[發明專利]一種基于隨機蕨分類器的全自主在線學習方法

有效

• 申請號: 201410407669.2
• 申請日: 2014-08-19
• 公開（公告）號: CN104156734B
• 公開（公告）日: 2017-06-13
• 發明（設計）人: 羅大鵬;韓家寶;魏龍生;王勇;馬麗
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 湖北武漢永嘉專利代理有限公司42102
• 代理人: 王丹

1.一種基于隨機蕨分類器的全自主在線學習方法，其特征在于：它包括如下步驟：

1)準備初始訓練分類器的樣本集：

針對待檢測的視頻幀，在視頻幀中框選出一個目標圖片，對該目標圖片進行仿射變換得到的圖片作為正樣本；以不含有目標的背景圖像區域作為負樣本；如此隨機的獲取一定數量的正樣本和負樣本作為初始訓練分類器的樣本集；正、負樣本為大小相同的圖像塊；

2)隨機蕨分類器初始訓練：

使用準備好的初始訓練分類器的樣本集對隨機蕨分類器進行初始訓練，統計正負樣本在每個隨機蕨上的后驗概率分布；

3)將初始訓練好的隨機蕨分類器作為當前目標檢測器遍歷待檢測的視頻幀進行目標檢測，得到目標模塊，并計算每個目標模塊的置信度；

4)構建正負樣本模板集：

將以下三種樣本作為正樣本模板添加到正樣本模板集M⁺，其余添加到負樣本模板集M^-：

A、步驟1)中得到的正樣本；

B、對步驟3)中得到的置信度超過置信度預設值的目標模塊，采用光流法對其所在視頻幀進行跟蹤得到跟蹤模塊，若跟蹤模塊與該目標模塊有重合區域，且重合率超過預設重合率，則認為該跟蹤模塊是真實目標，作為正樣本模板添加到M⁺中；

C、對步驟3)中得到的置信度超過0.6的目標模塊，采用光流法對其所在視頻幀進行跟蹤得到跟蹤模塊，若跟蹤模塊與該目標模塊有重合區域，且重合率未超過預設重合率，則通過保守相似度S^c判斷該跟蹤模塊能否加入正樣本模板集：

$S^c=\frac{S_{50\%}^{+}}{S_{50\%}^{+}+S^{-}}$

其中：

如果S^c大于預設的保守相似度閾值，則該跟蹤模塊作為正樣本模板加入M⁺，為待分類樣本與當前正樣本模板集的前半部分模板的相似度，S⁺、S^-分別為待分類樣本與正、負樣本模板集的相似度，為兩個圖像幀的相似度，p⁺，p^-分別為正樣本和負樣本，p為待分類樣本，本步驟中待分類樣本為跟蹤模塊；

每加入一個正樣本模板，則取同一視頻幀中其周圍四個相同大小的圖像塊判斷是否為負樣本，若是作為負樣本模板加入負樣本模板集M^-；

5)使用最近鄰分類器，獲得在線學習的正負樣本：

最近鄰分類器的設置如下：對于每個待分類樣本p，分別計算其與正負樣本模板集的相似度S⁺(p,M⁺)及S^-(p,M^-)：

$S^{+}(p,M^{+})={\max }_{p_i^{+}\∈M^{+}}S(p,p_i^{+})$

$S^{-}(p,M^{-})={\max }_{p_i^{-}\∈M^{-}}S(p,p_i^{-})$

相應的可得相似度S^r：

$S^r=\frac{S^{+}}{S^{+}+S^{-}}$

若相似度S^r大于閾值θ_NN，則判斷該待分類樣本為真實目標，作為在線學習的正樣本；否則為虛警，作為在線學習的負樣本；

本步驟中待分類樣本為步驟3)得到的目標模塊和步驟4)得到的正負樣本模板集；

(6)隨機蕨分類器的在線訓練：

使用步驟5)獲得的在線學習的正負樣本，對隨機蕨分類器進行在線學習，逐漸提高其分類精度；

將在線學習的隨機蕨分類器作為可持續更新的檢測系統進行目標檢測；

所述的步驟4)還包括模板集消減機制：待分類樣本與正負模板集的相似度等于待分類樣本與正負模板集中單個正負樣本模板之間相似度的最大值；實時統計各個正負樣本模板獲得該最大值的次數，若某正負樣本模板獲得的該最大值的次數小于最大值次數預設值，則去除對應的正樣本模板或負樣本模板。