用于在线训练分类器的装置和在线训练分类器的方法制造方法及图纸

提供一种用于在线训练分类器的装置和在线训练分类器的方法。该用于在线训练分类器的装置包括：确定部分，用于确定选择器模型的识别能力是否适应样本图像；更新部分，用于在确定部分确定选择器模型的识别能力不适应样本图像的情况下，根据样本图像更新选择器模型；生成部分，用于根据样本图像，利用更新的选择器模型选择组成分类器的弱分类器，并组成分类器。本发明专利技术提供的用于在线训练分类器的装置和方法，能够适应于样本图像自动地更新用于生成分类器的选择器模型，使得基于该选择器模型生成的分类器的分类准确度提高，分类速度加快。

【技术实现步骤摘要】

本专利技术涉及目标识别领域，尤其涉及一种。
技术介绍
当前,在计算机视觉、语音识别等图像和语音检测、定位中，Boosting算法在执行检测和识别任务时变得越来越流行。其中，主要使用离线训练方法对分类器进行训练。在离线训练中，所有训练数据必须提前给出，并且分类器的训练和使用被完全分开。但是，离线 训练的分类器难以适应各种实际的应用环境，可能导致运算量过大或检测不准确的问题。因而，Oza提出了在线学习的概念并给出了理论证明，当在线学习的样本无穷大时，在线学习的分类器的分类能力等同于离线训练的分类器。参见N. Oza和S. Russell的Online bagging and boosting. In Proc. Artificial Intelligence and Statistics，pages 105-112，2001。但是Oza的方案中使用的特征是固定的，这就限制了分类的能力。Grabner等人给出了可以进行特征挑选的在线学习方案，引入了选择器的概念，具体请参见H. Grabner和 H. Bischof. On-line boosting and vision. In Pro本文档来自技高网...

【技术保护点】
一种用于在线训练分类器的装置，包括：确定部分，用于确定选择器模型的识别能力是否适应样本图像；更新部分，用于在所述确定部分确定所述选择器模型的识别能力不适应所述样本图像的情况下，根据所述样本图像更新所述选择器模型；以及生成部分，用于根据所述样本图像，利用更新的选择器模型选择组成所述分类器的弱分类器，并组成所述分类器。

【技术特征摘要】

【专利技术属性】
技术研发人员：孟龙，
申请(专利权)人：索尼公司，
类型：发明
国别省市：