[发明专利]分类器训练方法和系统

权利要求书

1.一种分类器自适应训练方法，包括：

采用当前分类器在线识别连续输入的多帧图像，并将被识别的图像作为高置信度正负样本直接添加到分类器的样本库；以及

将当前分类器难以识别的图像输出为疑难样本，并针对所述疑难样本的上下文，将其识别为正负可信样本，并赋予所识别正负可信样本一定权重后将其添加到分类器的样本库，其中所述权重是基于具体疑难样本的时域上下文、空域上下文和语义上下文以及当前分类器对疑难样本的影响而计算出的。

2.根据权利要求1所述的分类器自适应训练方法，所述针对所述疑难样本的上下文，将其识别为可信正负样本，并赋予所识别正负可信样本一定权重后将其添加到分类器的样本库的步骤包括：

基于具体疑难样本的时域上下文，采集所有疑难样的时域上下文的正负可信样本，并计算所述时域上下文的正负可信样本在时域信息下包含待识别目标的概率；

基于具体疑难样本的空域上下文，采集所有疑难样的空域上下文的正负可信样本，并计算所述空域上下文的正负可信样本在空域信息下包含待识别目标的概率；

基于具体疑难样本的语义上下文，采集所有疑难样的语义上下文的正负可信样本，并计算所述语义上下文的正负可信样本在语义信息下包含待识别目标的概率；以及

基于当前分类器对疑难样本的影响和所计算的疑难样本在时域信息、空域信息以及语义信息下包含待识别目标的概率，计算该疑难样本作为上正负可信样本的联合概率，并依据所计算的联合概率赋予每个被选择为正负可信样本的疑难样本一个权重值。

3.根据权利要求1或2所述的分类器自适应训练方法，还包括：

在最初使用当前分类器之前，收集正现有的正负可信样本以创建待识别目标的训练样本库；

对训练样本库中的每一个样本提取特征；

基于提取到的特征集训练原始的目标识别分类器从而获得初始当前分类器。

4.根据权利要求3所述的分类器自适应训练方法，所述被提取特征包括：梯度直方图特征或局部二值模式特征。

5.根据权利要求3所述的分类器自适应训练方法，所述分类器包括：支持向量机、Adaboost分类器或神经网络。

6.一种分类器自适应训练系统，包括：

简单样本分辨单元，基于当前分类器将所输入的多帧图像直接识别为包含或不包含待识别目标的图像，将包含或不包含待识别目标的图像作为高置信度正负样本直接添加到分类器的样本库；以及

疑难样本分辨单元，接收当前分类器未能直接识别的图像作为疑难样本，并针对所述疑难样本的上下文，将其识别为正负可信样本，并赋予所识别正负可信样本一定权重后将其添加到分类器的样本库，其中所述权重是基于具体疑难样本的时域上下文、空域上下文和语义上下文以及当前分类器对疑难样本的影响而计算出的。

7.根据权利要求6所述的分类器自适应训练系统，所述疑难样本分辨单元包括：

时域分辨单元，基于具体疑难样本的时域上下文，采集所有疑难样的时域上下文的正负可信样本，并计算所述时域上下文的正负可信样本在时域信息下包含待识别目标的概率；

空域分辨单元，基于具体疑难样本的空域上下文，采集所有疑难样的空域上下文的正负可信样本，并计算所述空域上下文的正负可信样本在空域信息下包含待识别目标的概率；

语义分辨单元，基于具体疑难样本的语义上下文，采集所有疑难样的语义上下文的正负可信样本，并计算所述语义上下文的正负可信样本在语义信息下包含待识别目标的概率；以及

综合处理单元，基于当前分类器对疑难样本的影响和所计算的疑难样本在时域信息、空域信息以及语义信息下包含待识别目标的概率，计算该疑难样本作为上正负可信样本的联合概率，并依据所计算的联合概率赋予每个被选择为正负可信样本的疑难样本一个权重值。

8.根据权利要求6或7所述的分类器自适应训练系统，所述分类器包括：支持向量机、Adaboost分类器或神经网络。