CN104115163B - 贝叶斯分类器系统及其方法 - Google Patents

贝叶斯分类器系统及其方法 Download PDF

Info

Publication number
CN104115163B
CN104115163B CN201280069707.7A CN201280069707A CN104115163B CN 104115163 B CN104115163 B CN 104115163B CN 201280069707 A CN201280069707 A CN 201280069707A CN 104115163 B CN104115163 B CN 104115163B
Authority
CN
China
Prior art keywords
ooi
processor
boolean properties
noi
likelihood
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201280069707.7A
Other languages
English (en)
Other versions
CN104115163A (zh
Inventor
D·J·莱特
G·S·布什
D·M·法尔布
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Gentex Corp
Original Assignee
Gentex Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Gentex Corp filed Critical Gentex Corp
Publication of CN104115163A publication Critical patent/CN104115163A/zh
Application granted granted Critical
Publication of CN104115163B publication Critical patent/CN104115163B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Lighting Device Outwards From Vehicle And Optical Signal (AREA)
  • Traffic Control Systems (AREA)

Abstract

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。

Description

贝叶斯分类器系统及其方法
相关申请的交叉引用
本申请要求于2012年1月5日申请的，题为“BAYESIAN CLASSIFIER SYSTEM USINGA 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
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
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
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(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。。
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(OOI)和兴趣冗余物(NOI)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OOI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NOI中的似然性；确定所述非布尔属性的所述值在针对所述OOI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NOI分类的阈值范围内的次数；确定针对所述OOI的所述似然性的函数；确定针对所述NOI的所述似然性的函数；以及将所述OOI和所述NOI的函数组合以形成概率函数。
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(OOI)和兴趣冗余物(NOI)中的一个，并且所述OOI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。
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。
附图说明
由详细的说明书和附图将更全面地理解本发明，其中：
图1是根据本发明一个实施例的分类器系统的方框图；
图1A是根据本发明一个实施例的分类器系统的方框图；
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；
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；
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；
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；
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；
图7是根据本发明一个实施例说明似然函数的示意图；
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
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
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。
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。
