Adaboost分類器在線學(xué)習(xí)方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種Adaboost分類器在線學(xué)習(xí)方法和系統(tǒng)。所述方法包括：采用離線訓(xùn)練得到的強分類器進行目標(biāo)檢測，并得到目標(biāo)檢測結(jié)果；采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)；將強分類器得到的目標(biāo)檢測結(jié)果與背景模型檢測得到運動目標(biāo)進行比較，得到錯分類器的目標(biāo)；將所述錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器。上述Adaboost分類器在線學(xué)習(xí)方法和系統(tǒng)，通過將離線分類器檢測的目標(biāo)結(jié)果與背景模型檢測的運動目標(biāo)進行比較，得到錯分類器的目標(biāo)，將錯分類器的目標(biāo)作為在線訓(xùn)練樣本，得到更新后的強分類器，有效提高了目標(biāo)檢測分類器的泛化性能，使其能夠適應(yīng)運行時的監(jiān)控場景，提高了檢測率，降低了誤報率。
【專利說明】Adaboost分類器在線學(xué)習(xí)方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及分類器領(lǐng)域，特別是涉及一種Adaboost分類器在線學(xué)習(xí)方法及系統(tǒng)?！颈尘凹夹g(shù)】
[0002]人臉檢測、行人檢測、車輛檢測等目標(biāo)檢測技術(shù)是智能視頻監(jiān)控的核心技術(shù)之一。目前，目標(biāo)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(shù)分割出場景中的運動目標(biāo)(前景)，速度快，但是對光照變化、惡劣天氣、干擾物等很敏感，當(dāng)目標(biāo)密集如相互粘連時，也無法準確的分割出每個目標(biāo)，另外，也無法準確的區(qū)分出每個目標(biāo)的類型?；诜诸惼鳈z測是使用機器學(xué)習(xí)的方法，事先訓(xùn)練一個特定目標(biāo)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(biāo)。
[0003]在目標(biāo)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(xùn)練生成，即通過對收集的訓(xùn)練樣本進行訓(xùn)練，得到分類器模型，然后用于實際的目標(biāo)檢測任務(wù)。由于離線訓(xùn)練樣本和監(jiān)控場景存在差異，可能會導(dǎo)致Adaboost分類器的泛化性能差，檢測率低，誤報率高。例如,如果訓(xùn)練樣本中的行人樣本是在正常光照條件下拍攝的，那么，當(dāng)監(jiān)控場景光線很弱時，無法正確的檢測出場景中的行人。

【發(fā)明內(nèi)容】

[0004]基于此，有必要針對傳統(tǒng)的Adaboost分類器采用離線訓(xùn)練生成，檢測目標(biāo)任務(wù)存在檢測率低，誤報率高的問題，提供一種Adaboost分類器在線學(xué)習(xí)方法，采用該Adaboost分類器檢測目標(biāo)任務(wù)時能提高檢測率且誤報率低。
[0005]此外，還有必要提供一種Adaboost分類器在線學(xué)習(xí)系統(tǒng)，采用該Adaboost分類器檢測目標(biāo)任務(wù)時能提高檢測率且誤報率低。
[0006]一種Adaboost分類器在線學(xué)習(xí)方法，包括:
[0007]采用離線訓(xùn)練得到的強分類器進行目標(biāo)檢測，并得到目標(biāo)檢測結(jié)果；
[0008]采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)；
[0009]將強分類器得到的目標(biāo)檢測結(jié)果與背景模型檢測得到運動目標(biāo)進行比較，得到錯分類器的目標(biāo)；
[0010]將所述錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器。
[0011]一種Adaboost分類器在線學(xué)習(xí)系統(tǒng)，包括:
[0012]第一檢測模塊，用于采用離線訓(xùn)練得到的強分類器進行目標(biāo)檢測，并得到目標(biāo)檢測結(jié)果；
[0013]第二檢測模塊，用于采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)；
