專利名稱：一種基于多分類器的物體檢測系統(tǒng)及方法
技術領域：
本發(fā)明涉及計算機圖像處理領域，更具體地說，涉及一種基于多分類器的 物體4企測系統(tǒng)及方法。
背景技術：
通常，圖4象中的物體4全測主要通過物體特征表示方法和物體4企測方法實現(xiàn)，其中物體特征表示方法通過在圖像中提取特征，進而有效的表示物體；而 物體檢測方法則利用特征表示來判斷物體的存在。以下是物體特征表示方法和 物體^r測方法的研究現(xiàn)狀。 (a)物體特征表示大致有如下幾種類型的特征圖像像素特征、邊緣特征、頻域特征、局部 區(qū)域描述特征和直方圖特征等，表1是各種特征表示方法的對比。特征類型技術特點優(yōu)點缺點圖像像素值特征包括灰度值和彩 色信息值可以直接從原始 數(shù)據中獲取受光照、背景變化 和噪聲的影響邊緣特征包括邊緣梯度和 邊桑彖方向刻畫了物體區(qū)域 的突 變，計算筒單容易受噪聲的影 響頻域特征選取頻域中的變 換系數(shù)作為特征可以有效的表示 物體計算量大局部區(qū)域描述特 征在相對穩(wěn)定的局 部區(qū)域上提取特 征綜合考慮了物體 的紋理信息和結 構信息特征維數(shù)過高直方圖特征獲取圖像特征的 分布情況描述物體在紋理、 尺度和空間結構 的信息特征向量的維數(shù) 過高表l不同特征描述方法比較(b)物體檢測方法 按照目標物體的類別數(shù)目，物體檢測可以被劃分為兩種任務第一種是單類目標物體檢測任務，即檢測目標為單一類型物體；第二種是多類目標物體檢 測任務，需要在圖像中同時把多種類型的目標物體提取出來。物體檢測問題可 以用機器學習的方法解決。圖像樣本由一個特征集合表示，采用機器學習的方 法對樣本進行分類，判斷其是否屬于目標類。在該領域已有相當多的算法，例如，基于AdaBoost的多分類器融合物體 檢測方法。Adaboost算法通過一個迭代的訓練過程來得到一個強的分類器。 在第一次訓練出一個弱分類器后，訓練樣本的權重得到調整，從而使沒有被第 一次訓練出的弱分類器正確分類的樣本的權重增加。如此迭代下去，最終得到 的分類器是對每次訓練得到的弱分類器的 一個線性組合。然而在現(xiàn)有算法中，絕大部分都是串行計算技術， 一方面，物體4企測技術 隨著性能的提升越來越復雜；另一方面，網絡應用所帶來的海量圖像類數(shù)據， 對實時處理具有越來越廣泛的需求。發(fā)明內容本發(fā)明要解決的技術問題在于，針對上述物體檢測技術中計算復雜度高、 無法適應實時處理的問題，提供一種基于多分類器的物體檢測系統(tǒng)及方法。本發(fā)明解決上述技術問題的技術方案是，提供一種基于多分類器的物體檢 測系統(tǒng)，包括分類器訓練單元，用于根據訓練集合訓練獲得N個分類器，其中N〉1;分類器選擇單元，用于根據計算量和分類性能從所述N個分類器中選擇P 個分類器融合獲得分類器集合，其中KP《N;分類器分布單元，用于將所述P個分類器分布到多個不同的計算資源上分 別對未知圖像進行檢測獲得P個分類器結果；檢測結果融合單元，用于對所述P個分類器結果進行融合獲取物體檢測 結果。在本發(fā)明所述的一種基于多分類器的物體4企測系統(tǒng)中，所述分類器選擇單 元選擇的P個分類器具有低相關性且具有相同的計算復雜度。在本發(fā)明所述的一種基于多分類器的物體檢測系統(tǒng)中，所述分類器選擇單元通過構建分類器校驗集合^做")!風…，氣并將5 5 " _ 。2 _ S 5 、最小 化，獲得包括P個分類器的分類器集合，其中^表示一個校驗樣本，"表示該樣本所對應的類別標識，r,表示第/個分類器乂的計算復雜度，q = j"a^)-/)(/ -/)難旨表示第f個和第y個分類器的相關程度，p(w)為 樣本的分布。在本發(fā)明所述的一種基于多分類器的物體檢測系統(tǒng)中，對于檢測物體尸檢測結果融合單元獲得的物體檢測結果為 '=1 ，其中少/ =/(3^是第/個分 類器乂的分類器結果，w,是加權系數(shù)。