参考图1和图1A，以参考标记100一般地示出分类系统。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(OOI)和兴趣冗余物(NOI)。典型地，OOI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NOI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。
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。
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。
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100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。
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OOI和NOI的先验概率：
等式1：
等式2：
其中NOOI是训练数据中OOI点的总数，NTOTAL是训练数据中点的总数，以及NNOI是训练数据中NOI点的总数。
可选择地，无偏分类器可以依下列各项生成：
等式3：P(OOI)＝P(NOI)＝0.5
处理器104能够被配置来通过乘法运算组合多个非布尔属性以产生对象的分类的概率。根据一个实施例，处理器104能够被配置来以非布尔属性的值为基础计算非布尔属性发生在OOI或NOI中的似然性。对于属性适宜定义值的范围、箱(bin)的数量和箱的大小，并且从而能够分类对象。换句话说，以属性的值为基础用公式表示值的直方图。通过定义一个或多个这些特性，其余的特性能够通过数据自身描述。
分类系统100(例如，处理器104)能够被配置来确定由用于OOI和NOI的箱所限制的指定属性的每个值的似然性。典型地，在所定义的范围中对于每个箱进行重复，使得输出能够是描述跨越一范围的OOI的似然性和跨越一范围的NOI的似然性的两个函数。能够依下列各项描述似然函数的实例：
等式4：
等式5：
其中等式4描述在箱x处对于属性Fn的OOI的似然性，以及等式5描述在箱x处对于属性Fn的NOI的似然性。从而，处理器104能够被配置来确定非布尔属性的值在针对OOI分类的阈值范围内的次数，和非布尔属性的值在针对NOI分类的阈值范围内的次数。此外，处理器104能够被配置来确定针对OOI的似然性的函数，并且处理器104能够被配置来确定针对NOI的似然性的函数。
在具有两个似然函数的实例中，通过在特定箱(例如，箱x)处获得OOI的似然性并且将其除以在相同特定箱处的OOI的似然性和在相同特定箱处的NOI的似然性的总和，能够组合这些函数以形成概率函数。在箱x处针对属性Fn的OOI的概率能够依下列各项进行表达：
等式6：
从而，处理器104能够被配置来组合OOI函数和NOI函数以形成概率函数。
在训练数据组中能够为每个属性或为属性的子集计算概率函数。根据一个实施例，最优化程序(routine)能够确定哪些属性包括在最终分类器中。例如，当利用已知数据训练分类系统100时，用于将对象分类为特定OOI的属性能够被确定。
能够计算最终输出概率用于通过组合每个POOI(Fn(x))＝pn，确定具有特定组的属性的对象为OOI，其中n＝1到属性数量。其能够由下面表示：
等式7：
从而，处理器104能够被配置来通过组合用于每个属性的概率函数计算具有至少一个属性的对象的最终输出概率。从其中对象是前导车辆116的尾灯114的上面的示例进一步地，最终输出能够以作为亮度和红色的属性为基础。
根据一个实施例，能够以一个属性相比于另一属性的重要度为基础对概率函数进行加权。例如，当检测迎面而来的车辆112的前灯110时，针对亮度的概率函数能够与其他属性(例如，颜色)的概率函数相比进行加权，并且当检测前导车辆116的尾灯114时，针对红色的概率函数能够与其他属性(例如，所成像场景内的位置)的概率函数相比进行加权。
属性概率函数POOI(Fn(x))能够通过将全部概率函数增加到大于零(0)的幂(power)进行加权。然而，概率函数应该保持在零(0)到壹(1)的范围内，并且从而为了对特定属性的概率函数进行加权，全部的其余函数能够成比例地缩放到预期的权重。
根据一个实施例，处理器能够被配置来关于对象的至少一个其他属性的概率函数对一个属性的概率函数进行加权。概率函数的加权能够包括缩放其他属性的概率函数而不是缩放将被加权的属性的函数。
概率函数的加权能够由下面表示：
等式8：
等式9：
等式10：
等式11：
等式12：Offset＝NewMidPoint-OldMidPoint
等式13：
典型地，尺寸改变计算针对不等于壹(1)的每个加权因子进行。根据一个实施例，分类系统100在最优化程序中确定加权因子以便确定每个属性的权重。
分类系统100并不局限于存在或不存在布尔的判断，并且可代替的，分类系统100被配置来与多维属性相乘，使得能够确定针对属性的非布尔的值，因此贝叶斯分类使用非线性概率函数并且能够使用指数加权。从而，分类系统100能够被配置用于其中分类包括描述分类的一组属性的任何分类问题中，其中每个属性能够在任何离散或连续的值中进行描述。
根据一个实施例，分类系统100能够被配置来在相同图像内将不同等式应用到不同对象。从而，如果对象在图像的顶部、左侧部分，能够使用第一组等式，并且如果对象在图像的中间部分，能够使用第二组等式，因此，相比于图像的顶部、左侧部分中的对象，在中间部分的对象更可能是迎面而来的车辆112的前灯110。
在一个典型实施例中，图像由成像器106所捕获，并且图像数据被传送到处理器104。处理器104能够被配置来组合图像内的亮度峰值(例如，光源)，并且输出光的列表。那么，处理器104能够被配置来利用非布尔贝叶斯分类器分类光的组。对亮度峰值分组的示例在美国专利申请号13/034748中描述，这里通过参考并入全部参考。
