[发明专利]分类器的训练方法、图像检测方法及各自系统

摘要

本发明提供一种分类器的训练方法、图像检测方法及各自系统。该训练方法用于训练级联强分类器。各强分类器采用以下步骤训练：1)根据所接收的用于训练的各样本的数量，初始化各样本的样本权重；2)将所得到的各样本特征值及其权重输入一弱分类器进行分类训练，使得当前弱分类器中错误概率最小；3)基于预设偏见量比例，按当前弱分类器训练结果更新下一阶弱分类器的各样本权重；重复上述步骤2)‑3)，直至最后一阶弱分类器训练完毕。将当前阶强分类器所分类出的误差最小类别中的样本予以剔除，将剩余部分输入下一阶强分类器，直至最后一阶强分类器训练结束。图像检测方法利用经训练的级联强分类器对所获取的差异估计块进行分类。本发明解决了分类器分类准确率低、训练成本高等问题。

主权项

1.一种图像检测方法，其特征在于，包括：获取多个差异估计块及所对应的特征值；将各所述差异估计块所对应的特征值输入级联分类器，进行偏见分类，并确定各差异估计块位于有效类别中、或无效类别中；其中，所述级联分类器由若干阶强分类器串联组成，各阶强分类器预设偏见量比例；所述级联分类器按以下方法训练：根据当前阶强分类器所接收的样本，来训练当前阶强分类器中的各弱分类器，并将当前阶强分类器中各弱分类器所分类出的、误差最小的类别中的样本予以剔除，将剩余部分作为下一阶强分类器的输入样本，直至最后一阶强分类器训练结束；其中，所述强分类器由多阶弱分类器构成；所述强分类器按以下方法训练：1)根据所接收的用于训练的各样本的数量，初始化各样本的权重w_i＝1/N,i＝1,...,N，其中，N为待训练的强分类器所接收的样本的数量；2)将所得到的各权重及其样本中的特征值输入一弱分类器进行分类训练，使得当前弱分类器中错误概率最小；3)基于所在强分类器偏见量比例，按当前弱分类器训练结果更新待输入下一阶弱分类器的各样本的权重；按照所确定的各权重，重复上述步骤2)‑3)，以训练下一阶弱分类器，直至最后一阶弱分类器训练完毕；其中，所述步骤3)包括：3‑1)根据弱分类器误差计算Adaboost更新系数α_K：α_K＝W_c‑W_e；其中，W_c为本阶弱分类器分类正确样本的权重和，W_e为本阶弱分类器分类错误样本的权重和，K为弱分类器的编号；3‑2)基于所在强分类器偏见量比例r，按本阶弱分类器对各样本的分类类别C_i，计算各样本偏见量；3‑3)基于所述样本偏见量更新各样本权重。