[发明专利]基于迭代二分级联分类器的快速物体检测方法

说明书

所属技术领域

本发明涉及人机交互、计算机视觉等领域中快速、高效的物体检测方法，特别是涉及采用级联分类器进行物体检测的方法。

背景技术

物体检测是计算机视觉中一个十分重要的研究领域，包含人脸检测、行人检测以及车辆检测等，可以广泛地用于人机交互、视频监控以及图像检索等领域。衡量一个物体检测系统好坏的两个主要指标为：检测率和检测速度[1]。一般情况而言，检测率越高意味着检测速度相对较慢，而检测速度越快意味着检测率相对较低。因此，如何权衡二者的利弊一直是物体检测领域一个不可回避的问题。

近年来，随着智能手机、可穿戴式设备的发展，基于移动设备的物体检测逐渐发展起来。但是，由于存在计算能力相对较弱、电池电量相对较少等局限，移动设备对物体检测系统的实时性提出了更加苛刻地要求。因此，本发明主要研究如何在保持检测率不变的情况下提高检测速度。

物体检测主要包含特征提取、窗口生成以及分类器判定等三个方面。其中，分类器判定占据了物体检测大部分时间。研究人员在基于级联结构的分类器设计方面做了许多相关工作，试图通过优化级联分类器的结构来减少分类器判定的时间，进而加快物体检测的速度。

当前，大部分已存在级联分类器学习方法都属于基于检测率和虚检率的级联分类器学习方法，简称为DF-guided方法。2004年Viola和Jones[2]发现结构相对简单的Boosted分类器在保证正例窗口全部通过的前提下能够拒绝大部分的负例窗口。他们利用这一特性将总检测目标平均分配给每一级分类器，即指定每一级分类器的检测率和虚检率，由此训练得到一个级联分类器。这种方法被称为传统级联分类器学习方法。由于前几级分类器仅由少量的弱分类器构成便能够提前拒绝大部分的负例窗口，因此，这种级联结构的分类器大大地加快了物体检测的速度。2008年Brubaker等人[3]利用不同级之间弱分类器之间存在一定冗余这一特性，提出后一级分类器可利用前一级分类器的得分继续训练得到。这种方法被称为循环利用级联分类器方法。由于重复利用前一级分类器的信息，相对于传统级联分类器，循环利用级联分类器减少了每一级分类器中的弱分类器个数，进而进一步加快了检测速度。2005年Bourdev和Brandt[4]提出了soft-Cascade。该方法训练一级长度为T强分类器，并为强分类器中每一个弱分类器设定一个阈值，这样就形成了一个长度为T的级联分类器。若一个窗口通过前t个弱分类器的得分之和低于第t个弱分类器的阈值就会被立即拒绝。该方法减少级联分类器中弱分类器总数，通过适当的设置每一级弱分类器的阈值能够在检测率基本保持不变的情况下加快检测速度。以上几种方法都是基于如何减少每一级中弱分类的总数以及如何更早地拒绝负例窗口的思想提出的。虽然它们在一定的程度上提高了检测速度，但是这些方法没有从根本上解决如何设定级联分类器的级数、如何分配每一级分类器的检测率和虚检率以及如何最小化计算消耗量等问题。

相对于DF-guided方法，近年来，科研人员开始从最小化计算量的角度出发设计级联分类器。2005年Chen和Yuille[5]从最优化总检测时间的角度出发进行弱分类的选择和级联结构的生成。该方法试探性地设置一个较大的总检测时间并由高到低减小该时间，直到不能够将该时间分配给每一级为止，此时形成的级联分类器便是一种快速、高效的级联分类器。该方法将先前的文字检测的算法[6]加快了2.5倍。2010年Sabrian和Vasconcelos[7]从传统级联分类器设计的过程没有考虑速度最优以及自动设计的角度出发，以联合最优分类误差和计算时间为目标函数，在训练过程中不断迭代增加最能够优化目标函数的弱分类，提出了一种快速级联分类器（即FCBoost）生成方法。该方法在检测速度和检测性能上较传统的级联分类器都有了一定的提升。同样，2012年Chen[8]等人从最优化检测性能和计算速度的角度出发，不断调整弱分类器先后顺序，设计了Cronus级联分类器并取得了不错的效果。以上几种方法都从较低计算复杂度的角度出发进行级联分类器的设计，相对于DF-guided方法，它们在检测速度和检测性能上都取得了不错的效果。但是，大部分方法都存在训练过于复杂和局部贪婪等问题。

参考文献：