[發(fā)明專利]一種基于隨機(jī)蕨分類器的全自主在線學(xué)習(xí)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410407669.2
• 申請(qǐng)日: 2014-08-19
• 公開(kāi)（公告）號(hào): CN104156734B
• 公開(kāi)（公告）日: 2017-06-13
• 發(fā)明（設(shè)計(jì)）人: 羅大鵬;韓家寶;魏龍生;王勇;馬麗
• 申請(qǐng)（專利權(quán)）人: 中國(guó)地質(zhì)大學(xué)（武漢）
• 主分類號(hào): G06K9/62
• 分類號(hào): 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

技術(shù)領(lǐng)域

本發(fā)明屬于模式識(shí)別領(lǐng)域，具體涉及一種基于隨機(jī)蕨分類器的全自主在線學(xué)習(xí)方法。

背景技術(shù)

在線學(xué)習(xí)屬于增量學(xué)習(xí)的研究范疇，在這一類方法中分類器對(duì)每個(gè)樣本只學(xué)一次，而不是重復(fù)的學(xué)習(xí)，這樣在線學(xué)習(xí)算法運(yùn)行過(guò)程中不需要大量的存儲(chǔ)空間來(lái)存儲(chǔ)訓(xùn)練樣本，分類器每獲得一個(gè)樣本，即對(duì)其進(jìn)行在線學(xué)習(xí)，通過(guò)在線學(xué)習(xí)使分類器在使用過(guò)程中仍然能根據(jù)新樣本自我更新和改進(jìn)，進(jìn)一步提高分類效果。

早期的在線學(xué)習(xí)算法有Winnow算法，統(tǒng)一線性預(yù)測(cè)算法等，2001年學(xué)者Oza將這些算法與boosting算法進(jìn)行結(jié)合，提出了在線boosting算法(該算法引自“Online bagging and boosting”N.Oza and S.Russell，In Proc.Artificial Intelligence and Statistics,105-112,2001)，在Oza的方法中，每個(gè)特征對(duì)應(yīng)一個(gè)弱分類器，而強(qiáng)分類器是一定數(shù)量的弱分類器的加權(quán)和，其中弱分類器都是從弱分類器集合中挑選出來(lái)的。在線學(xué)習(xí)時(shí)，每個(gè)訓(xùn)練樣本逐一的更新弱分類器集合中的每個(gè)弱分類器，包括調(diào)整正負(fù)樣本的分類閾值以及該分類器的權(quán)重，使好的弱分類器權(quán)重越來(lái)越高，而較差的弱分類器權(quán)重越來(lái)越低，從而每次在線學(xué)習(xí)一個(gè)樣本就可以挑選出一個(gè)當(dāng)前權(quán)重最高的弱分類器加入強(qiáng)分類器中使最終訓(xùn)練出來(lái)的分類器有較強(qiáng)的分類能力。

但是，在線boosting算法的弱分類器集合中每個(gè)弱分類器都要對(duì)新樣本進(jìn)行在線學(xué)習(xí)，當(dāng)弱分類器個(gè)數(shù)較多時(shí)，在線學(xué)習(xí)速度必然會(huì)變慢。Grabner對(duì)在線boosting算法進(jìn)行了改進(jìn)，使其也象Adaboost算法一樣可以進(jìn)行特征選擇，并且這種特征選擇以及對(duì)分類器的更新都是在線進(jìn)行的，稱為在線Adaboost(該算法引自“On-line boosting and vision”H.Grabner and H.Bischof，In Proc.CVPR,(1):260-267,2006)。但是在線Adaboost用特征選擇算子代替一般的弱分類器合成強(qiáng)分類器，特征選擇算子數(shù)以及特征選擇算子對(duì)應(yīng)的弱分類器數(shù)都是固定的，相應(yīng)的在線學(xué)習(xí)分類器結(jié)構(gòu)比較僵化。當(dāng)發(fā)現(xiàn)其分類能力無(wú)法滿足檢測(cè)性能的要求時(shí)，即使持續(xù)的在線學(xué)習(xí)下去也無(wú)法提高檢測(cè)精度。

Ozuysal不再使用弱分類器組成強(qiáng)分類器進(jìn)行樣本分類，而是從樣本特征集合隨機(jī)抽取多個(gè)特征構(gòu)成一個(gè)隨機(jī)蕨，通過(guò)隨機(jī)蕨統(tǒng)計(jì)訓(xùn)練樣本后驗(yàn)概率分布，再由多個(gè)隨機(jī)蕨的后驗(yàn)概率分布進(jìn)行樣本分類，即為隨機(jī)蕨分類器算法(該算法引自“Fast keypoint recognition using random ferns”In Pattern Analysis Machine Intelligence，IEEE Transaction on 32(3),448-461,2010)。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是：提供一種基于隨機(jī)蕨分類器的全自主在線學(xué)習(xí)方法，用于分類器的自主學(xué)習(xí)以提高分類性能。

本發(fā)明為解決上述技術(shù)問(wèn)題所采取的技術(shù)方案為：一種基于隨機(jī)蕨分類器的全自主在線學(xué)習(xí)方法，其特征在于：它包括如下步驟：

1)準(zhǔn)備初始訓(xùn)練分類器的樣本集：

針對(duì)待檢測(cè)的視頻幀，在視頻幀中框選出一個(gè)目標(biāo)圖片，對(duì)該目標(biāo)圖片進(jìn)行仿射變換得到的圖片作為正樣本；以不含有目標(biāo)的背景圖像區(qū)域作為負(fù)樣本；如此隨機(jī)的獲取一定數(shù)量的正樣本和負(fù)樣本作為初始訓(xùn)練分類器的樣本集；正、負(fù)樣本為大小相同的圖像塊；

2)隨機(jī)蕨分類器初始訓(xùn)練：

使用準(zhǔn)備好的初始訓(xùn)練分類器的樣本集對(duì)隨機(jī)蕨分類器進(jìn)行初始訓(xùn)練，統(tǒng)計(jì)正負(fù)樣本在每個(gè)隨機(jī)蕨上的后驗(yàn)概率分布；

3)將初始訓(xùn)練好的隨機(jī)蕨分類器作為當(dāng)前目標(biāo)檢測(cè)器遍歷待檢測(cè)的視頻幀進(jìn)行目標(biāo)檢測(cè)，得到目標(biāo)模塊，并計(jì)算每個(gè)目標(biāo)模塊的置信度；

4)構(gòu)建正負(fù)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(fù)樣本模板集M^-：

A、步驟1)中得到的正樣本；

B、對(duì)步驟3)中得到的置信度超過(guò)置信度預(yù)設(shè)值的目標(biāo)模塊，采用光流法對(duì)其所在視頻幀進(jìn)行跟蹤得到跟蹤模塊，若跟蹤模塊與該目標(biāo)模塊有重合區(qū)域，且重合率超過(guò)預(yù)設(shè)重合率，則認(rèn)為該跟蹤模塊是真實(shí)目標(biāo)，作為正樣本模板添加到M⁺中；