[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

技術領域

本發明屬于模式識別領域，具體涉及一種基于隨機蕨分類器的全自主在線學習方法。

背景技術

在線學習屬于增量學習的研究范疇，在這一類方法中分類器對每個樣本只學一次，而不是重復的學習，這樣在線學習算法運行過程中不需要大量的存儲空間來存儲訓練樣本，分類器每獲得一個樣本，即對其進行在線學習，通過在線學習使分類器在使用過程中仍然能根據新樣本自我更新和改進，進一步提高分類效果。

早期的在線學習算法有Winnow算法，統一線性預測算法等，2001年學者Oza將這些算法與boosting算法進行結合，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，每個特征對應一個弱分類器，而強分類器是一定數量的弱分類器的加權和，其中弱分類器都是從弱分類器集合中挑選出來的。在線學習時，每個訓練樣本逐一的更新弱分類器集合中的每個弱分類器，包括調整正負樣本的分類閾值以及該分類器的權重，使好的弱分類器權重越來越高，而較差的弱分類器權重越來越低，從而每次在線學習一個樣本就可以挑選出一個當前權重最高的弱分類器加入強分類器中使最終訓練出來的分類器有較強的分類能力。

但是，在線boosting算法的弱分類器集合中每個弱分類器都要對新樣本進行在線學習，當弱分類器個數較多時，在線學習速度必然會變慢。Grabner對在線boosting算法進行了改進，使其也象Adaboost算法一樣可以進行特征選擇，并且這種特征選擇以及對分類器的更新都是在線進行的，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分類器，特征選擇算子數以及特征選擇算子對應的弱分類器數都是固定的，相應的在線學習分類器結構比較僵化。當發現其分類能力無法滿足檢測性能的要求時，即使持續的在線學習下去也無法提高檢測精度。

Ozuysal不再使用弱分類器組成強分類器進行樣本分類，而是從樣本特征集合隨機抽取多個特征構成一個隨機蕨，通過隨機蕨統計訓練樣本后驗概率分布，再由多個隨機蕨的后驗概率分布進行樣本分類，即為隨機蕨分類器算法(該算法引自“Fast keypoint recognition using random ferns”In Pattern Analysis Machine Intelligence，IEEE Transaction on 32(3),448-461,2010)。

發明內容

本發明要解決的技術問題是：提供一種基于隨機蕨分類器的全自主在線學習方法，用于分類器的自主學習以提高分類性能。

本發明為解決上述技術問題所采取的技術方案為：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；