本发明专利技术涉及一种物体类型的在线训练和识别方法，包括：进行图像采集，并对所采集到的图像进行背景建模；根据建模结果提取前景物体区域，并对该区域是否目标物体类型进行初步验证；将通过初步验证的样本作为正样本，而将背景图像中存在的相同形状的区域作为反样本；提取当前搜集的正样本和反样本的特征，并送入在线物体训练模型进行在线训练，采用训练好的模型对所提取的前景物体区域的物体类型进行类型识别，得到物体类型。本发明专利技术的方法运算速度快，且能更好地适应应用场景。
【技术实现步骤摘要】
本专利技术涉及一种物体类型的识别方法及系统，尤其涉及一种物体类型的在 线训练和识别方法及其系统。
技术介绍
智能视频监控中，不仅仅需要得到视频中前景物体的轨迹，大小等信息， 还需要识别物体的种类，比如区分人，汽车，以及其它物体。现有的物体识别技术中，基于启发式规则方式的，多采用物体的形状、大 小、比例等简单信息对提取的前景物体进行分析，得到物体种类。这种方法比 较简单，但是效果较差，抗干扰能力较差。而基于训练方式的方法一般采用采集割取各类别样本，采用离线训练的方 式，训练得到能够区分样本类别的分类器，再采用训练模型将监控场景中提取 的前景进行分类。如图1所示，传统的基于离线训练方式的物体类型训练识别方法一般分为 两个阶段第一阶段，离线训练模型。训练过程如下首先，进行图像采集。需要采集包含有物体的图像，作为正样本的训练样 本来源，并标定出其中物体的位置和大小；同时，需要采集不包含有物体的图像，作为反样本的训练样本来源；其次，按照标定结果，割取标定物体作为正样本。同时，割取反样本，定义非正样本的区域均为反样本；第三，对于所有采集的正样本和反样本，计算其特征，即分别提取所有正 样本特征和反样本特征；第四，将所有正样本特征和反样本特征送入训练模块进行离线训练，得到 训练模型。第二阶段，物体类型识别。识别过程如下-首先，采集图像，并对背景建模，提取前景区域；其次，采用训练好的模型识别前景区域，得到物体类型；这种离线训练识别方法，效果较好，但是，采集和标定训练样本的工作量 很大，不利于实现，而且，受所釆集训练样本模式的影响较大，会出现在一类 场景中采集的样本训练得到的模型对其他场景效果不好，而采集所有场景的样 本进行训练，分类器又收敛缓慢，造成处理速度降低，而且，资源代价很高。
技术实现思路
本专利技术所要解决的技术问题在于提供一种物体类型的在线训练和识别方 法及其系统，克服传统基于离线的方式运算缓慢，不能更好地适应应用场景的 缺陷。为了实现上述目的，本专利技术提供了一种物体类型的在线训练和识别方法，其特点在于，包括进行图像采集，并对所采集到的图像进行背景建模；根据 建模结果提取前景物体区域，并对该区域是否目标物体类型进行初歩验证；将 通过初步验证的样本作为正样本，而将背景图像中存在的相同形状的区域作为 反样本；提取当前搜集的正样本和反样本的特征，并送入在线物体训练模型进 行在线训练，采用训练好的模型对所提取的前景物体区域的物体类型进行类型 识别，得到物体类型。优选地，在提取前景物体区域之后和进行初歩验证之前，还包括对所提 取的前景物体区域进行物体分割。优选地，所述进行物体分割的步骤包括训练目标类物体的物体模型；按 照物体的形状对各种不同尺度，处于所提取的前景物体区域中不同位置的图像 区域采用该物体模型进行判定；如果该尺度该位置的图像区域通过了该物体模 型，则认为该图像区域为一个该目标类物体，从而将所述前景物体区域中粘连 在一起的多个物体分开，将分割后的前景物体区域输出以进行物体类型识别。优选地，所述进行目标物体类型初步验证的过程包括离线采集标定目标 类物体的样本，并训练该目标类物体的PCA空间；在线训练时，将获取的前景物体区域投影到该目标类物体的PCA空间上，得到投影向量，如果投影向量的二范数大于预设的第一阈值，则认为是该类物体，作为正样本训练，否则， 认为不是，抛弃。优选地，所述进行目标物体类型初步验证的过程包括在线搜集目标类物 体的样本，采用增量的PCA算法训练该目标类物体的PCA空间；在训练样本 达到预定数目后，认为该PCA空间可信；在线训练时，将获取的前景物体区 域投影到该目标类物体的可信PCA空间上，得到投影向量，如果投影向量的 二范数大于预设的第二阈值，则认为是该类物体，作为正样本训练，否则，认 为不是，抛弃。