[发明专利]一种基于混合分类器的可自主学习多目标检测方法

摘要

本发明提供了一种基于混合分类器的可自主学习多目标检测方法，只需要在视频的第一帧中框选出感兴趣的检测目标，该体系会自动根据所框选目标初始化目标检测分类器，并通过不断的自主学习，逐步提高分类器的检测性能。本方法采用随机蕨分类器和可迭代的SVM相结合的方法，共同作用于目标的检测分类，并对车辆和行人进行测试，均取得了较好的效果。

主权项

一种基于混合分类器的可自主学习多目标检测方法，其特征在于包括以下步骤：(1)获取样本并初始化混合分类器：(1.1)初始化随机蕨分类器：(1.1.1)在视频的第一帧中框选出待检测目标做正样本，在不含目标区域的背景中随机框选出与正样本相同数量的负样本，对每个样本进行n1次仿射变换，将仿射变换后的结果作为初始训练随机蕨分类器的正样本和负样本；(1.1.2)在得到的每个样本中随机提取3个像素块作为该样本的一个随机蕨，各样本中提取的3个像素块位于各样本的相同位置；共选取n2*n2个随机蕨，将其平均分为n2组，每组n2个随机蕨；(1.1.3)对随机蕨中的每个像素块，比较其左半部分所有像素值之和Ileft与右半部分所有像素值之和Iright的大小以及上半部分所有像素值之和Itop与下半部分所有像素值之和Ibottom的大小，根据比较结果对每个像素块的特征编码为2位二进制数；每个样本中的特征按照相同的顺序组合，则步骤(1.1.2)中，每个样本在随机蕨上统计的特征形成一个六位数的二进制编码，其对应的十进制数有64种可能数值，每个样本对应于随机蕨中的一个数值；(1.1.4)通过训练样本，统计初始训练随机蕨分类器的正样本和负样本在随机蕨上的后验概率分布，得到后验概率分布直方图P(F|c+)和P(F|c‑)，最终获得随机蕨分类器(1.2)对第一帧中框选出的长方形图像中的正样本和负样本，分别进行n3次仿射变换，利用仿射变换后的正样本和负样本对SVM分类器进行初始训练；(2)利用混合分类器进行视频目标检测：(2.1)设置阈值β＝0.5，初始化自适应阈值θ＝0.5；(2.2)从随机蕨分类器中筛选出性能最佳的随机蕨用于视频检测，并对检测结果进行分类，采取滑动窗在视频帧中搜索的方式进行目标检测，计算当前滑动窗在随机蕨上的后验概率值，当后验概率值Pfern＞β+θ时，将该结果作为正样本；当Pfern＜β‑θ时，将该结果作为负样本；当β‑θ＜Pfern＜β+θ时，将该结果标记为困难样本，并用SVM分类器计算该样本的置信度PSVM，将该样本添加到困难样本集中；(2.3)统计所有困难样本个数Nt，统计困难样本中Pfern＜β且PSVM＞0或者Pfern＞β且PSVM＜0的个数Nr；(3)自主更新混合分类器：(3.1)在线更新SVM分类器：当(2.2)中的困难样本集中每增加n4个样本时，开始对SVM分类器进行一次迭代更新，同时更新(2.1)中的自适应阈值θ；(3.2)在线更新随机蕨分类器；(3.3)进入下一帧，重复步骤(3.2)并将每帧中检测到的困难样本添加至困难样本集中，当困难样本集中每增加n4个样本时，跳转至步骤(3.1)对SVM分类器进行一次迭代更新，同时更新自适应阈值θ；当中自适应阈值θ收敛至小于T1时，停止更新混合分类器，训练结束；(5)将训练好的混合分类器用于视频目标检测。