在本發(fā)明所述的一種基于多分類器的物體檢測系統(tǒng)中，所述分類器訓練單 元將所述訓練集合中隨意抽取獲得N個訓練子集，并使用每一訓練子集訓練 一個分類器。本發(fā)明還提供一種基于多分類器的物體^r測方法，包括以下步驟(a) 使用訓練結合訓練N個分類器，其中N";(b) 根據計算量和分類性能從所述N個分類器中選擇P個分類器進行融 合獲得分類器集合，其中1<P<N;(c) 將所述P個分類器分布到多個不同的計算資源上分別對未知圖像進 行檢測獲得P個分類器結果；(d) 對所述P個分類器結果進行融合獲取物體檢測結果。 在本發(fā)明所述的一種基于多分類器的物體沖企測方法中，所述步驟(b)中選擇的P個分類器具有低相關性且具有相同的計算復雜度。在本發(fā)明所述的一種基于多分類器的物體檢測方法中，所述步驟(b)包括(bl)構建分類器校驗集合^^"^"W,其中^表示一個校驗樣本， 々'表示該樣本所對應的類別標識；(b2)將化^ ' "最小化，獲得包括P個分類器的分類器集合，其中T)表示第/個分類器y 的計算復雜度，e^I"(vO一z)(/,)—mw,表示 第/個和第7個分類器的相關程度，p(^)為樣本的分布。在本發(fā)明所述的一種基于多分類器的物體檢測方法中，對于檢測物體,尸所述步驟(d)獲得的物體檢測結果為^ —",其中W =/(^是第！ 個分類 器/的檢測結果，W是加權系數(shù)。本發(fā)明的 一種基于多分類器的物體檢測系統(tǒng)及方法，針對圖像中的多個不 同特征分別訓練多個分類器，并選擇適合分布式運算的分類器分布到不同的計 算資源對圖像分別檢測，提高了物體檢測的速度。本發(fā)明可應用于很多對實時 性要求較高的場合中。


下面將結合附圖及實施例對本發(fā)明作進一步說明，附圖中圖1是本發(fā)明一種基于多分類器的物體檢測系統(tǒng)實施例的結構示意圖；圖2是本發(fā)明 一種基于多分類器的物體檢測方法實施例的流程示意圖。
具體實施方式
圖像中的物體檢測，遵循的主要框架是特征+分類算法的形式，二者一起 構成了分類器。使用分類器進行圖像中的物體檢測，主要包含兩個任務 一是 分類器的訓練，即從事先標注好的訓練數(shù)據中獲得待檢測物體的模型；二是分 類器的檢測，即面對未知圖像數(shù)據，得出是否存在特定物體種類及其位置的判 定。如圖1所示，是本發(fā)明一種基于多分類器的物體檢測系統(tǒng)實施例的示意 圖。該系統(tǒng)包括分類器訓練單元ll、分類器選擇單元12、分類器分布單元13 以及檢測結果融合單元14。分類器訓練單元11用于根據訓練集合(即圖像特征集)訓練N個相互獨立的分類器，其中N>1。在具體實現(xiàn)時，設訓練集合為①，分類器訓練單元11首先按照隨機抽取的方法，將①分解為N個訓練子集^'"^，…，W,其中 丸eO并且O'n(I^0，/"';然后分類器訓練單元ll針對每一個訓練子集A訓練一個分類器/ ,則對N個訓練子集，可獲得N個分類器。當然也可使用任 意現(xiàn)有方式訓練獲得N個分類器。分類器選擇單元12用于根據計算量和分類性能從N個分類器中選擇P個分類器融合成分類器集合，其中KP《N。由于在N個分類器中，可能存在相關性很高的分類器(即檢測結果基本相同)，如果這些分類器都被采用，無疑將增加不必要的計算，因此分類器選擇單元12選擇的P個分類器相互之間的分類性能不相近似。此外，考慮到算法的并行性，分類器選擇單元12選擇的P個分類器的計算復雜度盡量相同(包括類似)。在本實施例中，分類器選擇單元12采用如下的原則進行分類器融合構建分類器校驗集合^^，^K'"M，其中巧'表示一個校驗樣本，々'表示該樣本 所對應的類別標識，則對分類器,，其在校驗集合的樣本上巧的誤差可以表示為<formula>formula see original document page 8</formula>D在校驗集合V上的泛化誤差為，)J，脅腳 (2)其中p(V)為樣本的分布，例如高斯分布、泊松分布等。