一种基于在线学的自适应级联分类器训练方法

摘要

本发明公开了基于在线学的自适应级联分类器训练方法，其步骤为：①准备一个含有少量样本的训练样本集，采用级联分类器算法训练一个初始的级联分类器HC(x)；②使用HC(x)遍历待检测的图像帧，逐一提取与上述训练样本同样大小的区域计算其特征值集合，从而可用初始的级联分类器对其进行分类，判断是否为目标区域，即完成目标检测；③对检测到的目标采用粒子滤波算法进行跟踪，通过跟踪对目标检测结果进行验证，将错误的检测标注为在线学的负样本。此外，通过跟踪获取真实目标的不同姿态，从中提取在线学的正样本；④每获得一个在线学样本，采用自适应级联分类器算法对初始级联分类器HC(x)进行在线训练和更新，从而逐步提高分类器的目标检测精度。

主权项

1.一种基于在线学习的自适应级联分类器的训练方法，用于使分类器自动学习新样本提高分类精度，该训练方法包括如下步骤：(1)准备一个训练样本集，该训练样本集含有M个训练样本(U_i，V_i)，i＝1，ΛΛ，M，M为训练样本数，采用级联分类器算法通过该训练样本集训练初始级联分类器H^c(x)，其中，U_i表示训练样本的特征值集合，V_i为样本类别，(2)使用该初始级联分类器H^c(x)遍历待检测的图像帧，逐一提取与上述训练样本同样大小的区域计算其特征值集合，用所述初始级联分类器H^c(x)对上述区域进行分类，判断是否为目标区域，从而用级联分类器H^c(x)检测出图像帧中的目标；(3)获得在线学习样本：对检测到的目标采用粒子滤波算法进行跟踪，利用粒子滤波算法的特性对目标检测结果进行验证，将验证为错误的检测结果标注为在线学习的负样本，将验证为正确的检测结果认为是真实目标，通过跟踪获取真实目标的不同姿态，从中提取在线学习的正样本；(4)每获得一个在线学习样本则采用自适应级联分类器算法训练初始的级联分类器H^c(x)。