[发明专利]一种基于随机蕨分类器的半自主在线学习方法

摘要

本发明提供基于随机蕨分类器的半自主在线学习方法，包括以下步骤1)准备初始训练分类器的样本集；2)随机蕨分类器初始训练；3)获得在线学习样本；4)随机蕨分类器的在线训练。本发明提出了随机蕨分类器的在线学习算法使目标检测系统能够逐步提高其性能，最终达到检测精度要求；此外，通过人工判断获取在线学习样本的方法保证了在线学习样本类别标注的正确性；相对于传统的分类器训练方法，本发明不需要事先准备大量的正负训练样本，减轻了人工标注的工作量，并可验证随机蕨分类器的分类性能。

主权项

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；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；统计每种随机蕨数值的取值的正样本个数，从而获得随机蕨数值在正样本类C1上的后验概率分布P(Fl|C1)；同理获得随机蕨数值在负样本类C0上的后验概率分布P(Fl|C0)；联合所有随机蕨对初始训练分类器的样本集进行分类，即为随机蕨分类器；2.3)采用随机蕨分类器在每帧视频图像中进行目标检测：遍历待检测的每帧视频图像，在每帧视频图像中提取相同大小的图像块作为待测样本，待测样本的大小与步骤1)中正样本的大小相等，计算每个待测样本的随机蕨数值，从而得到相应的后验概率，最后由随机蕨分类器计算其类别；对于类别为正样本的图像块，则作为目标被检测出来；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；步骤4)的具体方法如下：4.1)将步骤3)获得的正负样本作为在线学习样本；设一个在线学习样本为(fnew，ck)，其中fnew为随机蕨s位的二进制数，ck为样本类别，计算该在线学习样本的随机蕨数值；4.2)对步骤2.1)样本集中类别为ck的样本总数加1，类别为ck的与该在线学习样本的随机蕨数值相同的样本数加1；其它随机蕨数值的样本数不变；4.3)根据更新后的样本数，重新计算随机蕨数值在该样本类上的后验概率分布；4.4)每新增一个在线学习样本，便重复4.1)至4.3)对后验概率分布进行更新一次；步骤4)随机蕨分类器的在线学习通过更新后验概率分布实现。