[发明专利]一种基于在线学习的局部可形变目标检测方法及其系统

说明书

技术领域

本发明涉及模式识别和机器学习领域，特别涉及一种基于在线学习的局部可形变目标检测方法及其系统。

背景技术

传统的目标检测是利用从图像中提取的特征，使用支持向量机做训练得到一个目标检测模型，然后利用训练得到的目标检测模型进行检测。这种方法在模型不是很复杂，训练样本不多，实时性要求不高的时候是可行的。在大规模数据背景下，训练数据非常大，并且是陆续收集得到的。每收集到一个新的数据集，如果想要对模型进行更新，就需要对新的训练数据进行标注，再将以前的训练数据和新的训练数据合并以后，重新进行训练。这样做不仅标注操作过程复杂，并且对复杂模型(例如鲁棒性很好的局部可形变目标检测模型)重新训练十分耗时，需要消耗大量内存容量，更无法在检测过程中对模型进行实时更新。特别地，如果训练数据特别大，只是内存容量就可能无法满足训练需求。

另外，常规的在线学习需要事先对图像进行坐标标注，标注过程慢，实行起来复杂，尤其是图像较多或者同一图像中目标较多的时候，这种方法十分费时费力。

局部可形变目标检测模型是当前最鲁棒的目标检测模型之一，但其训练过程十分耗时，并且无法利用新的样本对模型进行更新，因此很难适用于大规模数据背景下的目标检测。

发明内容

为了解决传统的目标检测方法在处理大规模数据背景下的训练数据存在的不足，如模型鲁棒性差、标注复杂、训练速度慢、占用内存大、操作不方便、无法实时更新等，本发明提供了一种在线学习的局部可形变目标检测方法及其系统。

本发明公开的基于在线学习的局部可形变目标检测方法，其包括：

步骤1、利用训练集中的样本图像对局部可形变目标检测模型进行训练，得到初步训练后的局部可形变目标检测模型；

步骤2、利用所述局部可形变目标检测模型对待测图像进行目标检测，并利用GUI标注在线学习方法对已有的局部可形变目标检测模型进行更新优化。

本发明公开的基于在线学习的局部可形变目标检测系统，其包括：

局部可形变目标检测模型训练装置，其利用训练集中的样本图像对局部可形变目标检测模型进行训练，得到初步训练后的局部可形变目标检测模型；

局部可形变目标检测模型的在线更新装置，其利用GUI标注在线学习方法对已有的局部可形变目标检测模型进行更新优化；

目标检测装置，其利用局部可形变目标检测模型对待测图像进行目标检测。

根据本发明的上述方法，在大数据背景下，可以快速有效地处理用于目标检测的数据。上述方法开始时，可以使用数据量不大的训练集训练支持向量机得到一个基本的局部可形变目标检测模型。以后，每进行一次检测，如果检测错误或者检测得分偏低时，使用GUI界面进行一次标注，再利用在线学习算法对局部可形变目标检测模型更新一次即可。这样做，将整个耗时的训练过程分布在每次目标检测之中，同时模型可以实时更新，局部可形变检测模型鲁棒性会进一步得到提升，且对内存需求量不大。即使是检测的样本是无限大的，也可以在只拥有常规内存的机器上做训练。

另外，本发明提出的上述方法还利用GUI标注进行在线学习，这种标注方法标注速度快，操作简单，并且与在线学习算法做好结合后，可以得到与常规方法更佳的检测效果。甚至可以在只拥有普通内存的机器上，使用无穷的数据进行检测，同时实时更新目标检测模型。大大节省了模型的训练时间，也可以充分利用所有可以利用的数据，来提高目标检测模型的检测能力。本发明中由于使用了局部可形变目标检测模型，在追求实时更新的同时，充分保证了检测的鲁棒性。

使用者还可以根据实际情况，既可以选择一边检测，一边进行在线学习；也可以选择只进行检测，不进行在线学习；更可以选择将检测过程中发生误检的样本搜集在一起，一次性进行在线更新，使用十分灵活。

附图说明

图1是本发明中基于在线学习的局部可形变目标检测方法流程图。

图2是本发明中行人检测的局部可形变目标检测模型示例图。

图3是本发明另一优选实施例中基于在线学习的局部可形变目标检测方法流程图。

图4是本发明中基于在线学习的局部可形变目标检测系统的结构框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

本发明公开了一种基于在线学习的局部可形变目标检测方法及其系统。