优选地，所述在线训练和识别过程包括提取当前搜集的正样本和反样本的弱特征，构造弱分类器；采用层次型在线adaboost算法训练多个强分类器， 该多个强分类器层层相连构成一个层次型结构的最终强分类器，其中每个强分 类器由多个选择器组成，且所述多个选择器共用一个弱分类器组；利用该最终 强分类器对所提取的前景物体区域进行物体类型识别，将通过该最终强分类器 的所有层的样本认为是正样本，否则认为是反样本。优选地，本专利技术采用下述强分类器训练构造算法训练强分类器初始化组 成最终强分类器的弱分类器；初始化所有的选择器，选择器包括选择的弱分类 器和弱分类器权重；初始化所有选择器对应所有弱特征的分类正确样本权重和 《 ,以及分类错误样本权重和《。,；对于当前的一个样本，样本标签为l，如果 1=1则为正样本，1=-1为反样本；设定样本权重为w-l;更新M个在线弱特征 构造的弱分类器组；对于N个选择器，更新选择器的弱分类器序号j和弱分类 器权重《 。优选地，所述弱特征采用各种不同尺度，不同位置的HOG特征，且该 HOG特征是一个NHOG维的向量。优选地，采用基于最近邻的方式构造所述弱分类器，所述弱分类器形式为<formula>formula see original document page 9</formula>其中，《为正样本第j个特征中心，《为反样本第j个特征中心，/;(x)为 当前特征。优选地，所述初始化组成最终强分类器的弱分类器步骤是釆用从所有的候 选弱特征中随机选取的方式获得。优选地，所述更新M个在线弱特征构造的弱分类器组的步骤是采用卡尔 曼滤波方式在线更新弱特征的均值《和《，从而实现在线更新弱分类器。优选地，所述对于N个选择器，更新选择器的弱分类器序号j和弱分类器获取M个弱分类器对于样本的分类结果标志//^—)，分类正确为1，否 则，为0;为每个弱分类器设定未使用标志6f/w《，标志是否己经被某个选择器选择 使用，如果己经使用为l，没有使用为O;对于所有的N个选择器，进行下列处理更新对于所有的M个弱分类器，根据其对样本的分类结果，如果场^为 1，贝1」《, =《 ,+ ，否贝廿，《 ,=《m+w;如果当前弱分类器没有使用，即M^e《为l，则跳过，对所有没有使 用过的弱分类器计算分类错误率e"，，并选择错误率最小的e"作为当前选择器 的弱分类器，即取户argmin(^)，同时计算弱分类器权重《 ;更新样本的权重 w ;替换分类效果最差的T个弱分类器。优选地，所述分类错误率^/满足义 . r所述弱分类器权重《 满足a =0.51n(^% ;所述样本的权重w满足如果/Z，(力为l则^^^，否则，w = +。优选地，在所述在线训练和识别过程中，对于输入的反样本，采用所述强 分类器训练构造算法训练第一层强分类器中的各个选择器，训练完成后，采用 训练好的第一层强分类器对输入的反样本进行分类，如果分类正确，则退出； 否则，将该反样本输入到下一层强分类器进行训练，依此类推，直到该反样本 被某一层强分类器拒绝为止；对于输入的正样本，将其输入所有层中，分别训10练各层强分类器的各个选择器。优选地，对于组成最终强分类器的各层而言，当该层训练过的反样本数目 大于第三阈值，并且，该层训练过的正样本数目大于第四阈值时，认为该层有 效，可以用来识别物体类型。优选地，当在线训练的模型包含的有效层数大于第五阈本文档来自技高网...
【技术保护点】
一种物体类型的在线训练和识别方法，其特征在于，包括： 进行图像采集，并对所采集到的图像进行背景建模； 根据建模结果提取前景物体区域，并对该区域是否目标物体类型进行初步验证； 将通过初步验证的样本作为正样本，而将背景图像中存在的相同形状的区域作为反样本； 提取当前搜集的正样本和反样本的特征，并送入在线物体训练模型进行在线训练，采用训练好的模型对所提取的前景物体区域的物体类型进行类型识别，得到物体类型。
【技术特征摘要】
【专利技术属性】
技术研发人员：邓亚峰，王俊艳，王磊，
申请(专利权)人：北京中星微电子有限公司，
类型：发明
国别省市：11[中国|北京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。