[0014]比較模塊，用于將強分類器得到的目標(biāo)檢測結(jié)果與背景模型檢測得到運動目標(biāo)進行比較，得到錯分類器的目標(biāo)；[0015]在線訓(xùn)練模塊，用于將所述錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器。
[0016]上述Adaboost分類器在線學(xué)習(xí)方法和系統(tǒng)，通過將離線分類器檢測的目標(biāo)結(jié)果與背景模型檢測的運動目標(biāo)進行比較，得到錯分類器的目標(biāo)，將錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線學(xué)習(xí)，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(biāo)，有效提高了目標(biāo)檢測分類器的泛化性能，使其能夠適應(yīng)運行時的監(jiān)控場景，提高了檢測率，降低了誤報率。
【專利附圖】

【附圖說明】
[0017]圖1為一個實施例中Adaboost分類器在線學(xué)習(xí)方法的流程圖；
[0018]圖2為一個實施例中采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)圖步驟的流程圖；
[0019]圖3為另一個實施例中采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)圖步驟的流程圖；
[0020]圖4為另一個實施例中采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)圖步驟的流程圖；
[0021]圖5為將該錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器步驟的流程圖；
[0022]圖6為一個實施例中離線訓(xùn)練得到的強分類器的流程圖；
[0023]圖7為根據(jù)該N個離線訓(xùn)練樣本和權(quán)重循環(huán)訓(xùn)練多個弱分類器，并得到每個弱分類器的權(quán)重步驟的具體流程圖；
[0024]圖8為一個實施例中Adaboost分類器在線學(xué)習(xí)系統(tǒng)的結(jié)構(gòu)框圖；
[0025]圖9為圖8中第二檢測模塊的內(nèi)部結(jié)構(gòu)框圖；
[0026]圖10為圖8中在線訓(xùn)練模塊的內(nèi)部結(jié)構(gòu)框圖；
[0027]圖11為另一個實施例中Adaboost分類器在線學(xué)習(xí)系統(tǒng)的結(jié)構(gòu)框圖；
[0028]圖12為圖11中離線訓(xùn)練模塊的內(nèi)部結(jié)構(gòu)框圖；
[0029]圖13為圖12中離線訓(xùn)練單元的內(nèi)部結(jié)構(gòu)框圖。
【具體實施方式】
[0030]下面結(jié)合具體的實施例及附圖對Adaboost分類器在線學(xué)習(xí)方法及系統(tǒng)的技術(shù)方案進行詳細的描述，以使其更加清楚。
[0031]如圖1所示，為一個實施例中Adaboost分類器在線學(xué)習(xí)方法的流程圖。該Adaboost分類器在線學(xué)習(xí)方法,包括:
[0032]步驟S102，采用離線訓(xùn)練得到的強分類器進行目標(biāo)檢測，并得到目標(biāo)檢測結(jié)果。
[0033]步驟S104，采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)。
[0034]具體的，該背景模型為高斯混合模型、背景差分法模型或幀平均背景模型。
[0035]首先，當(dāng)該背景模型為高斯混合模型時，如圖2所示，采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)的步驟包括:
[0036]步驟S202，若當(dāng)前幀為第一幀，則初始化高斯混合模型中的高斯分量。[0037]具體的，初始化高斯混合模型中的每個高斯分量的權(quán)重、均值和方差。
[0038]步驟S204，若當(dāng)前幀不為第一幀，利用當(dāng)前幀的每一個像素更新高斯混合模型中的高斯分量，并根據(jù)當(dāng)前幀和每個高斯分量的比較，得到前景像素，形成前景圖。
[0039]具體的，利用當(dāng)前幀的每一個像素更新高斯混合模型中的每個高斯分量的權(quán)重、方差和均值，且可以替換掉權(quán)重最小的高斯分量。
[0040]步驟S206，對該前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)。
