一种基于自主在线学习的目标检测方法技术

本发明专利技术涉及目标检测技术领域，具体涉及一种基于自主在线学习的目标检测方法，本发明专利技术对输入的图像区域采用自适应级联分类器进行目标检测；并将级联分类器的检测出来的目标验证为虚警；随机提取自适应级联分类器漏检的目标作为在线学习的正样本对级联分类器进行更新；根据自适应级联分类器算法，在线学习完的正负样本还需要存入相应的样本集合保存一段时间；对新一级分类器进行在线训练，最终输出目标检测结果。本发明专利技术使用自适应级联分类器算法，将级联分类器与在线学习结合起来，使在线学习的分类器有更大的分类能力提升空间，能自适应的增加级联分类器的级数，从而使在线学习中分类器的分类能力逐步提高满足分类任务的要求。器的分类能力逐步提高满足分类任务的要求。器的分类能力逐步提高满足分类任务的要求。

【技术实现步骤摘要】
一种基于自主在线学习的目标检测方法


[0001]本专利技术涉及目标检测
，具体涉及一种基于自主在线学习的目标检测方法。

技术介绍

[0002]图像以及视频序列中的目标检测一直是计算机视觉研究领域的重点。近年来随着人们安全意识的逐渐提高，公共场所的监控摄像头越来越多，在美国一个机场大约要安装2000多个摄像机。我们知道图片的拍摄角度不同，拍摄背景不同会导致图片中目标成像姿态都有很大的变化。因此很多目标检测系统都试图在多个成像角度以及各种复杂成像背景下进行鲁棒的目标检测，从而使目标模型越来越复杂，检测算法也难以实时运行。
[0003]实际上虽然每个摄像头的角度、位置都不尽相同，但是单独观察其中一个摄像头，可以发现其长时间监控着一个固定的场所，其成像背景以及成像角度变化不大。因此如果只针对一个固定的场所研究目标检测算法常常能取得不错的效果，当场景发生变化，则及时的对算法进行调试，修改参数，最终也能达到较高的检测性能。
[0004]但是由于摄像头太多，如果要对每个成像条件下的检测算法进行调试将消耗大量的人力、物力。我们知道人类的视觉系统对特定运动目标的检测和跟踪是非常有效的,它不会受到目标形变以及周围自然环境变化的干扰，并且人类本身还能不断的学习和改进自身的视觉系统使目标和周围环境的区分更加清晰，如何充分研究人类视觉系统的这些特点，并将其用于改进当今目标检测方法变得尤为重要。

