[发明专利]用于在线训练分类器的装置和在线训练分类器的方法

说明书

技术领域

本发明涉及目标识别领域，尤其涉及一种用于在线训练分类器的装置和在线训练分类器的方法。

背景技术

当前，在计算机视觉、语音识别等图像和语音检测、定位中，Boosting算法在执行检测和识别任务时变得越来越流行。其中，主要使用离线训练方法对分类器进行训练。在离线训练中，所有训练数据必须提前给出，并且分类器的训练和使用被完全分开。但是，离线训练的分类器难以适应各种实际的应用环境，可能导致运算量过大或检测不准确的问题。

因而，Oza提出了在线学习的概念并给出了理论证明，当在线学习的样本无穷大时，在线学习的分类器的分类能力等同于离线训练的分类器。参见N.Oza和S.Russell的Online bagging and boosting.In Proc.Artificial Intelligence and Statistics，pages 105-112，2001。

但是Oza的方案中使用的特征是固定的，这就限制了分类的能力。Grabner等人给出了可以进行特征挑选的在线学习方案，引入了选择器的概念，具体请参见H.Grabner和H.Bischof.On-line boosting and vision.In Proc.CVPR，volume 1，pages 260-267，2006。

发明内容

在Grabner的方案中，针对每个特征只使用一个高斯模型对背景建模，一个高斯模型对目标建模。实际上，在例如视频当中背景和目标都是多种多样的，单一的高斯模型不能对样本图像很好地进行描述，造成选择器模型的识别能力不适应于样本图像。

此外，在Grabner的方案中，在线分类器的弱分类器数目是预先确定好的。实际上，预先不能很好的估计出任务的难度，所以弱分类器的数目可能不够从而影响分类的性能，或者过多从而影响分类器的速度，造成选择器模型的识别能力不适应于样本图像。

总的来说，本发明的目的是提供一种用于在线训练分类器的装置和方法，其能够适应于样本图像自动地更新用于生成分类器的选择器模型。

本发明的一个实施例是一种用于在线训练分类器的装置，包括：确定部分，用于确定选择器模型的识别能力是否适应样本图像；更新部分，用于在确定部分确定选择器模型的识别能力不适应样本图像的情况下，根据样本图像更新选择器模型；生成部分，用于根据样本图像，利用更新的选择器模型选择组成分类器的弱分类器，并组成分类器。

本发明的另一个实施例是一种在线训练分类器的方法，包括：确定选择器模型的识别能力是否适应样本图像；在确定选择器模型的识别能力不适应样本图像的情况下，根据样本图像更新选择器模型；以及根据样本图像，利用更新的选择器模型选择组成分类器的弱分类器并组成分类器。

利用本发明，通过根据训练样本图像自适应地更新用于生成分类器的选择器模型，使得基于该选择器模型生成的分类器的分类准确度提高，分类速度加快。

具体来说，使用自适应的多高斯模型来对背景和目标进行建模，以提供最优的特征描述。并且，通过根据进行检测或者跟踪等任务的难度的变化来调整弱分类器的数目，使得在保证分类性能的同时提高了分类速度。

附图说明

参照下面结合附图对本发明实施例的说明，会更加容易地理解本发明的以上和其它目的、特点和优点。在附图中，相同的或对应的技术特征或部件将采用相同或对应的附图标记来表示。在附图中不必依照比例绘制出单元的尺寸和相对位置。

图1是示出根据本发明实施例的分类器在线训练装置的结构的框图。

图2是示出根据本发明实施例的分类器在线训练装置的结构的框图。

图3是示出根据本发明实施例的在线训练分类器的方法的流程图。

图4是示出根据本发明实施例的在线训练分类器的方法的流程图。

图5是示出根据本发明实施例的在线训练分类器的方法的流程图。

图6是示出根据本发明实施例的在线训练分类器的方法的流程图。

图7是示出根据本发明实施例的在线训练分类器的方法的流程图。

图8是示出根据本发明实施例的在线训练分类器的方法的流程图。

图9是示出实现本发明的计算机的示例性结构的框图。

具体实施方式

下面参照附图来说明本发明的实施例。应当注意，为了清楚的目的，附图和说明中省略了与本发明无关的、本领域技术人员已知的部件和处理的表示和描述。