[发明专利]一种基于在线学习的局部可形变目标检测方法及其系统

权利要求书

1.一种基于在线学习的局部可形变目标检测方法，其包括： 

步骤1、利用训练集中的样本图像对局部可形变目标检测模型进行训练，得到初步训练后的局部可形变目标检测模型； 

步骤2、利用所述局部可形变目标检测模型对待测图像进行目标检测，并利用GUI标注在线学习方法对已有的局部可形变目标检测模型进行更新优化。 

2.如权利要求1所述的目标检测方法，其特征在于，步骤2中，对待测图像进行目标检测时，如果检测错误或者检测得分偏低，则使用该待测图像，利用GUI标注在线学习方法对所述局部可形变目标检测模型进行更新优化。 

3.如权利要求1所述的目标检测方法，其特征在于，步骤1具体包括： 

步骤11、提取训练集中样本图像的图像特征和目标标注； 

步骤12、初始化一个局部可形变目标检测模型； 

步骤13、利用所述样本图像的图像特征和目标标注对所建立的局部可形变目标检测模型进行训练，得到初步训练后的局部可形变目标检测模型。 

4.如权利要求1所述的方法，其特征在于，步骤2具体包括如下步骤： 

步骤21、提取新样本图像的图像特征，进行目标检测，并利用GUI获取所述新样本图像的目标标注； 

步骤22、根据所提取的新样本图像的图像特征和目标标注，使用在线学习方法对已有的所述局部可形变目标检测模型进行更新。 

5.如权利要求3所述的方法，其特征在于，步骤13中使用支持向量机对所述局部可形变目标检测模型做训练。 

6.如权利要求5所述的方法，其特征在于，所述支持向量机为线性向量机，其如下表示： 

f_w，b(X)＝w^TX+b 

其中，X是样本图像的图像特征向量，w和b是通过支持向量机学习得到的局部可形变目标检测模型的参数，w表示局部可形变目标检测模型中对来自样本图像的各个图像特征所取的权重值；b是一个偏置项。 

7.如权利要求6所述的方法，其特征在于，利用如下所示的目标函数最小化所述支持向量机，得到局部可形变目标检测模型的参数： 

其中，C是权重，y_i取值为+1或者-1，分别表示图像中有或者没有目标，n为训练集中图像的数目；x_i表示样本图像的第i个特征。 

8.如权利要求4所述的方法，其特征在于，步骤22中在线学习算法为PA算法，所述局部可形变目标检测模型的参数如下更新： 

l_t＝max{0，1-y_t(W_t*X_t)} 

W_t+1＝W_t+y_tτ_tX_t

其中，w_t表示图像特征向量x_t对应的权重向量，x_t表示图像特征向量，b表示偏置项，y_t表示图像特征向量对应的标注向量，其元素取值为+1或者-1，分别表示图像中有或者没有目标；|X_t||²为X_t的二范数。 

9.如权利要求8所述的方法，其特征在于，在得到所述更新后的局部可形变目标检测模型后，利用测试集中的样本图像对所述局部可形变目标检测模型进行测试，获得所述局部可形变目标检测模型的检测能力，以便调整在线学习算法的参数。 

10.一种基于在线学习的局部可形变目标检测系统，其包括： 

局部可形变目标检测模型训练装置，其利用训练集中的样本图像对局部可形变目标检测模型进行训练，得到初步训练后的局部可形变目标检测模型； 

局部可形变目标检测模型的在线更新装置，其利用GUI标注在线学习方法对已有的局部可形变目标检测模型进行更新优化； 

目标检测装置，其利用局部可形变目标检测模型对待测图像进行目标检测。