采用加法規(guī)則對7V個分類器進行融合，構成的分類器集群—會"'，其中w,為權重，可釆用任_丄意現(xiàn)有的方式獲得該加權值，例如"=歹。則分類器集群在校驗集合上的泛化誤差為則第/個和第y個分類器的相關程度為其中^和i為在分類器校驗集合v上取值的自變量。顯而易見，可以有C,尸e,., cv = q,。通過上面推導，針對并行計算情況，在兼顧分類性能和計算性能的條件下，若需要從TV個分類器中選擇戶個分類器進行組合得到組合分類器， 則需要最小化如下條件乂--' '-(5)其中r,表示分類器乂的計算復雜度(可以采用任意現(xiàn)有方式表達該計算復雜度)。顯然，滿足公式(5)結果最小的P個分類器即為分類器選擇單元12獲 得的分類器集合。個不同的計算資源上分別對未知圖像進行檢測。上述多個計算資源可以是相互 連接的不同物理設備。由于P個分類器的計算復雜度相差不大，因此各個分類 器獲得結果的時間基本相同。檢測結果融合單元14用于對 P個分類器中每一個的檢測結果進行融合尸獲取物體檢測結果。例如對于檢測物體jc,.,物體檢測結果為y ^ "X其中乂=/(^是第/個分類器乂的檢測結果，w,.是加權系數(shù)，可釆用任意現(xiàn)有的方式—丄獲得該加權值，例如"=1。當然，上述P的值越大，檢測結果越精確，但計算量也越大。如圖2所示，是本發(fā)明一種基于多分類器的物體檢測方法實施例的流程示 意圖。該方法包括以下步驟步驟S21:使用N個訓練子集分別訓練N個分類器，其中N〉1。在具體實現(xiàn)時，設訓練集合為①，則首先按照隨機抽取的方法，將①分解為N個訓 練子集W'I 1，…，7^，其中0,^并且0(%=0，/"';然后針對每一個訓練子集^訓練一個分類器y ，則對N個訓練子集，可獲得N個分類器。當然，該 步驟也可使用任意現(xiàn)有方式實現(xiàn)。步驟S22:根據計算量和分類性從步驟S21獲得的N個分類器重選擇P 個分類器進行融合獲得分類器集合，其中1<P<N (P值越大，計算量越大)。 在該步驟中，選糾目關性較小且計算復雜度接近的P個分類器。這P個分尸尸 尸 尸t，(r-r)2-，，c類器滿足+々''"S-"最小，其中7)表示分類器力的計算復雜度。該步 驟可通過以下方式實現(xiàn)(1) 首先構建分類器校驗集合^^，d'《-，M,其中^/表示一個校驗樣 本，/J表示該樣本所對應的類別標識；尸f 尸 尸，f(r-r)2-，，c(2) 將^々''"S々'"最小化，獲得包括P個分類器的分類器集合，其中r,表示第/個分類器力的計算復雜度，Q = f"^)-z)(/,)-0z^)^表示 第/個和第y個分類器的相關程度，其中p(v)為樣本的分布。步驟S23:將步驟S22中獲取的P個分類器分布到多個不同的計算資源上 分別對未知圖像進行檢測，獲得P個分類器結果。步驟S24:對P個分類器結果進行融合獲取物體檢測結果。對于檢測物體尸x,,獲得的最終類別標簽為'=> "^ ，其中力=/(^是第/個分類器/的4企測 結果，w,.是加權系數(shù)。以上所述，僅為本發(fā)明較佳的具體實施方式
，但本發(fā)明的保護范圍并不局 限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內，可輕易 想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內。因此，本發(fā)明的保護 范圍應該以權利要求的保護范圍為準。
權利要求
