[发明专利]Adaboost分类器在线学习方法及系统

权利要求书

1.一种Adaboost分类器在线学习方法，包括：

采用离线训练得到的强分类器进行目标检测，并得到目标检测结果；

采用背景模型进行目标检测，得到运动目标；

将强分类器得到的目标检测结果与背景模型检测得到运动目标进行比较，得到错分类器的目标；

将所述错分类器的目标作为在线训练样本，进行在线训练，得到更新后的强分类器。

2.根据权利要求1所述的Adaboost分类器在线学习方法，其特征在于，所述方法还包括：

离线训练得到的强分类器，包括：

给定N个离线训练样本，并初始化离线训练样本的权重；

根据所述N个离线训练样本和权重循环训练多个弱分类器，并得到每个弱分类器的权重；

根据所述多个弱分类器及相应的权重得到强分类器。

3.根据权利要求1所述的Adaboost分类器在线学习方法，其特征在于，所述根据所述N个离线训练样本和权重循环训练多个弱分类器，并得到每个弱分类器的权重的步骤包括：

根据所述N个离线训练样本和权重训练多个弱分类器；

计算所述N个离线训练样本在每个弱分类器上的总误差，并根据所述每个弱分类器的总误差得到每个弱分类器的权重；

更新所述离线训练样本的权重，并对所述权重归一化。

4.根据权利要求1所述的Adaboost分类器在线学习方法，其特征在于，所述背景模型为高斯混合模型、背景差分法模型或帧平均背景模型；

当所述背景模型为高斯混合模型时，所述采用背景模型进行目标检测，得到运动目标的步骤包括：

若当前帧为第一帧，则初始化高斯混合模型中的高斯分量；

若当前帧不为第一帧，则利用当前帧的每一个像素更新高斯混合模型中的高斯分量，并根据当前帧和每个高斯分量的比较，得到前景像素，形成前景图；

对所述前景图进行处理，提取联通分量，得到运动目标；

当所述背景模型为背景差分法模型时，所述采用背景模型进行目标检测，得到运动目标的步骤包括：

采用当前帧与前一帧相减得到差分图，根据差分图进行阈值化提取前景图；

对所述前景图进行处理，提取联通分量，得到运动目标；

当所述背景模型为帧平均背景模型时，所述采用背景模型进行目标检测，得到运动目标的步骤包括：

将当前帧之前的所有帧的加权平均作为背景，再用当前帧和所述背景相减得到差分图，根据差分图进行阈值化提取前景图；

对所述前景图进行处理，提取联通分量，得到运动目标。

5.根据权利要求1至4中任一项所述的Adaboost分类器在线学习方法，其特征在于，所述将所述错分类器的目标作为训练样本，进行在线训练，得到更新后的强分类器的步骤包括：

将所述错分类器的目标作为在线训练样本，初始化训练样本的权重；

根据以权重为参数的泊松分布设置训练的次数；

将弱分类器根据所述在线训练样本按照所述设置的次数进行训练；

若在线训练样本被正确分类，则更新泊松分布的参数，计算正确分类的次数累加值、计算分类器的错误率；

若在线训练样本被错误分类，则更新泊松分布的参数，计算错误分类的次数累加值、计算分类器的错误率；

得到更新后的强分类器。

6.一种Adaboost分类器在线学习系统，其特征在于，包括：

第一检测模块，用于采用离线训练得到的强分类器进行目标检测，并得到目标检测结果；

第二检测模块，用于采用背景模型进行目标检测，得到运动目标；

比较模块，用于将强分类器得到的目标检测结果与背景模型检测得到运动目标进行比较，得到错分类器的目标；

在线训练模块，用于将所述错分类器的目标作为在线训练样本，进行在线训练，得到更新后的强分类器。

7.根据权利要求6所述的Adaboost分类器在线学习系统，其特征在于，所述系统还包括：

离线训练模块，用于离线训练得到的强分类器，包括：

离线初始化单元，用于给定N个离线训练样本，并初始化离线训练样本的权重；

离线训练单元，用于根据所述N个离线训练样本和权重循环训练多个弱分类器，并得到每个弱分类器的权重；

离线输出单元，用于根据所述多个弱分类器及相应的权重得到强分类器。