[发明专利]一种级联分类器训练方法及装置

说明书

本发明实施例提供了一种级联分类器训练方法及装置，用以降低级联分类器的误检率。该方法包括：依次为每一级强分类器选取样本进行训练，对于第一级强分类器之后的任一级强分类器，在进行负样本训练时，判断选取的负样本的尺寸是否小于预设尺寸，如果是，将所选负样本缩放为级联分类器的检测窗口大小的图片；否则，从所选负样本中截取检测窗口大小的图片；将处理负样本得到的图片输入所述任一级强分类器之前已训练的强分类器进行检测，选取被误检的图片；根据所述被误检的图片对所述任一级强分类器进行负样本训练。

技术领域

本发明涉及图像处理领域，尤其涉及一种级联分类器训练方法及装置。

背景技术

目前，主要采用级联分类器进行图像内容识别。级联分类器是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的分类器即强分类器；训练出多个强分类器组合起来，就构成了级联分类器。只有图像特征符合级联分类器的每一级弱分类器的要求，才被认为包含目标内容。

使用级联分类器的工作包含两个阶段：训练和检测。训练过程分为3个步骤：首先需要提取训练样本某一特征，例如局部二值模式(local binary pattern,lbp)特征、方向梯度直方图(histogram of oriented gradient,hog)特征、哈尔(haar)特征；然后将该特征转化成对应的弱分类器；最后从大量的弱分类器中迭代选择出最优弱分类器，最后我们将训练的结果都写入到xml文件中得到我们的训练模型。

训练弱分类器的图片大小是固定的。现有技术在前期准备训练样本的时候，将正样本样本归一化到指定的大小，负样本则不需要归一化到指定大小，在实际训练代码中在负样本原图的基础上从左上角开始按照一定的步长截取指定大小的感兴趣区域(RegionOf Interest,ROI)图像作为正式训练的负样本使用，之后再适当缩放继续截取，直到不能再缩放后换下一张，直至得到所需数量的图片，最终开始正式进入训练。

以上训练方法，采用不断缩放和挪动步长截取同一张负样本的图片，导致计算量很大，训练速度低；同时负样本多样性不够，训练出的分类器误检较多。尽管有一些改进的方法，例如：同一负样本仅截取一张图片，并且在训练过程中不断实时测试已训练好的部分弱分类器，将误检的图片用于下一弱分类器的训练，即降低负样本的数量，同时提升负样本的针对性，取得了一定的效果。然而这种改进方法训练出的分类器，还是有较大概率的误检。

发明内容

本发明实施例提供了一种级联分类器训练方法及装置，用以解决目前方法训练出的级联分类器误检概率较高的问题。

本发明实施例提供的具体方案如下：

第一方面，一种级联分类器训练方法，用于图像内容识别，包括：

依次为每一级强分类器选取样本进行训练，对于第一级强分类器之后的任一级强分类器，在进行负样本训练时，判断选取的负样本的尺寸是否小于预设尺寸，如果是，将所选负样本缩放为级联分类器的检测窗口大小的图片；否则，从所选负样本中截取检测窗口大小的图片预设尺寸大于检测窗口大小；

将处理负样本得到的图片输入所述任一级强分类器之前已训练的强分类器进行检测，选取被误检的图片；

根据所述被误检的图片对所述任一级强分类器进行负样本训练。

结合第一方面，在第一种可能的实现方式中，该方法还包括：

确定尺寸大于所述预设尺寸并且误检次数达到预设第一阈值的特定负样本；

缩放所述特定负样本至所述预设尺寸。

结合第一方面，在第二种可能的实现方式中，该方法还包括：

统计被误检的图片的数量；其中，根据所述被误检的图片对所述任一级强分类器进行负样本训练的触发条件，是确定所述被误检的图片的数量达到预设第二阈值。