技术实现思路

[0005]针对现有技术的不足，本专利技术公开了一种基于自主在线学习的目标检测方法，用于解决上述背景技术存在的问题，将人类视觉系统用于改进当今目标检测方法。
[0006]本专利技术通过以下技术方案予以实现：
[0007]本专利技术公开一种基于自主在线学习的目标检测方法，所述方法包括以下步骤：
[0008]S1对输入的图像区域采用自适应级联分类器进行目标检测；
[0009]S2对检测结果的正确与否进行验证，并将级联分类器的检测出来的目标验证为虚警；
[0010]S3将其作为负样本对整个级联分类器进行在线学习；
[0011]S4随机提取自适应级联分类器漏检的目标作为在线学习的正样本对级联分类器进行更新；
[0012]S5根据自适应级联分类器算法，在线学习完的正负样本还需要存入相应的样本集合保存一段时间；
[0013]S6对新一级分类器进行在线训练，重复以上步骤，最终输出目标检测结果。
[0014]更进一步的，所述方法通过分类器的级联提高分类器包含的总特征数，使分类器有较强分类器能力的同时保持算法较快的运行速度，其中级联分类器中每级分类器均由多
个弱分类器组成，前几级分类器包含的弱分类器较少，运行速度较快，而越往后分类器越复杂，包含的弱分类器越多。
[0015]更进一步的，当使用级联分类器进行分类时，测试样本被每一级的分类器判断为正样本才将其分类为正样本，若有一级分类器将其判断为负样本，则停止送入下一级分类器，直接判定为负样本。
[0016]更进一步的，所述方法中，将级联分类器用于图像中的目标检测，对于图像中含有目标的区域认为是正样本区域，而不含目标的区域为负样本区域，通过级联分类器前几级运算速度快，包含弱分类器少的分类器就可以淘汰掉大部分图像区域，进而提高目标检测速度。
[0017]更进一步的，所述方法中，首先指定每一级分类器必须满足的最小检测率以及最大虚警率，然后用Adaboost算法训练每一级分类器，计算该级分类器的虚警率和检测率，用虚警率是否达到要求来控制该级分类器的特征数，用检测率是否达到要求来控制该级分类器的分类阈值，此外计算当前整个级联分类器的虚警率，由该值是否达到要求来控制整个级联分类器的级数。
[0018]更进一步的，所述方法中，首先每一级分类器对新样本进行在线学习，当发现某一个弱分类器权重很低，则直接删除该弱分类器。学习完后判断该样本是否需要存储，若需要则根据样本类别分别存入正样本集合P或者负样本集合N，当P和N中的样本数足够多时，由级联分类器的每一级分类器通过P和N计算各级当前的检测率和虚警率，若某一级虚警率太高则根据级联分类器算法从当前的弱分类器集合中挑选弱分类器增加该级分类器的特征数，同时调整该级分类器的分类阈值，以达到该级检测率要求。
[0019]更进一步的，若集合N中的样本一旦被某一级分类器正确分类了，则将该样本删除，而对于集合P中的样本不能频繁的删除，根据集合Р的最大存储空间，一旦超过则用在线获得的新的正样本代替权重最小的正样本，进而完成每一级分类器的在线学习。
[0020]本专利技术的有益效果为：
[0021]本专利技术使用自适应级联分类器算法，将级联分类器与在线学习结合起来，使在线学习的分类器有更大的分类能力提升空间，能自适应的增加级联分类器的级数，从而使在线学习中分类器的分类能力逐步提高满足分类任务的要求，使得目标检测变得更加精准和简单。
附图说明
[0022]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0023]图1是一种基于自主在线学习的目标检测方法原理步骤图。
具体实施方式
[0024]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是
本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]实施例1
[0026]本实施例公开如图1所示的一种基于自主在线学习的目标检测方法，包括以下步骤：
[0027]S1对输入的图像区域采用自适应级联分类器进行目标检测；
[0028]S2对检测结果的正确与否进行验证，并将级联分类器的检测出来的目标验证为虚警；
[0029]S3将其作为负样本对整个级联分类器进行在线学习；
[0030]S4随机提取自适应级联分类器漏检的目标作为在线学习的正样本对级联分类器进行更新；
[0031]S5根据自适应级联分类器算法，在线学习完的正负样本还需要存入相应的样本集合保存一段时间；
[0032]S6对新一级分类器进行在线训练，重复以上步骤，最终输出目标检测结果。
[0033]本实施例通过分类器的级联提高分类器包含的总特征数，使分类器有较强分类器能力的同时保持算法较快的运行速度，其中级联分类器中每级分类器均由多个弱分类器组成，前几级分类器包含的弱分类器较少，运行速度较快，而越往后分类器越复杂，包含的弱分类器越多。
[0034]当使用级联分类器进行分类时，测试样本被每一级的分类器判断为正样本才将其分类为正样本，若有一级分类器将其判本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自主在线学习的目标检测方法，其特征在于，所述方法包括以下步骤：S1对输入的图像区域采用自适应级联分类器进行目标检测；S2对检测结果的正确与否进行验证，并将级联分类器的检测出来的目标验证为虚警；S3将其作为负样本对整个级联分类器进行在线学习；S4随机提取自适应级联分类器漏检的目标作为在线学习的正样本对级联分类器进行更新；S5根据自适应级联分类器算法，在线学习完的正负样本还需要存入相应的样本集合保存一段时间；S6对新一级分类器进行在线训练，重复以上步骤，最终输出目标检测结果。2.根据权利要求1所述的基于自主在线学习的目标检测方法，其特征在于，所述方法通过分类器的级联提高分类器包含的总特征数，使分类器有较强分类器能力的同时保持算法较快的运行速度，其中级联分类器中每级分类器均由多个弱分类器组成，前几级分类器包含的弱分类器较少，运行速度较快，而越往后分类器越复杂，包含的弱分类器越多。3.根据权利要求2所述的基于自主在线学习的目标检测方法，其特征在于，当使用级联分类器进行分类时，测试样本被每一级的分类器判断为正样本才将其分类为正样本，若有一级分类器将其判断为负样本，则停止送入下一级分类器，直接判定为负样本。4.根据权利要求1所述的基于自主在线学习的目标检测方法，其特征在于，所述方法中，将级联分类器用于图像中的目标检测，对于图像中含有目标的区域认为是正样本区域，而不含目标的区域为负样本区域，通过级联分类器前几级运算速度快，包含弱...

【专利技术属性】
技术研发人员：张中，严灯和，张金飞，
申请(专利权)人：合肥湛达智能科技有限公司，
类型：发明
国别省市：