对于图1-图6，以参考标记200在图2中通常示出分类的方法。方法200在步骤202处开始，并且继续进行到步骤204，其中计算发生在OOI和NOI中的指定属性的每个值的似然性。在步骤206处，对于每个箱，对指定属性的值被针对OOI和NOI的箱限制的次数进行计数。在决策步骤208处，确定步骤206是否已经对全部箱完成。如果在决策步骤208处确定步骤206还没有对于全部箱完成，则方法200返回步骤206。然而，如果在决策步骤208处确定步骤206已经对每个箱都完成，则方法200进行到步骤210。在步骤210处，输出描述跨越一范围的OOI的似然性和跨越一范围的NOI的似然性的两个函数。为了解释而不是限制目的，如果图像对象正在被分析而被分类为迎面而来的车辆112的前灯110，则步骤210的输出的示例在图7中示出。在步骤212处，能够组合似然函数以形成概率函数。
典型地，在确定对于每个指定属性的概率函数之后，这个概率函数能够包括在零(0)到一百(100)范围中的值。如果任何一个属性呈现零(0)或一百(100)的值，则该属性定义最终输出为零(0)或壹(1)，这是由于每个属性的概率被相乘到一起。为了避免这个，增加对于输出的线性压缩，使得零(0)或一百(100)的输出影响最终输出，并且不否决全部其他属性的影响。说明三阶多项式的压缩的典型的绘图在图9中说明，并且通过下面来表示：
等式14：
示范性的值为Cur_max＝100；Cur_min＝0；Desired_min＝10；Desired_max＝90；Old_val＝在概率函数中特定点处的值；New_val＝概率函数中大约相同特定点处新的压缩值。
在决策步骤214处，确定概率函数是否已经对于每个属性都形成。如果在决策步骤214处确定概率函数尚未对于全部属性都形成，则方法200返回步骤204。然而，如果在步骤214确定概率函数对于全部属性都已经形成，则方法200进行到步骤216。在步骤216处，最优化程序确定哪个属性在输出概率等式中使用，并且然后方法200能够在步骤220处结束。可选择地，方法200能够包括216，其中一个或多个属性能够关于其他属性进行加权。
对于图3，在参考标记300处基本示出分类过程的方法。方法300开始于步骤302，并且进行到步骤304，其中指定属性的值，从该属性的概率函数确定属性的概率。在决策步骤306中，确定概率是否已经对于全部属性完成。如果在决策步骤306处确定并未对全部属性确定概率，那么方法300返回到步骤304；然而，如果在决策步骤306处确定已经对全部属性确定概率，则方法300进行到步骤308。在步骤308处，确定对象为OOI的概率。典型地，利用在分类器生成过程(方法200)中生成的等式(例如，等式7)确定这个概率。则方法200在步骤310处结束。
关于可选择实施例，如图4中说明的，在参考标记400处通常示出分类过程的方法。方法400开始于步骤402，并且进行到步骤404，其中指定属性的值，从该属性的概率函数确定属性的概率。在决策步骤406处，确定是否已经对全部属性完成概率。如果在决策步骤406处确定未对全部属性完成概率，那么方法400返回步骤404；然而，如果在步骤406处确定已经对全部属性完成概率，那么方法300进行到步骤408。在步骤408处，确定对象为OOI的概率。典型地，利用在分类器生成过程(方法200)中产生的等式(例如，等式7)确定这个概率。
在决策步骤410处，确定属性是否是对于决策提升的候选。如果在决策步骤410处确定属性是对于决策提升的候选，则方法400进行到步骤412，其中执行决策提升，并且方法400在步骤414处结束。然而，如果在决策步骤410处确定属性不是对于决策提升的候选，则方法400在步骤414处结束。
典型地，决策提升是另一个适合类型的分类器，其能够用于分类在方法200之后利用最小可信度分类的数据。例如，如果将成像对象分类为百分之六十(60％)的可能性是前灯110并且百分之四十(40％)的可能性不是前灯110，则能够将数据传到第二分类器以确定是否更决定性地分类对象。从而，处理器104能够进一步被配置来利用第二分类器分类所述对象。
通过解释但不是限制的方式，在操作中，分类系统100能被包括在车辆108上，并且分类系统100能够被配置来检测迎面而来的车辆112的前灯110和前导车辆116的尾灯114，以控制车辆108的前灯120。从而，如果确定所捕获的图像包括前灯110和尾灯114中的至少一个，处理器104能够被配置来传送图像中的对象列表和/或命令以将前灯120转换到减少亮度的状态和/或照明模式(例如，近光)。然而，如果确定所捕获的图像不包括前灯110和车尾灯114中的任何一个，处理器104能够被配置来传送图像中的对象列表和/或命令以将前灯120转换到增加亮度的状态和/或照明模式(例如，远光)。
根据一个实施例，存储器102是包括一个或多个可执行软件程序计算可读介质。从而，一个或多个软件程序能够关于输入数据(例如，图像数据)被执行来产生输出。
这里关于两个状态的前灯控制系统(例如，远光和近光)所描述的典型实施例的目的是解释而非限制。本领域的技术人员可以意识到分类系统100和方法200能够用于分类任何对象，例如，但不限于车道线记号、行人、车辆、非机动车对象、电子对象(例如，垃圾邮件)等，或其组合。从而，分类系统100和方法200、300和400能够被用于在任何计算环境中分类用于车辆和非机动车应用程序的属性。车辆应用程序的其他非限制示例为连续可变前灯控制(例如，无炫光)、车道偏离警报、车道保持辅助、车道线检测、碰撞避免、行人检测、交通符号识别、地形探测、城市碰撞缓解等，或其组合。
根据一个实施例，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(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。
如这里所描述的分类系统，其中处理器进一步被配置来通过乘法运算组合多个非布尔属性以产生对象的分类的概率。
如这里所描述的分类系统，其中处理器进一步被配置来以非布尔属性的值为基础计算非布尔属性发生在OOI中的似然性。
如这里所描述的分类系统，其中处理器进一步被配置来以非布尔属性的值为基础计算非布尔属性发生在NOI中的似然性。