[0041]具體的，對前景圖進行處理，包括進行形態(tài)學(xué)膨脹和腐蝕。形態(tài)學(xué)膨脹，例如圖像A被結(jié)構(gòu)元素B膨脹的過程為:(I)用結(jié)構(gòu)元素B，掃描圖像A的每一個像素；(2)用結(jié)構(gòu)元素B與其覆蓋的二值圖像做“與”操作；(3)如果都為0，則圖像的該像素為0，否則為I。
[0042]形態(tài)學(xué)腐蝕，例如，結(jié)構(gòu)元素B對圖像A腐蝕的過程為:(1)用結(jié)構(gòu)元素B，掃描圖像A的每一個像素；(2)用結(jié)構(gòu)元素B與其覆蓋的二值圖像做“與”操作；(3)如果都為1，則圖像的該像素為1，否則為O。
[0043]聯(lián)通分量是指前景圖中成塊的區(qū)域，這些區(qū)域和其他區(qū)域不相連。
[0044]其次，當(dāng)該背景模型為背景差分法模型時，如圖3所示，采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)的步驟，包括:
[0045]步驟S302，采用當(dāng)前幀與前一幀相減得到差分圖，根據(jù)差分圖進行閾值化提取前景圖。
[0046]具體的，閾值化可通過指定固定閾值，如設(shè)定某一固定閾值，然后篩選出大于該固定閾值的像素點，提取出前景圖。閾值化也可通過自適應(yīng)閾值，即每個像素對應(yīng)的閾值可能不同，如每個像素的閾值由自身為中心的領(lǐng)域窗口確定，把該以某像素為中心的領(lǐng)域窗口的中值或均值或高斯卷積作為該像素的閾值。
[0047]步驟S304，對該前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)。
[0048]具體的，對前景圖進行處理，包括進行形態(tài)學(xué)膨脹和腐蝕。
[0049]再次，當(dāng)該背景模型為幀平均背景模型時，如圖4所示，采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)的步驟，包括:
[0050]步驟S402，將當(dāng)前幀之前的所有幀的加權(quán)平均作為背景，再用當(dāng)前幀和該背景相減得到差分圖，根據(jù)差分圖進行閾值化提取前景圖。
[0051]具體的，閾值化可通過指定固定閾值，如設(shè)定某一固定閾值，然后篩選出大于該固定閾值的像素點，提取出前景圖。閾值化也可通過自適應(yīng)閾值，即每個像素對應(yīng)的閾值可能不同，如每個像素的閾值由自身為中心的領(lǐng)域窗口確定，把該以某像素為中心的領(lǐng)域窗口的中值或均值或高斯卷積作為該像素的閾值。
[0052]步驟S404，對該前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)。
[0053]具體的，對前景圖進行處理，包括進行形態(tài)學(xué)膨脹和腐蝕。
[0054]步驟S106，將強分類器得到的目標(biāo)檢測結(jié)果與背景模型檢測得到運動目標(biāo)進行比較，得到錯分類器的目標(biāo)。
[0055]具體的，錯分類器的目標(biāo)包括誤報的目標(biāo)和漏報的目標(biāo)。強分類器在背景圖檢測出目標(biāo)，則認為是誤報的目標(biāo)；若在前景圖中沒有檢測出目標(biāo)，則認為是漏報的目標(biāo)。對于誤報的目標(biāo)，可將強分類器檢測出的假目標(biāo)作為負訓(xùn)練樣本，對于漏報的目標(biāo)，可從前景圖中得到目標(biāo)，然后將其作為正訓(xùn)練樣本。[0056]此外，在比較后，若沒有錯分類器目標(biāo)，則處理下一幀圖。
[0057]步驟S108，將該錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器。
[0058]在一個實施例中，如圖5所示，步驟S108包括:
[0059]步驟S502，將該錯分類器的目標(biāo)作為在線訓(xùn)練樣本，初始化在線訓(xùn)練樣本的權(quán)重。
[0060]具體的，輸入在線訓(xùn)練樣本(X，y)、在線弱分類器學(xué)習(xí)算法Ltl和強分類器h(x)。初始化在線訓(xùn)練樣本的權(quán)重 = 1。
[0061]步驟S504，根據(jù)以權(quán)重為參數(shù)的泊松分布設(shè)置訓(xùn)練的次數(shù)。
[0062]具體的，以 為參數(shù)的泊松分布Poisson ( )設(shè)置訓(xùn)練的次數(shù)k。
[0063]步驟S506，將弱分類器根據(jù)該在線訓(xùn)練樣本按照設(shè)置的次數(shù)進行訓(xùn)練。
