[發明專利]一種基于在線學習的局部可形變目標檢測方法及其系統

無效

• 申請號: 201310180015.6
• 申請日: 2013-05-15
• 公開（公告）號: CN103258216A
• 公開（公告）日: 2013-08-21
• 發明（設計）人: 王亮;黃永禎;唐微
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 宋焰琴

1.一種基于在線學習的局部可形變目標檢測方法，其包括：?

步驟1、利用訓練集中的樣本圖像對局部可形變目標檢測模型進行訓練，得到初步訓練后的局部可形變目標檢測模型；?

步驟2、利用所述局部可形變目標檢測模型對待測圖像進行目標檢測，并利用GUI標注在線學習方法對已有的局部可形變目標檢測模型進行更新優化。?

2.如權利要求1所述的目標檢測方法，其特征在于，步驟2中，對待測圖像進行目標檢測時，如果檢測錯誤或者檢測得分偏低，則使用該待測圖像，利用GUI標注在線學習方法對所述局部可形變目標檢測模型進行更新優化。?

3.如權利要求1所述的目標檢測方法，其特征在于，步驟1具體包括：?

步驟11、提取訓練集中樣本圖像的圖像特征和目標標注；?

步驟12、初始化一個局部可形變目標檢測模型；?

步驟13、利用所述樣本圖像的圖像特征和目標標注對所建立的局部可形變目標檢測模型進行訓練，得到初步訓練后的局部可形變目標檢測模型。?

4.如權利要求1所述的方法，其特征在于，步驟2具體包括如下步驟：?

步驟21、提取新樣本圖像的圖像特征，進行目標檢測，并利用GUI獲取所述新樣本圖像的目標標注；?

步驟22、根據所提取的新樣本圖像的圖像特征和目標標注，使用在線學習方法對已有的所述局部可形變目標檢測模型進行更新。?

5.如權利要求3所述的方法，其特征在于，步驟13中使用支持向量機對所述局部可形變目標檢測模型做訓練。?

6.如權利要求5所述的方法，其特征在于，所述支持向量機為線性向量機，其如下表示：?

f_w，b(X)＝w^TX+b?

其中，X是樣本圖像的圖像特征向量，w和b是通過支持向量機學習得到的局部可形變目標檢測模型的參數，w表示局部可形變目標檢測模型中對來自樣本圖像的各個圖像特征所取的權重值；b是一個偏置項。?

7.如權利要求6所述的方法，其特征在于，利用如下所示的目標函數最小化所述支持向量機，得到局部可形變目標檢測模型的參數：?

其中，C是權重，y_i取值為+1或者-1，分別表示圖像中有或者沒有目標，n為訓練集中圖像的數目；x_i表示樣本圖像的第i個特征。?

8.如權利要求4所述的方法，其特征在于，步驟22中在線學習算法為PA算法，所述局部可形變目標檢測模型的參數如下更新：?

l_t＝max{0，1-y_t(W_t*X_t)}?

W_t+1＝W_t+y_tτ_tX_t

其中，w_t表示圖像特征向量x_t對應的權重向量，x_t表示圖像特征向量，b表示偏置項，y_t表示圖像特征向量對應的標注向量，其元素取值為+1或者-1，分別表示圖像中有或者沒有目標；|X_t||²為X_t的二范數。?

9.如權利要求8所述的方法，其特征在于，在得到所述更新后的局部可形變目標檢測模型后，利用測試集中的樣本圖像對所述局部可形變目標檢測模型進行測試，獲得所述局部可形變目標檢測模型的檢測能力，以便調整在線學習算法的參數。?

10.一種基于在線學習的局部可形變目標檢測系統，其包括：?

局部可形變目標檢測模型訓練裝置，其利用訓練集中的樣本圖像對局部可形變目標檢測模型進行訓練，得到初步訓練后的局部可形變目標檢測模型；?

局部可形變目標檢測模型的在線更新裝置，其利用GUI標注在線學習方法對已有的局部可形變目標檢測模型進行更新優化；?

目標檢測裝置，其利用局部可形變目標檢測模型對待測圖像進行目標檢測。?