如这里所描述的分类系统，其中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OOI分类的阈值范围内的次数。
如这里所描述的分类系统，其中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NOI分类的阈值范围内的次数。
如这里所描述的分类系统，其中处理器进一步被配置来确定针对OOI的似然性的函数。
如这里所描述的分类系统，其中处理器进一步被配置来确定NOI的似然性的函数。
如这里所描述的分类系统，其中处理器进一步被配置来将OOI函数和NOI函数组合以形成概率函数。
如这里所描述的分类系统，其中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。
如这里所描述的分类系统，其中处理器进一步被配置来关于对象的至少一个其他属性的概率函数，加权一个属性的概率函数。
如这里所描述的分类系统，其中概率函数的加权包括缩放其他属性的概率函数。
如这里所描述的分类系统，其中输入部为成像器，被配置来成像车辆前方的场景。
如这里所描述的分类系统，其中当确定对象为迎面而来的车辆的前灯时，将对象分类为OOI。
如这里所描述的分类系统，其中以作为迎面而来的车辆的前灯和前导车辆的尾灯中一个的对象的分类，处理器输出命令信号来控制车辆前灯。
根据权利要求1的分类系统，其中处理器进一步被配置来使用第二分类器分类对象。
根据一个实施例，一种分类方法，该方法包括步骤：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(OOI)和兴趣冗余物(NOI)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OOI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NOI中的似然性；确定所述非布尔属性的所述值在针对所述OOI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NOI分类的阈值范围内的次数；确定针对所述OOI的所述似然性的函数；确定针对所述NOI的所述似然性的函数；以及将所述OOI和所述NOI的函数组合以形成概率函数。
这里所描述的方法进一步包括的步骤：确定哪些属性用在输出概率等式中。
这里所描述的方法进一步包括的步骤：关于对象的至少一个其他属性的概率函数，加权一个属性的概率函数。
如这里所描述的方法，其中加权概率函数的步骤包括缩放其他属性的概率函数。
根据一个实施例，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；以及成象器，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(OOI)和兴趣冗余物(NOI)中的一个，并且所述OOI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。
如这里所描述的分类系统，其中处理器进一步被配置来通过乘法运算组合多个非布尔属性以产生对象的分类的概率。
如这里所描述的分类系统，其中处理器进一步被配置来以非布尔属性的值为基础计算非布尔属性发生在OOI中的似然性。
如这里所描述的分类系统，其中处理器进一步被配置来以非布尔属性的值为基础计算非布尔属性发生在NOI中的似然性。
如这里所描述的分类系统，其中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OOI分类的阈值范围内的次数。
如这里所描述的分类系统，其中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NOI分类的阈值范围内的次数。
如这里所描述的分类系统，其中处理器进一步被配置来确定针对OOI的似然性的函数。
如这里所描述的分类系统，其中处理器进一步被配置来确定NOI的似然性的函数。
如这里所描述的分类系统，其中处理器进一步被配置来将OOI函数和NOI函数组合以形成概率函数。
如这里所描述的分类系统，其中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。
如这里所描述的分类系统，其中处理器进一步被配置来关于对象的至少一个其他属性的概率函数，加权一个属性的概率函数。
如这里所描述的分类系统，其中概率函数的加权包括缩放其他属性的概率函数。
有利地，分类系统100和方法200能够被配置来使用非布尔贝叶斯分类器精确地分类图像中的对象。本领域的技术人员可以意识到分类系统100和方法200能够包括附加或可选择优点。本领域的技术人员进一步地意识到上面描述的部件和方法步骤能够在这里不明确描述的方式或顺序进行组合。
可以意识到这里描述的本发明实施例可包括一个或多个常见处理器，和唯一的所存储的程序指令，其控制一个或多个处理器以与特定非处理器电路一起执行烟雾警报互相连接监视系统的某些、大部分或全部特征，如这里所描述的。非处理器电路可包括，但不限于，信号驱动器、时钟电路、电源电路、和/或用户输入装置。同样地，这些功能可被解释为利用或构造分类系统中所使用的方法的步骤。可选择地，通过不存储程序指令的状态机、或一个或多个特定应用集成电路(ASIC)或现场可编程门阵列(FPGA)可执行某些或全部功能，其中执行每个功能或特定功能的某些组合作为惯例逻辑。当然，可以使用两个方法的组合。从而，这里已经描述了用于这些功能的方法和单元。此外，尽管可能有相当大的努力和例如由有效时间、当前技术和经济考虑激励的多种设计选择，当由这里所公开的概念和原理引导时，期望具有普通技术的人员能够容易地通过最少的试验产生这种软件指令和程序以及IC。
本领域技术人员和实施或使用本发明的人员将会想到本发明的修改。因此，可以理解，附图中所示和如上所描述的实施例仅用于说明目的，而不是要限制本发明的范围，本发明的范围由下列权利要求限定，根据专利法的原则、包括等同原则来解释权利要求。

