[發明專利]Adaboost分類器在線學習方法及系統

在審

• 申請號: 201310202058.X
• 申請日: 2013-05-27
• 公開（公告）號: CN103593672A
• 公開（公告）日: 2014-02-19
• 發明（設計）人: 雷明;萬克林
• 申請（專利權）人: 深圳市智美達科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 何平

1.一種Adaboost分類器在線學習方法，包括：

采用離線訓練得到的強分類器進行目標檢測，并得到目標檢測結果；

采用背景模型進行目標檢測，得到運動目標；

將強分類器得到的目標檢測結果與背景模型檢測得到運動目標進行比較，得到錯分類器的目標；

將所述錯分類器的目標作為在線訓練樣本，進行在線訓練，得到更新后的強分類器。

2.根據權利要求1所述的Adaboost分類器在線學習方法，其特征在于，所述方法還包括：

離線訓練得到的強分類器，包括：

給定N個離線訓練樣本，并初始化離線訓練樣本的權重；

根據所述N個離線訓練樣本和權重循環訓練多個弱分類器，并得到每個弱分類器的權重；

根據所述多個弱分類器及相應的權重得到強分類器。

3.根據權利要求1所述的Adaboost分類器在線學習方法，其特征在于，所述根據所述N個離線訓練樣本和權重循環訓練多個弱分類器，并得到每個弱分類器的權重的步驟包括：

根據所述N個離線訓練樣本和權重訓練多個弱分類器；

計算所述N個離線訓練樣本在每個弱分類器上的總誤差，并根據所述每個弱分類器的總誤差得到每個弱分類器的權重；

更新所述離線訓練樣本的權重，并對所述權重歸一化。

4.根據權利要求1所述的Adaboost分類器在線學習方法，其特征在于，所述背景模型為高斯混合模型、背景差分法模型或幀平均背景模型；

當所述背景模型為高斯混合模型時，所述采用背景模型進行目標檢測，得到運動目標的步驟包括：

若當前幀為第一幀，則初始化高斯混合模型中的高斯分量；

若當前幀不為第一幀，則利用當前幀的每一個像素更新高斯混合模型中的高斯分量，并根據當前幀和每個高斯分量的比較，得到前景像素，形成前景圖；

對所述前景圖進行處理，提取聯通分量，得到運動目標；

當所述背景模型為背景差分法模型時，所述采用背景模型進行目標檢測，得到運動目標的步驟包括：

采用當前幀與前一幀相減得到差分圖，根據差分圖進行閾值化提取前景圖；

對所述前景圖進行處理，提取聯通分量，得到運動目標；

當所述背景模型為幀平均背景模型時，所述采用背景模型進行目標檢測，得到運動目標的步驟包括：

將當前幀之前的所有幀的加權平均作為背景，再用當前幀和所述背景相減得到差分圖，根據差分圖進行閾值化提取前景圖；

對所述前景圖進行處理，提取聯通分量，得到運動目標。

5.根據權利要求1至4中任一項所述的Adaboost分類器在線學習方法，其特征在于，所述將所述錯分類器的目標作為訓練樣本，進行在線訓練，得到更新后的強分類器的步驟包括：

將所述錯分類器的目標作為在線訓練樣本，初始化訓練樣本的權重；

根據以權重為參數的泊松分布設置訓練的次數；

將弱分類器根據所述在線訓練樣本按照所述設置的次數進行訓練；

若在線訓練樣本被正確分類，則更新泊松分布的參數，計算正確分類的次數累加值、計算分類器的錯誤率；

若在線訓練樣本被錯誤分類，則更新泊松分布的參數，計算錯誤分類的次數累加值、計算分類器的錯誤率；

得到更新后的強分類器。

6.一種Adaboost分類器在線學習系統，其特征在于，包括：

第一檢測模塊，用于采用離線訓練得到的強分類器進行目標檢測，并得到目標檢測結果；

第二檢測模塊，用于采用背景模型進行目標檢測，得到運動目標；

比較模塊，用于將強分類器得到的目標檢測結果與背景模型檢測得到運動目標進行比較，得到錯分類器的目標；

在線訓練模塊，用于將所述錯分類器的目標作為在線訓練樣本，進行在線訓練，得到更新后的強分類器。

7.根據權利要求6所述的Adaboost分類器在線學習系統，其特征在于，所述系統還包括：

離線訓練模塊，用于離線訓練得到的強分類器，包括：

離線初始化單元，用于給定N個離線訓練樣本，并初始化離線訓練樣本的權重；

離線訓練單元，用于根據所述N個離線訓練樣本和權重循環訓練多個弱分類器，并得到每個弱分類器的權重；

離線輸出單元，用于根據所述多個弱分類器及相應的權重得到強分類器。