[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

技術領域

本發明涉及模式識別和機器學習領域，特別涉及一種基于在線學習的局部可形變目標檢測方法及其系統。

背景技術

傳統的目標檢測是利用從圖像中提取的特征，使用支持向量機做訓練得到一個目標檢測模型，然后利用訓練得到的目標檢測模型進行檢測。這種方法在模型不是很復雜，訓練樣本不多，實時性要求不高的時候是可行的。在大規模數據背景下，訓練數據非常大，并且是陸續收集得到的。每收集到一個新的數據集，如果想要對模型進行更新，就需要對新的訓練數據進行標注，再將以前的訓練數據和新的訓練數據合并以后，重新進行訓練。這樣做不僅標注操作過程復雜，并且對復雜模型(例如魯棒性很好的局部可形變目標檢測模型)重新訓練十分耗時，需要消耗大量內存容量，更無法在檢測過程中對模型進行實時更新。特別地，如果訓練數據特別大，只是內存容量就可能無法滿足訓練需求。

另外，常規的在線學習需要事先對圖像進行坐標標注，標注過程慢，實行起來復雜，尤其是圖像較多或者同一圖像中目標較多的時候，這種方法十分費時費力。

局部可形變目標檢測模型是當前最魯棒的目標檢測模型之一，但其訓練過程十分耗時，并且無法利用新的樣本對模型進行更新，因此很難適用于大規模數據背景下的目標檢測。

發明內容

為了解決傳統的目標檢測方法在處理大規模數據背景下的訓練數據存在的不足，如模型魯棒性差、標注復雜、訓練速度慢、占用內存大、操作不方便、無法實時更新等，本發明提供了一種在線學習的局部可形變目標檢測方法及其系統。

本發明公開的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。

本發明公開的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。

根據本發明的上述方法，在大數據背景下，可以快速有效地處理用于目標檢測的數據。上述方法開始時，可以使用數據量不大的訓練集訓練支持向量機得到一個基本的局部可形變目標檢測模型。以后，每進行一次檢測，如果檢測錯誤或者檢測得分偏低時，使用GUI界面進行一次標注，再利用在線學習算法對局部可形變目標檢測模型更新一次即可。這樣做，將整個耗時的訓練過程分布在每次目標檢測之中，同時模型可以實時更新，局部可形變檢測模型魯棒性會進一步得到提升，且對內存需求量不大。即使是檢測的樣本是無限大的，也可以在只擁有常規內存的機器上做訓練。

另外，本發明提出的上述方法還利用GUI標注進行在線學習，這種標注方法標注速度快，操作簡單，并且與在線學習算法做好結合后，可以得到與常規方法更佳的檢測效果。甚至可以在只擁有普通內存的機器上，使用無窮的數據進行檢測，同時實時更新目標檢測模型。大大節省了模型的訓練時間，也可以充分利用所有可以利用的數據，來提高目標檢測模型的檢測能力。本發明中由于使用了局部可形變目標檢測模型，在追求實時更新的同時，充分保證了檢測的魯棒性。

使用者還可以根據實際情況，既可以選擇一邊檢測，一邊進行在線學習；也可以選擇只進行檢測，不進行在線學習；更可以選擇將檢測過程中發生誤檢的樣本搜集在一起，一次性進行在線更新，使用十分靈活。

附圖說明

圖1是本發明中基于在線學習的局部可形變目標檢測方法流程圖。

圖2是本發明中行人檢測的局部可形變目標檢測模型示例圖。

圖3是本發明另一優選實施例中基于在線學習的局部可形變目標檢測方法流程圖。

圖4是本發明中基于在線學習的局部可形變目標檢測系統的結構框圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，并參照附圖，對本發明作進一步的詳細說明。

本發明公開了一種基于在線學習的局部可形變目標檢測方法及其系統。