[发明专利]训练多类Boosting分类器的方法

说明书

技术领域

本发明涉及分类器训练方法，更具体地讲，涉及一种通过在使用多类Boosting方法进行类的训练时通过动态改变类权重调整训练样本的训练权重来训练多类Boosting分类器的方法。

背景技术

多类Boosting方法对于多类对象检测和识别非常重要，特别是在图像对象检测领域。图像对象检测变得越来越流行，并且被用于多个不同检测类的检测中。其应用的示例包括：多视角人脸检测、眼睛定位，交通信号检测以及车辆检测等。

图1示出用于多视角人脸检测的多类Boosting方法。根据人脸相对于图像面的旋转角度，多视角人脸被分为若干类。多类Boosting方法可用于同时检测若干个角度的人脸。

图2示出多类Boosting方法的构思。在多视角人脸检测中，多类Boosting方法使用具有所有类的相同特征的分类器，分类器对于不同的类具有不同的置信参数。例如，使用人的眼睛作为分类特征来训练分类器，在对不同视角的人脸图像进行检测时，该分类器对于不同视角的人脸的检测结果的置信度是不同的，因此需要根据不同的视角(即，不同的类)设置不同的置信参数。

第2006/0248029号美国专利：“Object-detection method multi-classBhattacharyya Boost algorithm used therein”公开了一种多类对象检测方法，在该方法中，对于不同的类使用具有不同参数的相同投影作为分类特征，整个多类系统的消耗时间取决于性能最差的类。也就是说，性能越差的类需要更多的弱分类器才能达到预定的分类效果，所以对性能最差的类进行分类时消耗的时间最多。这使得整个系统的速度变慢，效率降低。

因此，需要一种改进的训练方法，使得对性能最差的类进行分类的弱分类器的数量减少，同时使对不同的类进行检测所需的弱分类器的数量基本相同，从而提高系统的整体速度和效率。

发明内容

本发明的目的在于提供一种通过在使用多类Boosting方法进行类的训练时，为训练数据中的每个训练样本的样本权重分配一个与训练样本所属的类对应的类权重来训练多类Boosting分类器的方法，从而使得最差的类使用的弱分类器的数量减少，同时用于不同的类的弱分类器的数量基本相同，从而减少了系统的运算量，提高了系统的整体速度和效率。

本发明提供一种用于训练多类Boosting分类器的方法，所述方法包括：(1)提供包括多个类的训练样本的训练数据；(2)设置性能目标阈值，初始化训练样本的训练权重，其中，训练样本的训练权重包括训练样本的样本权重和类权重，所述训练样本的类权重与所述多个类中与训练样本所属的类相对应；(3)使用Boosting方法对训练数据中的被训练权重加权的训练样本进行循环训练，其中，在所述循环训练过程中的每次循环之后，得到用于与所述进行训练的训练样本对应的类的弱分类器，将在已经完成的训练循环得到的弱分类器组合为强分类器，并测试所述强分类器的性能以确定是否存在性能达到或超过所述性能目标阈值而完成训练的类，对于完成训练的类，从训练数据中去除完成训练的类的训练样本；对于没有完成训练的类，则根据Boosting方法调整其训练样本的基础权重，并根据其性能调整其类权重，以使在本次以及最近的循环中或在本次循环中的性能差的类的训练样本在下次循环中的训练权重增大；(4)将在步骤(3)训练得到的所有弱分类器组合为多类Boosting分类器。

根据没有完成训练的类的性能调整其类权重步骤还包括：增大在本次循环中性能最差的类的类权重；

如果一个类在上一次循环中的性能最差，而在本次循环中的性能不是最差的，则减小所述类的类权重。

所述每个类的类权重是通过对每个类的基础类权重进行归一化得到的，所述基础类权重根据下面的等式而得到：

w_t，i＝(FAR_t，i)ⁿ

其中，t是训练循环序号，i是类序号，FAR_t，i是在第t次循环训练得到的强分类器对第i类进行分类的虚警率，n是对应于整个训练过程的全局变量，根据各个类的性能而动态地改变。

对每个类的基础类权重进行归一化而得到每个类的类权重的步骤包括：在每次循环后基于还没有完成训练的类的基础类权重，通过下式来进行所述归一化：