Claims (16)

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(OOI)和兴趣冗余物(NOI)中的一个，其中：
所述处理器进一步被配置来以所述非布尔属性的值在针对所述OOI分类的阈值范围内的次数为基础计算所述非布尔属性发生在OOI中的似然性，
所述处理器进一步被配置来以所述非布尔属性的所述值在针对所述NOI分类的阈值范围内的次数为基础计算所述非布尔属性发生在NOI中的似然性，并且
所述处理器被配置为使用所述非布尔属性的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，所述非布尔属性的非线性概率函数是使用所述非布尔属性发生在OOI中的似然性和使用所述非布尔属性发生在NOI中的似然性来计算的。
2.一种分类系统，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
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(OOI)和兴趣冗余物(NOI)中的一个，并且所述OOI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：
所述处理器进一步被配置来以所述非布尔属性的值在针对所述OOI分类的阈值范围内的次数为基础计算所述非布尔属性发生在OOI中的似然性，
所述处理器进一步被配置来以所述非布尔属性的所述值在针对所述NOI分类的阈值范围内的次数为基础计算所述非布尔属性发生在NOI中的似然性，并且
所述处理器被配置为使用所述非布尔属性的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，所述非布尔属性的非线性概率函数是使用所述非布尔属性发生在OOI中的似然性和使用所述非布尔属性发生在NOI中的似然性来计算的。
3.根据权利要求1或2所述的分类系统，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.根据权利要求1或2所述的分类系统，其中所述处理器进一步被配置来确定针对所述OOI的所述似然性的函数。
5.根据权利要求4所述的分类系统，其中所述处理器进一步被配置来确定所述NOI的所述似然性的函数。
6.根据权利要求5所述的分类系统，其中所述处理器进一步被配置来将所述OOI函数和所述NOI函数组合以形成概率函数。
7.根据权利要求6所述的分类系统，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。
8.根据权利要求1或2所述的分类系统，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。
9.根据权利要求8所述的分类系统，其中所述概率函数的加权包括缩放其他属性的概率函数。
10.根据权利要求1或2所述的分类系统，其中所述输入部为成像器，被配置来成像车辆前方的场景。
11.根据权利要求10所述的分类系统，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OOI。
12.根据权利要求1或2所述的分类系统，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。
13.一种用于车辆的分类方法，所述方法包括步骤：
通过成像器对车辆前方的场景进行成像以产生图像数据；
从所述成像器接收所产生的包括至少一个对象的图像数据，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(OOI)和兴趣冗余物(NOI)中的一个，其中所述OOI为迎面而来的车辆的前灯和前导车辆的尾灯中的一个；
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OOI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NOI中的似然性；
确定所述非布尔属性的所述值在针对所述OOI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NOI分类的阈值范围内的次数；
确定针对所述OOI的所述似然性的函数；
确定针对所述NOI的所述似然性的函数；以及
将所述OOI和所述NOI的函数组合以形成概率函数，
其中，包括在所述图像数据中的所述至少一个对象的分类结果被用于控制车辆的前灯。
14.根据权利要求13所述的方法，进一步包括步骤：
确定哪些属性用在输出概率等式中。
15.根据权利要求13所述的方法，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。
16.根据权利要求13所述的方法，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OOI。
CN201280069707.7A 2012-01-05 2012-12-27 贝叶斯分类器系统及其方法 Active CN104115163B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/343,952 2012-01-05
US13/343,952 US8565486B2 (en) 2012-01-05 2012-01-05 Bayesian classifier system using a non-linear probability function and method thereof
PCT/US2012/071694 WO2013103569A1 (en) 2012-01-05 2012-12-27 Bayesian classifier system and method thereof

