[發(fā)明專(zhuān)利]一種基于在線學(xué)習(xí)的自適應(yīng)級(jí)聯(lián)分類(lèi)器訓(xùn)練方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201010166225.6
• 申請(qǐng)日: 2010-05-10
• 公開(kāi)（公告）號(hào): CN101814149A
• 公開(kāi)（公告）日: 2010-08-25
• 發(fā)明（設(shè)計(jì)）人: 桑農(nóng);羅大鵬;黃銳;唐奇伶;王岳環(huán);高常鑫;高峻;笪邦友
• 申請(qǐng)（專(zhuān)利權(quán)）人: 華中科技大學(xué)
• 主分類(lèi)號(hào): G06K9/66
• 分類(lèi)號(hào): G06K9/66
• 代理公司: 華中科技大學(xué)專(zhuān)利中心 42201
• 代理人: 朱仁玲

1.一種基于在線學(xué)習(xí)的自適應(yīng)級(jí)聯(lián)分類(lèi)器的訓(xùn)練方法，用于使分類(lèi)器自動(dòng) 學(xué)習(xí)新樣本提高分類(lèi)精度，該訓(xùn)練方法包括如下步驟：

(1)準(zhǔn)備一個(gè)訓(xùn)練樣本集，該訓(xùn)練樣本集含有M個(gè)訓(xùn)練樣本 (U_i，V_i)，i＝1，……，M，M為訓(xùn)練樣本數(shù)，采用級(jí)聯(lián)分類(lèi)器算法通過(guò)該訓(xùn)練樣本集 訓(xùn)練初始級(jí)聯(lián)分類(lèi)器H^c(x)，其中，U_i表示訓(xùn)練樣本的特征值集合，V_i為樣本類(lèi) 別，

(2)使用該初始級(jí)聯(lián)分類(lèi)器H^c(x)遍歷待檢測(cè)的圖像幀，逐一提取與上述 訓(xùn)練樣本同樣大小的區(qū)域計(jì)算其特征值集合，用所述初始級(jí)聯(lián)分類(lèi)器H^c(x)對(duì) 上述區(qū)域進(jìn)行分類(lèi)，判斷是否為目標(biāo)區(qū)域，從而用級(jí)聯(lián)分類(lèi)器H^c(x)檢測(cè)出圖 像幀中的目標(biāo)；

(3)獲得在線學(xué)習(xí)樣本：對(duì)檢測(cè)到的目標(biāo)采用粒子濾波算法進(jìn)行跟蹤， 利用粒子濾波算法的特性對(duì)目標(biāo)檢測(cè)結(jié)果進(jìn)行驗(yàn)證，將驗(yàn)證為錯(cuò)誤的檢測(cè)結(jié)果 標(biāo)注為在線學(xué)習(xí)的負(fù)樣本，將驗(yàn)證為正確的檢測(cè)結(jié)果認(rèn)為是真實(shí)目標(biāo)，通過(guò)跟 蹤獲取真實(shí)目標(biāo)的不同姿態(tài)，從中提取在線學(xué)習(xí)的正樣本；

(4)每獲得一個(gè)在線學(xué)習(xí)樣本則采用自適應(yīng)級(jí)聯(lián)分類(lèi)器算法訓(xùn)練初始的 級(jí)聯(lián)分類(lèi)器H^c(x)；

所述的步驟(3)具體過(guò)程為：

(3.1)將所述初始級(jí)聯(lián)分類(lèi)器H^c(x)檢測(cè)到的目標(biāo)作為目標(biāo)的初始分布 p(x₀)，根據(jù)p(x₀)采樣得到粒子集合X^k＝(x^k，i，y^k，i，r^k，i)，i＝1，...N_k，X^k為檢測(cè)到的任 意的第k個(gè)目標(biāo)，其中x^k，i和y^k，i為該第k個(gè)目標(biāo)中任意的第i個(gè)粒子的中心位 置在圖像幀中的坐標(biāo)值，r^k，i為該第i個(gè)粒子的大小，x^k，i、y^k，i和r^k，i這三個(gè)值 構(gòu)成了第i個(gè)粒子的狀態(tài)，此外，對(duì)于第i個(gè)粒子在任意第t個(gè)時(shí)刻的狀態(tài)記 為N_k為該第k個(gè)目標(biāo)取樣的粒子數(shù)，第i個(gè)粒子在t時(shí)刻的權(quán)值 記為t為自然數(shù)，初始時(shí)刻t＝0，相應(yīng)的初始時(shí)刻粒子權(quán)重設(shè)為：

