[发明专利]Adaboost分类器在线学习方法及系统

说明书

技术领域

本发明涉及分类器领域，特别是涉及一种Adaboost分类器在线学习方法及系统。

背景技术

人脸检测、行人检测、车辆检测等目标检测技术是智能视频监控的核心技术之一。目前，目标检测有两种主流的方法：基于运动检测和基于分类器检测。基于运动检测是通过背景建模等技术分割出场景中的运动目标（前景），速度快，但是对光照变化、恶劣天气、干扰物等很敏感，当目标密集如相互粘连时，也无法准确的分割出每个目标，另外，也无法准确的区分出每个目标的类型。基于分类器检测是使用机器学习的方法，事先训练一个特定目标的分类器（如人脸分类器），运行时，对整个视频帧进行扫描，检测出其中所有的目标。

在目标检测分类器中，被广泛使用的是Adaboost分类器，该方法准确率高、速度快。Adaboost分类器一般是离线训练生成，即通过对收集的训练样本进行训练，得到分类器模型，然后用于实际的目标检测任务。由于离线训练样本和监控场景存在差异，可能会导致Adaboost分类器的泛化性能差，检测率低，误报率高。例如，如果训练样本中的行人样本是在正常光照条件下拍摄的，那么，当监控场景光线很弱时，无法正确的检测出场景中的行人。

发明内容

基于此，有必要针对传统的Adaboost分类器采用离线训练生成，检测目标任务存在检测率低，误报率高的问题，提供一种Adaboost分类器在线学习方法，采用该Adaboost分类器检测目标任务时能提高检测率且误报率低。

此外，还有必要提供一种Adaboost分类器在线学习系统，采用该Adaboost分类器检测目标任务时能提高检测率且误报率低。

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。

一种Adaboost分类器在线学习系统，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。

上述Adaboost分类器在线学习方法和系统，通过将离线分类器检测的目标结果与背景模型检测的运动目标进行比较，得到错分类器的目标，将错分类器的目标作为在线训练样本，进行在线学习，得到更新后的强分类器，再通过更新后的强分类器检测目标，有效提高了目标检测分类器的泛化性能，使其能够适应运行时的监控场景，提高了检测率，降低了误报率。

附图说明

图1为一个实施例中Adaboost分类器在线学习方法的流程图；

图2为一个实施例中采用背景模型进行目标检测，得到运动目标图步骤的流程图；

图3为另一个实施例中采用背景模型进行目标检测，得到运动目标图步骤的流程图；

图4为另一个实施例中采用背景模型进行目标检测，得到运动目标图步骤的流程图；

图5为将该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步骤的流程图；

图6为一个实施例中离线训练得到的强分类器的流程图；

图7为根据该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步骤的具体流程图；

图8为一个实施例中Adaboost分类器在线学习系统的结构框图；

图9为图8中第二检测模块的内部结构框图；

图10为图8中在线训练模块的内部结构框图；

图11为另一个实施例中Adaboost分类器在线学习系统的结构框图；

图12为图11中离线训练模块的内部结构框图；

图13为图12中离线训练单元的内部结构框图。

具体实施方式

下面结合具体的实施例及附图对Adaboost分类器在线学习方法及系统的技术方案进行详细的描述，以使其更加清楚。

如图1所示，为一个实施例中Adaboost分类器在线学习方法的流程图。该Adaboost分类器在线学习方法，包括：