[0064]具體的，將弱分類器hm根據(jù)訓(xùn)練樣本(X，y)訓(xùn)練k次:
[0065]
【權(quán)利要求】
1.一種Adaboost分類器在線學(xué)習(xí)方法,包括: 采用離線訓(xùn)練得到的強分類器進行目標(biāo)檢測，并得到目標(biāo)檢測結(jié)果； 采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)； 將強分類器得到的目標(biāo)檢測結(jié)果與背景模型檢測得到運動目標(biāo)進行比較，得到錯分類器的目標(biāo)； 將所述錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器。
2.根據(jù)權(quán)利要求1所述的Adaboost分類器在線學(xué)習(xí)方法，其特征在于，所述方法還包括: 離線訓(xùn)練得到的強分類器，包括: 給定N個離線訓(xùn)練樣本，并初始化離線訓(xùn)練樣本的權(quán)重； 根據(jù)所述N個離線訓(xùn)練樣本和權(quán)重循環(huán)訓(xùn)練多個弱分類器，并得到每個弱分類器的權(quán)重； 根據(jù)所述多個弱分類器 及相應(yīng)的權(quán)重得到強分類器。
3.根據(jù)權(quán)利要求1所述的Adaboost分類器在線學(xué)習(xí)方法，其特征在于，所述根據(jù)所述N個離線訓(xùn)練樣本和權(quán)重循環(huán)訓(xùn)練多個弱分類器，并得到每個弱分類器的權(quán)重的步驟包括: 根據(jù)所述N個離線訓(xùn)練樣本和權(quán)重訓(xùn)練多個弱分類器； 計算所述N個離線訓(xùn)練樣本在每個弱分類器上的總誤差，并根據(jù)所述每個弱分類器的總誤差得到每個弱分類器的權(quán)重； 更新所述離線訓(xùn)練樣本的權(quán)重，并對所述權(quán)重歸一化。
4.根據(jù)權(quán)利要求1所述的Adaboost分類器在線學(xué)習(xí)方法，其特征在于，所述背景模型為高斯混合模型、背景差分法模型或幀平均背景模型； 當(dāng)所述背景模型為高斯混合模型時，所述采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)的步驟包括: 若當(dāng)前幀為第一幀，則初始化高斯混合模型中的高斯分量； 若當(dāng)前幀不為第一幀，則利用當(dāng)前幀的每一個像素更新高斯混合模型中的高斯分量，并根據(jù)當(dāng)前幀和每個高斯分量的比較，得到前景像素，形成前景圖； 對所述前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)； 當(dāng)所述背景模型為背景差分法模型時，所述采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)的步驟包括: 采用當(dāng)前幀與前一幀相減得到差分圖，根據(jù)差分圖進行閾值化提取前景圖； 對所述前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)； 當(dāng)所述背景模型為幀平均背景模型時，所述采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)的步驟包括: 將當(dāng)前幀之前的所有幀的加權(quán)平均作為背景，再用當(dāng)前幀和所述背景相減得到差分圖，根據(jù)差分圖進行閾值化提取前景圖； 對所述前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)。
5.根據(jù)權(quán)利要求1至4中任一項所述的Adaboost分類器在線學(xué)習(xí)方法，其特征在于，所述將所述錯分類器的目標(biāo)作為訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器的步驟包括: 將所述錯分類器的目標(biāo)作為在線訓(xùn)練樣本，初始化訓(xùn)練樣本的權(quán)重； 根據(jù)以權(quán)重為參數(shù)的泊松分布設(shè)置訓(xùn)練的次數(shù)； 將弱分類器根據(jù)所述在線訓(xùn)練樣本按照所述設(shè)置的次數(shù)進行訓(xùn)練； 若在線訓(xùn)練樣本被正確分類，則更新泊松分布的參數(shù)，計算正確分類的次數(shù)累加值、計算分類器的錯誤率； 若在線訓(xùn)練樣本被錯誤分類，則更新泊松分布的參數(shù)，計算錯誤分類的次數(shù)累加值、計算分類器的錯誤率； 得到更新后的強分類器。
