[发明专利]一种基于在线学习策略的实时目标检测方法

权利要求书

1.一种基于在线学习策略的实时目标检测方法，其特征在于，包括以下步骤：

步骤1：从传感器获取一帧场景图像，在场景中选择感兴趣的目标，获得输入目标窗口信息，包括窗口的尺寸和位置；

步骤2：获得以输入目标窗口尺寸为标准的扫描窗口及扩展的扫描窗口信息，包括窗口尺寸和位置，计算所有扫描窗口与输入目标窗口的重叠度参数；

步骤3：建立随机森林检测器，检测器数据包含正、负样本库，和每个样本的后验概率值，初始化样本库与后验概率；

步骤4：读取新的一帧图像，遍历步骤2获得的所有扫描窗口，按照扫描窗口的位置及尺寸信息，获取当前帧的所有扫描窗口图片，形成训练样本集，计算每个样本的随机森林特征向量及后验概率；

步骤5：执行目标跟踪，根据跟踪结果更新当前帧图像的目标窗口信息，计算步骤2获得的扫描窗口与当前帧图像目标窗口的重叠度参数，根据重叠度将训练样本集中的样本划分到正样本库和负样本库中；

步骤6：训练随机森林检测器；

步骤7：重复执行步骤4到步骤6，对随机森林检测器进行迭代训练，直到检测器的后验概率更新速率ε小于设定阈值，迭代终止，训练结束；

步骤8：执行目标检测，向随机森林检测器输入一幅场景图像，输出目标检测结果。

2.如权利要求1所述的基于在线学习策略的实时目标检测方法，其特征在于，所述步骤2中，获取扫描窗口和扩展的扫描窗口，包括以下步骤：

步骤21：建立一个初始扫描窗口，窗口尺寸与输入目标窗口一致，从当前帧图像的左上角为起始点(0,0)，滑动窗口遍整幅图像，得到n个标准尺寸的扫描窗口；

步骤22：对每个标准扫描窗口进行系数1～1.2范围的随机尺度缩放变换，获得m个扩展扫描窗口。

步骤23：计算所有(n+m)个扫描窗口与输入目标窗口的重叠度参数，重叠度定义为两个窗口的交集与它们的并集的比。

3.如权利要求2所述的基于在线学习策略的实时目标检测方法，其特征在于，所述步骤3中，初始化随机森林检测器，包括以下步骤：

步骤31：建立随机森林检测器中的正样本库，根据步骤23获得的重叠度参数，选出与目标窗口重叠度参数值高的n个扫描窗口，再对每个扫描窗口图片进行m次仿射变换，共获得n*m个扫描窗口，根据这n*m个扫描窗口信息获取当前帧图像的扫描窗口图像片，标记为正样本；

步骤32：建立随机森林检测器中的负样本库，根据步骤23获得的重叠度参数，选出与目标窗口重叠度参数大于设定阈值的k个扫描窗口图片，标记为负样本；

步骤33：计算步骤31和步骤32获得的正、负样本的随机森林特征向量，并统计每一个特征向量对应的后验概率；

步骤34：经步骤31到步骤33获得的数据构成一个随机森林检测器，检测器对每一张输入图片进行后验概率计算，根据后验概率值评判是否检测到目标。

4.如权利要求3所述的基于在线学习策略的实时目标检测方法，其特征在于，所述步骤4中，计算样本后验概率，包括以下步骤：

步骤41：根据随机森林原理，每个样本可计算得到n个二进制编码，这n个二进制编码构成一个n维特征向量，称为该样本的随机森林特征向量，每个特征向量可以计算得到一个后验概率值，故每个样本对应一个特征向量和一个后验概率统计值。

5.如权利要求4所述的基于在线学习策略的实时目标检测方法，其特征在于，所述步骤5中，将训练样本集中的样本划分到正样本库和负样本库中包括以下步骤：

建立随机森林检测器中的正样本库，根据步骤23获得的重叠度参数，选出与目标窗口重叠度参数值高的n个扫描窗口，再对每个扫描窗口图片进行m次仿射变换，共获得n*m个扫描窗口，根据这n*m个扫描窗口信息获取当前帧图像的扫描窗口图像片，标记为正样本；

建立随机森林检测器中的负样本库，根据步骤23获得的重叠度参数，选出与目标窗口重叠度参数大于设定阈值的k个扫描窗口图片，标记为负样本。