1. 一種基于多分類器的物體檢測系統(tǒng)，其特征在于，包括分類器訓練單元，用于根據訓練集合訓練獲得N個分類器，其中N＞1；分類器選擇單元，用于根據計算量和分類性能從所述N個分類器中選擇P個分類器融合獲得分類器集合，其中1＜P≤N；分類器分布單元，用于將所述P個分類器分布到多個不同的計算資源上分別對未知圖像進行檢測獲得P個分類器結果；檢測結果融合單元，用于對所述P個分類器結果進行融合獲取物體檢測結果。
2、 根據權利要求1所述的一種基于多分類器的物體檢測系統(tǒng)，其特征在 于，所述分類器選擇單元選擇的P個分類器具有低相關性且具有相同的計算復 雜度。
3 、根據權利要求2所述的 一種基于多分類器的物體檢測系統(tǒng)，其特征在于， 所述分類器選擇單元通過構建分類器校驗集合<formula>formula see original document page 2</formula>，并將<formula>formula see original document page 2</formula>最小化，獲得包括p個分類器的分類器集合，其中"表示一個校驗樣本，//表示該樣本所對應的類別標識，r,表示第/個分類器力的計算復雜度，q = _f"^)—W/*)—M^V表示第/個和第y個分類器的相關 程度，p(v)為樣本的分布。
4、 根據權利要求1所述的一種基于多分類器的物體檢測系統(tǒng)，其特征在尸于，對于檢測物體;d，檢測結果融合單元獲得的物體檢測結果為"—"，其中乂-yrw是第/個分類器力的分類器結果，w,.是加權系數(shù)。
5、 根據權利要求1-4中任一項所述的一種基于多分類器的物體檢測系統(tǒng)，其特征在于，所述分類器訓練單元將所述訓練集合中隨意抽取獲得N個訓練子集，并使用每一訓練子集訓練一個分類器。
6、 一種基于多分類器的物體檢測方法，其特征在于，包括以下步驟 (a)使用訓練結合訓練N個分類器，其中N〉1;(b )根據計算量和分類性能從所述N個分類器中選擇P個分類器進行融 合獲得分類器集合，其中1<P<N;(c) 將所述P個分類器分布到多個不同的計算資源上分別對未知圖像進 行;險測獲得P個分類器結果；(d) 對所述P個分類器結果進行融合獲取物體檢測結果。
7、 根據權利要求6所述的一種基于多分類器的物體檢測方法，其特征在 于，所述步驟(b)中選擇的P個分類器具有低相關性且具有相同的計算復雜 度。
8、 根據權利要求6所述的一種基于多分類器的物體檢測方法，其特征在 于，所述步驟(b)包括(bl)構建分類器校驗集合^^，d《'"M,其中？^表示一個校驗樣本，"表示該才羊本所對應的類別標識；(b2)將么僉''么僉"最小化，獲得包括P個分類器的分類器集合，其中z;表示第/個分類器/的計算復雜度，cd"^)")(力^)-0/^)命表示 第/個和第y個分類器的相關程度，p(v)為樣本的分布。
9、根據權利要求6所述的一種基于多分類器的物體檢測方法，其特征在于，尸對于檢測物體所述步驟(d)獲得的物體檢測結果為^ —X ，其中乂 =/(^是第/個分類器乂的檢測結果，vv,.是加權系數(shù)。
全文摘要
本發(fā)明涉及計算機圖像處理領域，公開了一種基于多分類器的物體檢測系統(tǒng)，包括分類器訓練單元，用于根據訓練集合訓練獲得N個分類器，其中N＞1；分類器選擇單元，用于根據計算量和分類性能從所述N個分類器中選擇P個分類器融合獲得分類器集合，其中1＜P≤N；分類器分布單元，用于將所述P個分類器分布到多個不同的計算資源上分別對未知圖像進行檢測獲得P個分類器結果；檢測結果融合單元，用于對所述P個分類器結果進行融合獲取物體檢測結果。本發(fā)明還提供了一種對應的方法。本發(fā)明針對圖像中的多個不同特征分別訓練多個分類器，并選擇適合分布式運算的分類器分布到不同的計算資源對圖像分別檢測，提高了物體檢測的速度。
文檔編號G06K9/62GK101251896SQ20081006616
公開日2008年8月27日 申請日期2008年3月21日 優(yōu)先權日2008年3月21日
發(fā)明者亮 王, 王建宇 申請人:騰訊科技(深圳)有限公司