The present invention provides an online learning method and apparatus for a set of object classifiers and a method and apparatus for detecting an object in an image sequence. The online for a set of object classifier learning method (including the set of object classifier contains at least one single classifier and at least a two class classifier) includes feature vectors extracted from newly added samples; based on support vector feature vectors and the at least one class classifier to two update the at least one single classifier in at least one; support vector feature vectors and has been partially or completely updated the at least one class classifier based on updating the at least one two class classifier in at least one. By using the invention, the false alarm rate can be reduced to a very low level while keeping the detection rate at a high level.
【技术实现步骤摘要】
本专利技术涉及图像处理、计算机视觉(computer vision)和模式识别,并且特别地涉及用于一组对象分类器的在线学习方法和设备以及用于在图像序列中检测对象的方法和设备。
技术介绍
最近几十年在检测特定对象或种类(诸如脸、人、汽车等)方面已经取得很大的进展。大部分检测器必须被离线训练,其经常包含利用手动标记的训练示例的较大集合的密集学习阶段。当前,越来越多的用户倾向于拍摄特定对象。这意味着用户需要的不是传统的像脸/狗/猫检测器那样的检测器,而是能够学习用户自己的对象(例如,他的宠物)的外观(appearance)的检测器。例如,用户经常想要在拍摄时自动地聚焦于他们的宠物。已经开发了一种新颖的技术,称为“用户注册对象检测(User Registered Object Detection)”,其能够基于由用户作为正样本提供的一个或若干个对象图像来检测用户注册对象。但是一般难以仅仅通过使用非常小集合的正样本而从视频帧序列中准确地检测出对象。因此,已经提出了一种解决方案,其使用基于用于检测用户注册对象的支持向量的单类分类器(one-class classifier)。这个方法能够基于少数的正样本(即,由用户注册的对象图像)、甚至仅仅一个正样本来对单类分类器进行在线学习。由于不使用任何负样本,因此该单类分类器能够适合于任何场景。这个方法能够通过可调参数将单类分类器的误报警率(false alarm rate)保持在稳定的水平。然而,仍然存在对在一些特殊应用中进一步减少误报警率的需要。例如,在对于用户注册对象的监视(surveillance)应用中,分类 ...
【技术保护点】
一种用于一组对象分类器的在线学习方法,其中所述一组对象分类器包含至少一个单类分类器和至少一个两类分类器,所述方法包括:特征向量提取步骤,从新添加的样本中提取特征向量;单类分类器更新步骤,基于所提取的特征向量以及所述至少一个两类分类器的支持向量来更新所述至少一个单类分类器中的至少一个;两类分类器更新步骤,基于所提取的特征向量以及在所述单类分类器更新步骤中已经部分地或全部地被更新的所述至少一个单类分类器的支持向量,来更新所述至少一个两类分类器中的至少一个。
【技术特征摘要】
1.一种用于一组对象分类器的在线学习方法,其中所述一组对象分类器包含至少一个单类分类器和至少一个两类分类器,所述方法包括:特征向量提取步骤,从新添加的样本中提取特征向量;单类分类器更新步骤,基于所提取的特征向量以及所述至少一个两类分类器的支持向量来更新所述至少一个单类分类器中的至少一个;两类分类器更新步骤,基于所提取的特征向量以及在所述单类分类器更新步骤中已经部分地或全部地被更新的所述至少一个单类分类器的支持向量,来更新所述至少一个两类分类器中的至少一个。2.根据权利要求1所述的在线学习方法,其中所述一组对象分类器具有加权累加结构,并且所述在线学习方法在所述两类分类器更新步骤之后还包括更新单类分类器和两类分类器的权重的步骤。3.根据权利要求1所述的在线学习方法,其中所述单类分类器更新步骤包括:对于所述至少一个单类分类器中的一个单类分类器,计算从这个单类分类器的所有支持向量的聚类中心到所提取的特征向量和所述至少一个两类分类器的所述支持向量中的每一个的各个距离;基于所述单类分类器的支持向量来设定阈值;从所提取的特征向量和所述至少一个两类分类器的所述支持向量中选择具有比所述阈值小的计算距离的候选特征向量;以及通过使用所述候选特征向量来更新所述单类分类器的支持向量。4.根据权利要求1所述的在线学习方法,其中所述两类分类器
\t更新步骤包括:对于所述至少一个两类分类器中的一个两类分类器,确定所提取的特征向量是正特征向量还是负特征向量;以及通过使用所有单类分类器的支持向量作为正特征向量以及使用确定结果来更新所述两类分类器的支持向量。5.一种用于通过使用已经被确定为对象的至少一个正样本在图像序列中检测所述对象的方法,所述方法包括:单类分类器产生步骤,根据所述至少一个正样本,产生基于用于对所述对象进行分类的支持向量的至少一个单类分类器;两类分类器产生步骤,基于所述图像序列的第一图像以及所述单类分类器产生用于对所述对象进行分类的至少一个两类分类器;对象检测步骤,通过使用包括所述单类分类器和所述两类分类器的一组对象分类器在所述序列中的第二图像中检测所述对象;分类器更新步骤,通过使用根据权利要求1所述的在线学习方法,根据所述检测结果更新所述一组对象分类器;以及后续的检测和更新步骤,对于所述序列中的每一个后续的图像,通过使用经更新的一组对象分类器在所述后续的图像中检测所述对象并且随后更新所述一组对象分类器。6.根据权利要求5所述的方法,其中所述两类分类器产生步骤包括:将所述第一图像划分成多个区域并且通过使用所述单类分类器确定所划分的区域中的每一个是否为所述对象;收集所述单类分类器的支持向量以及从已经被确定为所述对象的区域中提取的特征向量,作为正特征向量;收集从已经被确定为非对象的区域中提取的特征向量,作为负特征向量;以及通过使用所收集的正特征向量和负特征向量训练至少一个两类
\t分类器。7.根据权利要求5所述的方法,其中检测所述对象包括:将所述图像划分成多个区域;通过使用所述一组对象分类器来对所划分的区域中的每一个进行分类并且从所述一组分类器得到对于所划分的区域中的每一个的分类分数;以及根据所述分类分数和预定义的阈值确定所划分的区域中的每一个是所述对象还是非对象。8.根据权利要求5所述的方法,其中检测所述对象包括:将所述图像划分成多个区域;通过使用所述单类分类器来对所划分的区域中的每一个进行分类并且从所述单类分类器得到对于所划分的区域中的每一个的第一分类分数;通过使用两类分类器来对已经由所述单类分类器分类为正的区域进行分类,从两类分类器得到对于这些区域的第二分类分数,并且通过对第一分类分数和第二分类分数进行加权求和来计算最终分类分数;以及收集其最终分类分数大于预定义的阈值的区域作为对象区域,并且收集其最终分类分数不大于所述预定义的阈值的区域作为非对象区域。9.一种用于一组对象分类器的在线学习设备,其中所述一组对象分类器包含至少一个单类分类器和至少一个两类分类器,所述设备包括:特征向量提取单元,被配置为从新添加的样本中提取特征向量;单类分类器更新单元,被配置为基于所提取的特征向量以及所述至少一个两类分类器的支持向量来更新所述至少一个单类分类器中
\t的至少一个;两类分类器更新单元,被配置为基于所提取的特征向量以及由所述单类分类器更新单元已经部分地或全部地...
【专利技术属性】
技术研发人员:姜涌,张文文,江龙,
申请(专利权)人:佳能株式会社,
类型:发明
国别省市:日本;JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。