Publications (2)

Publication Number Publication Date
CN104115163A CN104115163A (zh) 2014-10-22
CN104115163B true CN104115163B (zh) 2017-09-01

Family

ID=48743962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280069707.7A Active CN104115163B (zh) 2012-01-05 2012-12-27 贝叶斯分类器系统及其方法

Country Status (4)

Country Link
US (1) US8565486B2 (zh)
EP (1) EP2801057B1 (zh)
CN (1) CN104115163B (zh)
WO (1) WO2013103569A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5480925B2 (ja) * 2012-03-05 2014-04-23 本田技研工業株式会社 車両周辺監視装置
US8977426B2 (en) 2012-06-04 2015-03-10 Geotab Inc. VIN based accelerometer threshold
KR102270677B1 (ko) * 2015-01-13 2021-06-29 현대모비스 주식회사 차량 안전 주행 장치
US11277558B2 (en) * 2016-02-01 2022-03-15 Magna Electronics Inc. Vehicle vision system with master-slave camera configuration
ES2736901A1 (es) * 2018-06-29 2020-01-08 Geotab Inc Caracterización de una colisión de vehículo

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1936925A (zh) * 2006-10-12 2007-03-28 上海交通大学 用贝叶斯网络分类器图像判别特征点位置的方法
WO2008118305A1 (en) * 2007-03-26 2008-10-02 Trw Automotive U.S. Llc Forward looking sensor system
CN101359372A (zh) * 2008-09-26 2009-02-04 腾讯科技（深圳）有限公司 分类器的训练方法及装置、识别敏感图片的方法及装置
CN101482923A (zh) * 2009-01-19 2009-07-15 刘云 视频监控中人体目标的检测与性别识别方法
US7720267B2 (en) * 2005-07-15 2010-05-18 Siemens Medical Solutions Usa, Inc. Method and apparatus for classifying tissue using image data
CN102184412A (zh) * 2011-05-09 2011-09-14 东南大学 基于最小错误率贝叶斯分类器的车牌数字及字母识别方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7663502B2 (en) * 1992-05-05 2010-02-16 Intelligent Technologies International, Inc. Asset system control arrangement and method
US7415126B2 (en) * 1992-05-05 2008-08-19 Automotive Technologies International Inc. Occupant sensing system
US7477758B2 (en) 1992-05-05 2009-01-13 Automotive Technologies International, Inc. System and method for detecting objects in vehicular compartments
US6807537B1 (en) 1997-12-04 2004-10-19 Microsoft Corporation Mixtures of Bayesian networks
US6556958B1 (en) * 1999-04-23 2003-04-29 Microsoft Corporation Fast clustering with sparse data
US7541743B2 (en) 2002-12-13 2009-06-02 Ford Global Technologies, Llc Adaptive vehicle communication controlled lighting system
US20040220892A1 (en) 2003-04-29 2004-11-04 Ira Cohen Learning bayesian network classifiers using labeled and unlabeled data
US7251636B2 (en) * 2003-12-10 2007-07-31 Microsoft Corporation Scalable methods for learning Bayesian networks
US7876943B2 (en) * 2007-10-03 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for lesion detection using locally adjustable priors
US20100209890A1 (en) 2009-02-18 2010-08-19 Gm Global Technology Operations, Inc. Vehicle stability enhancement control adaptation to driving skill with integrated driving skill recognition
US8244649B2 (en) 2009-08-13 2012-08-14 International Business Machines Corporation Structured differential learning