(3.2)對(duì)于每一幀圖像進(jìn)行如下循環(huán)計(jì)算，直至所述檢測(cè)到的目標(biāo)消失， 以完成對(duì)所述檢測(cè)到的目標(biāo)的跟蹤以及該目標(biāo)的粒子似然比的計(jì)算：

(3.2.1)采用狀態(tài)轉(zhuǎn)移方程計(jì)算該幀圖像中的每個(gè)粒子的狀態(tài)：

xtk,i=xt-1k,i+N(σxk)]]>

ytk,i=yt-1k,i+N(σyk)]]>

rtk,i=rt-1k,i(1.2)|q|,]]>q∈N(σrk)]]>

其中以及分別表示方差為σ_x、σ_y以及σ_r的高斯白噪 聲；

(3.2.2)計(jì)算每個(gè)粒子權(quán)值，進(jìn)行歸一化處理，得到帶權(quán)值的粒子集合， 其中，計(jì)算權(quán)值公式如下：

wtk,i=p((xtk,i,ytk,i,rtk,i)|Xk)]]>

其中為第k個(gè)目標(biāo)的第i個(gè)粒子的似然比，即為所求 權(quán)值，其計(jì)算公式為：

p((xtk,i,ytk,i,rtk,i)|Xk)=HC(Uk,i)]]>

其中，H^C(U^k，i)為粒子所對(duì)應(yīng)圖像幀區(qū)域的置信度，U^k，i為該粒子所對(duì)應(yīng) 的圖像幀中的區(qū)域的特征值集合，

歸一化粒子權(quán)值：

w~tk,i=wtk,iΣj=1Nkwtk,j,]]>

即可得到帶權(quán)值的粒子集合；

(3.2.3)通過(guò)上述得到的帶權(quán)值的粒子集合對(duì)目標(biāo)進(jìn)行狀態(tài)估計(jì)，目標(biāo) 的當(dāng)前狀態(tài)為：

X~tk=Σi=1Nkw~tk,i(xtk,i,ytk,i,rtk,i)]]>

(3.2.4)根據(jù)權(quán)值的大小對(duì)上述粒子集合中進(jìn)行重采樣，即對(duì)于權(quán)值 大于閾值Th_hw的粒子進(jìn)行復(fù)制，而權(quán)值小于Th_lw的粒子則進(jìn)行刪除，保證粒子 集合的總粒子數(shù)仍然為N_k個(gè)，并重新分配粒子的權(quán)值

(3.3)當(dāng)跟蹤目標(biāo)的粒子最大似然比連續(xù)M1幀均小于閾值Th_L，則該目 標(biāo)為錯(cuò)誤的檢測(cè)目標(biāo)，將其標(biāo)注為在線學(xué)習(xí)的負(fù)樣本(U，V_-)，若連續(xù)M1幀 粒子最大似然比均大于閾值Th_H，則該目標(biāo)為正確的檢測(cè)目標(biāo)，繼續(xù)跟蹤接下 來(lái)連續(xù)的M2幀，提取該連續(xù)的M2幀中置信度最小的跟蹤目標(biāo)作為在線學(xué)習(xí) 的正樣本(U，V₊)；

所述的步驟(4)的具體過(guò)程為：

(4.1)采用在線boosting算法將在線學(xué)習(xí)樣本用于H^c(x)中每一級(jí)分類(lèi)器 的在線學(xué)習(xí)；

(4.2)對(duì)于在線學(xué)習(xí)的負(fù)樣本，若學(xué)習(xí)完后當(dāng)前的分類(lèi)器仍不能正確分 類(lèi)，則存入負(fù)樣本集合Ne，對(duì)于在線學(xué)習(xí)的正樣本，學(xué)習(xí)完后存入正樣本集 合Po，若Po或Ne中的樣本數(shù)超過(guò)設(shè)定的最大樣本數(shù)，則去掉相應(yīng)集合中存 在時(shí)間最長(zhǎng)的樣本；

(4.3)當(dāng)Po中的樣本數(shù)大于閾值N1，同時(shí)Ne中的樣本數(shù)大于閾值N2時(shí)， 采用級(jí)聯(lián)分類(lèi)器算法用Po和Ne中的樣本訓(xùn)練新一級(jí)分類(lèi)器擴(kuò)充當(dāng)前級(jí)聯(lián)分 類(lèi)器H^C(x)的級(jí)數(shù)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述特征值集合中的特征 類(lèi)型為矩形特征或梯度方向直方圖特征。