[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

技術領域

本發明涉及分類器領域，特別是涉及一種Adaboost分類器在線學習方法及系統。

背景技術

人臉檢測、行人檢測、車輛檢測等目標檢測技術是智能視頻監控的核心技術之一。目前，目標檢測有兩種主流的方法：基于運動檢測和基于分類器檢測。基于運動檢測是通過背景建模等技術分割出場景中的運動目標（前景），速度快，但是對光照變化、惡劣天氣、干擾物等很敏感，當目標密集如相互粘連時，也無法準確的分割出每個目標，另外，也無法準確的區分出每個目標的類型。基于分類器檢測是使用機器學習的方法，事先訓練一個特定目標的分類器（如人臉分類器），運行時，對整個視頻幀進行掃描，檢測出其中所有的目標。

在目標檢測分類器中，被廣泛使用的是Adaboost分類器，該方法準確率高、速度快。Adaboost分類器一般是離線訓練生成，即通過對收集的訓練樣本進行訓練，得到分類器模型，然后用于實際的目標檢測任務。由于離線訓練樣本和監控場景存在差異，可能會導致Adaboost分類器的泛化性能差，檢測率低，誤報率高。例如，如果訓練樣本中的行人樣本是在正常光照條件下拍攝的，那么，當監控場景光線很弱時，無法正確的檢測出場景中的行人。

發明內容

基于此，有必要針對傳統的Adaboost分類器采用離線訓練生成，檢測目標任務存在檢測率低，誤報率高的問題，提供一種Adaboost分類器在線學習方法，采用該Adaboost分類器檢測目標任務時能提高檢測率且誤報率低。

此外，還有必要提供一種Adaboost分類器在線學習系統，采用該Adaboost分類器檢測目標任務時能提高檢測率且誤報率低。

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。

一種Adaboost分類器在線學習系統，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。

上述Adaboost分類器在線學習方法和系統，通過將離線分類器檢測的目標結果與背景模型檢測的運動目標進行比較，得到錯分類器的目標，將錯分類器的目標作為在線訓練樣本，進行在線學習，得到更新后的強分類器，再通過更新后的強分類器檢測目標，有效提高了目標檢測分類器的泛化性能，使其能夠適應運行時的監控場景，提高了檢測率，降低了誤報率。

附圖說明

圖1為一個實施例中Adaboost分類器在線學習方法的流程圖；

圖2為一個實施例中采用背景模型進行目標檢測，得到運動目標圖步驟的流程圖；

圖3為另一個實施例中采用背景模型進行目標檢測，得到運動目標圖步驟的流程圖；

圖4為另一個實施例中采用背景模型進行目標檢測，得到運動目標圖步驟的流程圖；

圖5為將該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步驟的流程圖；

圖6為一個實施例中離線訓練得到的強分類器的流程圖；

圖7為根據該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步驟的具體流程圖；

圖8為一個實施例中Adaboost分類器在線學習系統的結構框圖；

圖9為圖8中第二檢測模塊的內部結構框圖；

圖10為圖8中在線訓練模塊的內部結構框圖；

圖11為另一個實施例中Adaboost分類器在線學習系統的結構框圖；

圖12為圖11中離線訓練模塊的內部結構框圖；

圖13為圖12中離線訓練單元的內部結構框圖。

具體實施方式

下面結合具體的實施例及附圖對Adaboost分類器在線學習方法及系統的技術方案進行詳細的描述，以使其更加清楚。

如圖1所示，為一個實施例中Adaboost分類器在線學習方法的流程圖。該Adaboost分類器在線學習方法，包括：