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7720267B2 (en) * 2005-07-15 2010-05-18 Siemens Medical Solutions Usa, Inc. Method and apparatus for classifying tissue using image data
CN1936925A (zh) * 2006-10-12 2007-03-28 上海交通大学 用贝叶斯网络分类器图像判别特征点位置的方法
WO2008118305A1 (en) * 2007-03-26 2008-10-02 Trw Automotive U.S. Llc Forward looking sensor system
CN101359372A (zh) * 2008-09-26 2009-02-04 腾讯科技（深圳）有限公司 分类器的训练方法及装置、识别敏感图片的方法及装置
CN101482923A (zh) * 2009-01-19 2009-07-15 刘云 视频监控中人体目标的检测与性别识别方法
CN102184412A (zh) * 2011-05-09 2011-09-14 东南大学 基于最小错误率贝叶斯分类器的车牌数字及字母识别方法

Also Published As

Publication number Publication date
US20130177212A1 (en) 2013-07-11
EP2801057A4 (en) 2016-06-22
WO2013103569A1 (en) 2013-07-11
EP2801057A1 (en) 2014-11-12
US8565486B2 (en) 2013-10-22
EP2801057B1 (en) 2019-04-10
CN104115163A (zh) 2014-10-22

Similar Documents

Publication Publication Date Title
CN104115163B (zh) 贝叶斯分类器系统及其方法
CN105550701B (zh) 实时图像提取识别方法及装置
CN102693432B (zh) 使用可靠局部模型更新来调节畅通路径检测
Zangenehpour et al. Automated classification based on video data at intersections with heavy pedestrian and bicycle traffic: Methodology and application
Pamula Road traffic conditions classification based on multilevel filtering of image content using convolutional neural networks
KR20180036709A (ko) 미디어 분류
CN102682301B (zh) 使用附加分类器来调节畅通路径检测
CN111310850A (zh) 车牌检测模型的构建方法及系统、车牌检测方法及系统
Khandelwal et al. Segmentation-grounded scene graph generation
CN109284664A (zh) 驾驶员辅助系统和护栏检测方法
Quiros et al. Machine vision of traffic state estimation using fuzzy logic
JP2021064054A (ja) 路上障害物検知装置、路上障害物検知方法、及び路上障害物検知プログラム
EP3680812A1 (en) Method for classifying an image taken by a sensor
CN108665479B (zh) 基于压缩域多尺度特征tld的红外目标跟踪方法
Pop et al. Pedestrian recognition through different cross-modality deep learning methods
Maćkowski et al. Mobile system for road sign detection and recognition with template matching
US20220222528A1 (en) Method for Making a Neural Network More Robust in a Function-Specific Manner
Sugiharto et al. Automated Detection of Driver and Passenger Without Seat Belt using YOLOv8.
Mallick et al. Safety monitoring for pedestrian detection in adverse conditions
Bezawada et al. Modeling lane and road characteristics for drive quality rating
Aarthi Prototype Design of Intelligent Traffic Signal Control using Haar Cascade Classifier
Szczot et al. Dempster-Shafer fusion of context sources for pedestrian recognition
Paul et al. Application of the SNoW machine learning paradigm to a set of transportation imaging problems
Amatya et al. The state of the art–Vehicle Number Plate Identification–a complete Survey
CN113111732B (zh) 一种高速服务区密集行人检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant