[发明专利]一种树状结构级联分类器

说明书

技术领域

本发明涉及计算机视觉领域，特别是一种新的树状结构级联分类器。

背景技术

传统的级联分类器是线状的(如图1所示)，它由一系列的分类器串联而成。前面级次的分类器相对来说使用的特征数较少，尽可能地滤除那些与目标差异较大的负样本，后面级次分类器则使用更多的特征，从而试图将那些与目标相似的负样本与目标物体区分开。但是，在实际的检测应用中，由于目标姿态变化和相机角度不同等因素，目标在视频画面中呈现出多种不同的外观，这种目标外观的多样性，使得单单依靠增加特征的个数难以显著提升分类器的区分能力。

针对这一问题，传统的解决方法是人工对样本进行拆分，例如将人脸分为正脸、左侧脸、右侧脸三个子集，然后在每个子集上分别训练分类器。这种传统解决方法的缺点是子类的划分太主观，若分得过细，在各个子类上训练出的分类器容易过拟合，从而直接降低整体分类性能，若分得过粗，则对分类结果的准确率提升不大。

发明内容

本发明的目的是提出一种树状结构级联分类器。

本发明要解决的技术问题是，提供一种新的分类器级联结构，当检测目标由于外观多样性而分类困难时，不需要人工主观将样本分成 多个子类来分别训练分类器，而是根据样本关键点位置对样本集进行拆分，拆分结果形成树状结构。同时，在树的每个节点训练分类器，并通过设置阈值控制级联分类器的丢失率和假警率。实验结果表明，此方法可以显著提升分类结果的准确率。

附图说明

图1——传统的线状结构级联分类器示例图。

图2——本发明所构建的树状级联分类器示例图。

图3——本发明所使用的节点分裂流程图。

具体实施方式

下面进一步阐述本发明所述的树状结构级联分类器。

如图2所示为本发明所构建的树状级联分类器示例，根节点包括所有正样本，根据正样本关键点位置拆分样本集，将样本组织成树状结构，同时在各个样本子集上训练出各自的子分类器，如此形成了树状级联分类器。

本发明所述的树状级联分类器，主要包括三个阶段：

第一阶段，对正样本进行关键点标注；

具体地，所述关键点，是指被检测目标的重要局部。例如对于人脸，眉梢、眼角、鼻尖和嘴角等位置是关键点；对于行人，头、肩、手、脚、手肘、膝盖、胯部等位置是关键点。标注关键点的目的是为了对正样本集进行更细致的拆分。

第二阶段，训练分类器；

分类器的训练过程是个递归的过程，实际上也是一个树节点分裂 的过程。初始条件下，树只有一个根节点，当前所在节点就是根节点，根节点中包含所有的正样本。节点的分裂过程包括以下步骤：

第一步，随机产生一组负样本，利用该节点的正样本和负样本训练出一个分类器(i表示节点编号)；

第二步，若分类器可以将当前节点的正负样本完全分类开来，则该节点停止分裂，否则调整分类器的阈值，使得当前节点正样本的误分率小于某一阈值；

第三步，根据正样本的关键点位置对该节点的正样本进行K均值聚类(K＝2)，为节点生成两个子节点，并将聚类得到的两类正样本分别送给左右子节点；

第四步，重复以上步骤，分别训练左右子节点，直到所有节点停止分裂。

第三阶段，使用分类器进行预测。

分类器的预测过程是一个递归的过程，初始条件下，输入一张测试图片，当前节点是树的根节点，对测试图片的预测过程包括以下步骤：

第一步，使用当前节点的分类器对样本进行分类，若分类器输出为1，则返回1并退出，否则执行下一步；

第二步，判断当前节点有没有子节点，若没有，则返回1并退出，否则执行下一步；

第三步，将样本送至子节点进行预测，重复以上预测过程，若至少有一个子节点的预测结果是1，则返回预测结果1，否则返回0，退出。

本发明与现有技术相比具有以下优点：

1.本发明中子类的划分是以样本中关键点的位置为依据，按层次由粗到细的拆分，而拆分结束的时点由分类器决定，从而避免了人为主观性和人工划分子类过粗或过细的问题；

2.相比传统的线状结构级联分类器，本发明所述方法可以显著提升分类结果的准确率。