6.—種Adaboost分類器在線學(xué)習(xí)系統(tǒng),其特征在于,包括: 第一檢測模塊，用于采用離線訓(xùn)練得到的強分類器進行目標(biāo)檢測，并得到目標(biāo)檢測結(jié)果; 第二檢測模塊，用于采用背景模型進行目標(biāo)檢測，得到運動目標(biāo)； 比較模塊，用于將強分類器得到的目標(biāo)檢測結(jié)果與背景模型檢測得到運動目標(biāo)進行比較，得到錯分類器的目標(biāo)； 在線訓(xùn)練模塊，用于將所述錯分類器的目標(biāo)作為在線訓(xùn)練樣本，進行在線訓(xùn)練，得到更新后的強分類器。
7.根據(jù)權(quán)利要求6所述的Adaboost分類器在線學(xué)習(xí)系統(tǒng)，其特征在于，所述系統(tǒng)還包括: 離線訓(xùn)練模塊，用于離線訓(xùn)練得到的強分類器，包括: 離線初始化單元，用于給定N個離線訓(xùn)練樣本，并初始化離線訓(xùn)練樣本的權(quán)重； 離線訓(xùn)練單元，用于根據(jù)所述N個離線訓(xùn)練樣本和權(quán)重循環(huán)訓(xùn)練多個弱分類器，并得到每個弱分類器的權(quán)重； 離線輸出單元，用于根據(jù)所述多個弱分類器及相應(yīng)的權(quán)重得到強分類器。
8.根據(jù)權(quán)利要求6所述的Adaboost分類器在線學(xué)習(xí)系統(tǒng)，其特征在于，所述離線訓(xùn)練單元包括: 弱分類器訓(xùn)練子單元，用于根據(jù)所述N個離線訓(xùn)練樣本和權(quán)重訓(xùn)練多個弱分類器；弱分類器權(quán)重計算子單元，用于計算所述N個離線訓(xùn)練樣本在每個弱分類器上的總誤差，并根據(jù)所述每個弱分類器的總誤差得到每個弱分類器的權(quán)重； 訓(xùn)練樣本權(quán)重更新子單元，用于更新所述離線訓(xùn)練樣本的權(quán)重，并對所述權(quán)重歸一化。
9.根據(jù)權(quán)利要求6所述的Adaboost分類器在線學(xué)習(xí)系統(tǒng)，其特征在于，所述背景模型為高斯混合模型、背景差分法模型或幀平均背景模型； 當(dāng)所述背景模型為高斯混合模型時，所述第二檢測模塊包括: 分量初始化單元，用于若當(dāng)前幀為第一幀，則初始化高斯混合模型中的高斯分量； 提取單元，用于若當(dāng)前幀不為第一幀，則利用當(dāng)前幀的每一個像素更新高斯混合模型中的高斯分量，并根據(jù)當(dāng)前幀和每個高斯分量的比較，得到前景像素，形成前景圖； 獲取單元，用于對所述前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)； 當(dāng)所述背景模型為背景差分法模型時，所述第二檢測模塊包括: 提取單元，用于采用當(dāng)前幀與前一幀相減得到差分圖，根據(jù)差分圖進行閾值化提取前景圖； 獲取單元，用于對所述前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)； 當(dāng)所述背景模型為幀平均背景模型時，所述第二檢測模塊包括: 提取單元，用于將當(dāng)前幀之前的所有幀的加權(quán)平均作為背景，再用當(dāng)前幀和所述背景相減得到差分圖，根據(jù)差分圖進行閾值化提取前景圖； 獲取單元，用于對所述前景圖進行處理，提取聯(lián)通分量，得到運動目標(biāo)。
10.根據(jù)權(quán)利要求6至9中任一項所述的Adaboost分類器在線學(xué)習(xí)方法，其特征在于，所述在線訓(xùn)練模塊包括: 在線初始化單元，用于將所述錯分類器的目標(biāo)作為在線訓(xùn)練樣本，初始化訓(xùn)練樣本的權(quán)重； 設(shè)置單元，用于根據(jù)以權(quán)重為參數(shù)的泊松分布設(shè)置訓(xùn)練的次數(shù)； 在線訓(xùn)練單元，用于將弱分類器根據(jù)所述在線訓(xùn)練樣本按照所述設(shè)置的次數(shù)進行訓(xùn)練; 更新單元，用于當(dāng)在線訓(xùn)練樣本被正確分類時，則更新泊松分布的參數(shù)，計算正確分類的次數(shù)累加值、計算分類器的錯誤率；以及當(dāng)在線訓(xùn)練樣本被錯誤分類時，則更新泊松分布的參數(shù)，計算錯誤分類 的次數(shù)累加值、計算分類器的錯誤率，然后得到更新后的強分類器。
【文檔編號】G06K9/62GK103593672SQ201310202058
【公開日】2014年2月19日 申請日期:2013年5月27日 優(yōu)先權(quán)日:2013年5月27日
【發(fā)明者】雷明, 萬克林 申請人:深圳市智美達科技有限公司