[发明专利]分类器训练方法和系统

说明书

本发明提供了一种分类器自适应训练方法和系统。该方法包括：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。

技术领域

本发明涉及在图像中识别具体对象的领域，具体而言，涉及对图像分类器的自适应训练方法和使用该方法的系统。

背景技术

随着数字技术的广泛普及，尤其是图像数字化的广泛应用，人们利用图像来识别具体对象的需求也越来越多。数字图像的大量产生对人工识别来说带来了繁重的工作任务。为此，人们期望一种能够自动识别图像中具体对象的技术。因此，对象自动识别技术应运而生。

目标识别主要应用在视频监控领域。为了识别图像中的具体目标，一方面要提取目标的一些具体特征，另一方面要基于这些具体特征获得一些正负图像样本来训练分类器，从而通过训练过的分类器来对当前获得的图像进行检测，从而识别当前输入图像中是否包含有目标以及目标的位置。具体而言，监控识别系统通过采集在各种光照条件的对象的正负样本，对它们提取特征，并进行聚类，对于聚成的各个子类分别训练分类器，然后采用经过训练的分类器来进行对象检测。在进行对象检测时，首先获取当前场景的图像，然后生成可能存在对象的候选区域，对每个候选区域提取特征，并根据这些特征将候选区域划分到对应的子类，最后利用对应子类的分类器判别该候选区域是否存在对象。因此，为了提高图像中对象的识别精度，一方面要在特征提取方面进行改进，另一方面在于在分类器方面进行改进。特征提取的改进通常对具体对象的识别具有指向性，但是分类器的改进则对所有识别系统具有普遍意义。

图1所示的是现有技术中训练子类分类器的流程图。如图1所示，在步骤S11处，分类器训练单元从系统的存储器的样本库中读取样本图像。包含有对象图案的样本图像称为正样本，而没有包含对象图案的赝本图像称为负样本。在步骤S12处，特征提取单元从每幅样本图像中提取特征向量。随后，在步骤S13处，基于每幅图所提取的特征向量，进行聚类处理。聚类可以采用常见的K近邻法、K均值聚类法。具体而言就是对每幅图像的特征向量进行相似度比较，两两之间的相似度在一定阈值范围之内的特征向量所对应的两幅样本图像归为一类。当然，也可以采用现有的其他方式进行聚类。实际上，聚类是一种常规技术，包含了各种聚类方式，因此不在此进行具体描述。之后，在步骤S14处，将归为一类的所有向量对应的样本图像归为一个子类，并对每个子类进行编号。这些子类在特征空间中的均值和方差将被储存供检测时划分候选图像时使用。最后在步骤S15处，利用现有的机器学习等方法对每个子类训练把正负样本分开的分类器。训练子类分类器可采用支持向量机、AdaBoost等。

在针对每个子类训练了子类分类器之后，可以利用子类来检测现场所获得的图像中是否存在对象。图2所示的是现有技术中基于被训练的子类分类器进行候选图像内对象检测的流程图。如图2所示，首先需要在步骤S21处从当前场景中检测候选图像区域作为输入图像。利用一些简单的特征，如依靠对称性，或者Haar+AdaBoost框架等。场景图像通常采用场景图像获取单元获取。场景图像获取单元通常为摄像机，其可以基于对象的拍摄照片，不断场景图像输入给计算机。随后，在步骤S22处，特征提取单元从所接收的场景图像中提出特征向量。接着，在步骤S23处，计算对应场景图像的特征向量与样本图像集合中每个子类之间的距离。具体而言，就是针对每个子类，计算该子类中所有样本图像对应的特征向量的平均值，从而获得该子类的平均特征向量，即该子类的中心，然后比较对应场景图像的特征向量与该子类的平均特征向量，获得两者之间的距离，该距离则是对应场景图像的特征向量与该子类的距离。然后，在步骤S24处，将与对应场景图像的特征向量的距离最近的子类作为对应场景图像所属的子类，并将该子类的编号赋予该对应场景图像的特征向量。接着，在步骤S25处，基于对应场景图像的特征向量的子类的编号调用对应编号的子类的分类器。最后，在步骤S26处，采用所调用的子类分类器来检测对应场景图像中是否存在对象。具体如何采用训练器来检测候选图像中是否存在对象属于现有技术，因此不在此赘述。