[发明专利]一种基于在线学习策略的实时目标检测方法

说明书

本发明公开了一种基于在线学习策略的实时目标检测方法，首先从传感器图像中获取输入目标窗口及扫描窗口，根据两个窗口的重叠度参数将扫描窗口划分为正样本或负样本，计算后验概率，建立随机森林检测器；在新一帧图像中遍历所有扫描窗口，建立训练样本集并计算每个样本的随机森林特征向量及后验概率；执行目标跟踪，自动获取最新目标窗口信息，根据扫描窗口与新目标窗口的重叠度参数，将训练样本集划分为正样本集和负样本集，用训练样本集训练随机森林检测器；最后，经过不断迭代训练，得到训练好的检测器，输入一帧图像进入检测器，输出目标检测结果。本发明可实现对小目标的精细化检测，且计算量小，能够在嵌入式平台上实现实时处理。

技术领域

本发明属于自动目标检测技术领域，涉及一种基于在线学习策略的实时目标检测方法。

背景技术

自动目标检测是现代武器装备中的一项重要功能，可以提供可靠的目标类型及位置信息，为战场侦察、边境巡逻、精确打击等任务提供有力保障，是实现武器装备智能化的一个关键因素。基于机器学习的目标检测是自动目标检测技术领域的重点方向。

基于机器学习的目标检测方法主要有支持向量机和深度学习。支持向量机以统计学为理论基础，具有直观的几何解释和良好的泛化能力，然而其缺点是运算复杂度高，对于目标的形态变换适应性差，检出率不高。深度学习方法通过构建大量的数据集和优化训练策略，对目标的形态、尺度、光照等变化具有良好的适应性，极大地提升了识别的准确率，为了达到较好的识别效果，需要收集大量的训练样本，并且制定不同的训练策略，用于优化网络参数。同时，由于特征提取采用的时多层卷积架构，特征提取的维度较高，计算复杂度大，实时性不理想，且需要进行较长时间的离线训练，响应速度慢和灵活性差。

综上所述，现有技术存在的问题是：数据集的构建及模型训练需要耗费大量时间，只能通过离线完成训练，在执行目标检测任务时只能完成基于离线训练模型的特定目标类别检测，对难以实现对场景中任意感兴趣目标的检测；计算复杂度高，运算效率低；训练模型的泛化过高，对小目标精细化识别效果不理想。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何快速实时响应对场景中任意目标的检测需求，提供准确的目标检测结果。

(二)技术方案

为了解决上述技术问题，本发明提供一种基于在线学习策略的实时目标检测方法，其包括以下步骤：

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，具体同步骤31到步骤32；

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(后验概率更新次数与训练次数的比)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。

其中，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：