[发明专利]一种基于随机蕨分类器的半自主在线学习方法

说明书

技术领域

本发明属于模式识别方法，具体涉及一种通过在线学习算法训练分类器，以提高分类器性能的方法。

背景技术

在线学习属于增量学习的研究范畴，在这一类方法中分类器对每个样本只学一次，而不是重复的学习，这样在线学习算法运行过程中不需要大量的存储空间来存储训练样本，分类器每获得一个样本，即对其进行在线学习，通过在线学习使分类器在使用过程中仍然能根据新样本自我更新和改进，进一步提高分类效果。

早期的在线学习算法有Winnow算法，统一线性预测算法等，2001年学者Oza将这些算法与boosting算法进行结合，提出了在线boosting算法(该算法引自“Online bagging and boosting”N.Oza and S.Russell，In Proc.Artificial Intelligence and Statistics,105-112,2001)，在Oza的方法中，强分类器是一定数量的弱分类器的加权和，这些弱分类器都是从弱分类器集合中挑选出来的。在线学习时，每个训练样本逐一的更新弱分类器集合中的每个弱分类器，包括调整正负样本的分类阈值以及该分类器的权重，使好的弱分类器权重越来越高，而较差的弱分类器权重越来越低，从而每次在线学习一个样本就可以挑选出一个当前权重最高的弱分类器加入强分类器中使最终训练出来的分类器有较强的分类能力。但是，在线boosting算法的弱分类器集合中每个弱分类器都要对新样本进行在线学习，当弱分类器个数较多时，在线学习速度必然会变慢。Grabner对在线boosting算法进行了改进，使其也象Adaboost算法一样可以进行特征选择，并且这种特征选择以及对分类器的更新都是在线进行的，称为在线Adaboost(该算法引自“On-line boosting and vision”H.Grabner and H.Bischof，In Proc.CVPR,(1):260-267,2006)。但是在线Adaboost用特征选择算子代替一般的弱分类器合成强分类器，特征选择算子数以及特征选择算子对应的弱分类器数都是固定的，相应的在线学习分类器结构比较僵化。当发现其分类能力无法满足检测性能的要求时，即使持续的在线学习下去也无法提高检测精度。

发明内容

本发明要解决的技术问题是：提供一种基于随机蕨分类器的半自主在线学习方法，能够提高分类性能。

本发明为解决上述技术问题所采取的技术方案为：一种基于随机蕨分类器的半自主在线学习方法，其特征在于：它包括以下步骤：

1)准备初始训练分类器的样本集：

针对待检测目标类，在视频图像的第一帧中框选出一个目标，对该目标图片进行仿射变换得到的图片作为正样本；以不含有目标的背景图像区域作为负样本；如此随机的获取一定数量的正样本和负样本作为初始训练分类器的样本集；

2)随机蕨分类器初始训练：

使用准备好的初始训练分类器的样本集对随机蕨分类器进行初始训练，初始训练好的随机蕨分类器即为当前目标检测器，遍历待检测的视频图像进行目标检测；

3)获得在线学习样本：

对于步骤2)中得到的检测后的视频图像，采用人工判断其检测结果的正确性，对于正确的检测结果人工标注为正样本，否则为负样本，对漏检的视频图像标注为正样本；判断后的正负样本为在线学习样本；

4)随机蕨分类器的在线训练：

使用步骤3)获得的正负样本对随机蕨分类器进行在线学习，逐渐提高其分类精度。

按上述方法，步骤2)的具体方法如下：

2.1)构造随机蕨：

对样本集中的单个样本上随机取s对特征点作为一组随机蕨，每个样本取特征点的位置相同，每对特征点进行像素值的比较，每对特征点中前一个特征点像素值大则取特征值为1，反之则取特征值为0，s对特征点比较后得到的s个特征值按照随机的顺序构成一个s位的二进制数，即为该组随机蕨的随机蕨数值，每个样本的随机蕨中特征值的顺序一致；

2.2)计算随机蕨数值在正负样本类上的后验概率：

随机蕨中，有一部分为正样本得到的，其它为负样本得到的；随机蕨数值的取值种类有2s个；