[发明专利]多类别对象分类方法及系统

说明书

一种多类别对象分类方法及系统在此揭露，其中多类别对象分类方法包含以下步骤：接收并储存类别、第一训练影像与第二训练影像，并从对应类别的第一、第二训练影像中分别撷取第一、第二特征影像；利用第一特征影像，透过线性映射分类方法，产生对应类别的分类器；利用分类器与第二特征影像，决定对应所述多个类别的参数范围与对应该分类器的门槛值。当二参数范围重叠时，记录除了二参数范围以外的余留参数范围；由分类器当中选取除了已选取过的分类器以外的另一分类器后，重复执行前一步骤直到参数范围彼此无重叠并记录参数范围。本发明得以透过记录不同类别的参数范围，以较少的步骤达到分类效果，进而提升多类别对象分类效率。

技术领域

本发明是一种分类技术，且特别是有关于一种多类别对象分类方法及系统。

背景技术

已知的人工智能或计算机视觉在图形识别的应用领域中，欲进行多类别对象(Multi-class object)分类常采用直接进行多类别分类，或者利用二元分类法，将多类别分类拆解成数个二分类问题以进行解决。直接进行多类别分类例如提升(Boosting)演算法，透过分析所有的输入影像的代表点，以多阶段投票的方式逐步进行目标对象的分类，所涉及的计算复杂度较高、花费时间较长，而且准确率亦较低，并非良好的解决方法；然而，二元分类法则是时常面临到的问题则是待处理的影像特征点过多，以及当影像当中的不同对象之间距离较为接近时，对于多类别分类的计算时间过长，尚有改进空间。另外，传统二元分类法在最佳情况下透过单次分类过程仅可区分出一个单一类别；如果类别数量庞大，分类过程的次数也必须增加以区分出每个不同类别，导致较低的分类效率。

发明内容

为了提升二元分类法对于多类别对象的分类效率，本发明的一方面是提供一种多类别对象分类方法，其包含以下步骤：(a)接收并储存多个类别、多个第一训练影像与多个第二训练影像，并从所述多个第一训练影像中撷取多个第一特征影像；利用所述多个第一特征影像，透过一线性映射分类方法，产生对应所述多个类别的多个分类器，其中所述多个第一训练影像与所述多个第二训练影像分别对应所述多个类别；(b)从所述多个第二训练影像中撷取多个第二特征影像，并从所述多个分类器中选取一分类器；(c)利用该分类器与所述多个第二特征影像，决定对应所述多个类别的多个参数范围与对应该分类器的一门槛值；(d)当所述多个参数范围当中的二参数范围重叠时，记录除了该二参数范围以外的余留参数范围，并且由所述多个分类器当中选取除了已选取过的该分类器以外的另一分类器后，重复执行步骤(c)直到所述多个参数范围彼此无重叠；(e)当所述多个参数范围彼此无重叠时，记录所述多个参数范围；(f)接收并储存一待决影像，并从该待决影像中撷取一待决特征影像；利用一分类器与该待决特征影像，决定一待决参数；(g)当该待决参数大于对应该分类器的该门槛值时，将该待决影像分类至对应该分类器的该类别；(h)当该待决参数位于所述多个参数范围中的某个参数范围之内时，将该待决影像分类至该某个参数范围对应的类别。

本发明的一实施例中，其中步骤(a)包含：将所述多个第一特征影像分割为多个特征区块，并计算所述多个特征区块的多个变异数；依递减顺序，由所述多个变异数的最大值开始选取多个特征变异数与对应于所述多个特征变异数的多个特征区块；利用所述多个特征区块，透过该线性映射分类方法，产生对应所述多个类别的多个分类器。

本发明的一实施例中，其中该线性映射分类方法为支持向量机(Support VectorMachine,SVM)演算法，所述多个参数范围与该门槛值均介于-1至1之间。

本发明的一实施例中，其中步骤(a)、(b)、(f)包含：透过方向梯度直方图(Histogram of Oriented Gradients,HOG)从所述多个第一训练影像中撷取所述多个第一特征影像；透过方向梯度直方图从所述多个第二训练影像中撷取所述多个第二特征影像；透过方向梯度直方图从该待决影像中撷取该待决特征影像。