉴别目标图像生成图像聚类。
14.一种学习设备中的学习方法，所述学习设备使用于鉴别在图像中是否存在预定鉴 别目标的鉴别器进行学习，所述学习设备包括学习装置，所述方法包括下述步骤随着用户从多个样本图像中指定了用于使鉴别在图像中是否 存在预定鉴别目标的鉴别器进行学习的学习图像，由学习装置利用包括维特征量的随机特 征量来使得所述鉴别器进行学习，所述维特征量是从包含在指示学习图像的特征的图像特 征量中的多个维特征量中随机选择的。
15.一种使计算机起学习装置作用的程序，所述学习装置按照由用户从多个样本图像 中指定的，用于训练鉴别在图像中是否存在预定鉴别目标的鉴别器的学习图像，利用包括 从包含在指示学习图像的特征的图像特征量中的多个维特征量中，随机选择的维特征量的 随机特征量，训练所述鉴别器。
16.一种学习设备，包括学习部分，所述学习部分随着用户从多个样本图像中指定了用 于使得鉴别在图像中是否存在预定鉴别目标的鉴别器进行学习的学习图像，利用包括维特 征量的随机特征量来使得所述鉴别器进行学习，所述维特征量是从包含在指示学习图像的 特征的图像特征量中的多个维特征量中随机选择的。
全文摘要
本发明涉及学习设备、学习方法和程序。一种学习设备，包括学习部分，所述学习部分按照由用户从多个样本图像中指定的，用于训练鉴别在图像中是否存在预定鉴别目标的鉴别器的学习图像，利用包括从包含在指示学习图像的特征的图像特征量中的多个维特征量中，随机选择的维特征量的随机特征量，训练所述鉴别器。
文档编号G06K9/66GK102136072SQ201010610590
公开日2011年7月27日 申请日期2010年12月29日 优先权日2010年1月21日
发明者岩井嘉昭, 本间俊一, 芦原隆之 申请人:索尼公司