基于迭代二分級(jí)聯(lián)分類器的快速物體檢測(cè)方法
【專利摘要】本發(fā)明涉及一種基于迭代二分級(jí)聯(lián)分類器的快速物體檢測(cè)方法，首先，通過(guò)AdaBoost算法得到初始的強(qiáng)分類器；其次，以最小化計(jì)算消耗量為目標(biāo)函數(shù)，不斷迭代二分初始的強(qiáng)分類，當(dāng)相鄰兩次迭代二分過(guò)程中分類器的計(jì)算消耗量差的絕對(duì)值小于給定的閾值時(shí)停止迭代，此時(shí)二分形成的級(jí)聯(lián)分類器便是一個(gè)計(jì)算消耗量最小的全局最優(yōu)級(jí)聯(lián)分類器；最后，利用該級(jí)聯(lián)分類器在圖像或視頻中進(jìn)行物體檢測(cè)。本發(fā)明提出的物體檢測(cè)方法，能夠在保證物體檢測(cè)系統(tǒng)的檢測(cè)性能不變的前提下，通過(guò)最小化計(jì)算消耗量，實(shí)現(xiàn)快速物體檢測(cè)。
【專利說(shuō)明】基于迭代二分級(jí)聯(lián)分類器的快速物體檢測(cè)方法
所屬【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及人機(jī)交互、計(jì)算機(jī)視覺等領(lǐng)域中快速、高效的物體檢測(cè)方法，特別是涉及采用級(jí)聯(lián)分類器進(jìn)行物體檢測(cè)的方法。
【背景技術(shù)】
[0002]物體檢測(cè)是計(jì)算機(jī)視覺中一個(gè)十分重要的研究領(lǐng)域，包含人臉檢測(cè)、行人檢測(cè)以及車輛檢測(cè)等，可以廣泛地用于人機(jī)交互、視頻監(jiān)控以及圖像檢索等領(lǐng)域。衡量一個(gè)物體檢測(cè)系統(tǒng)好壞的兩個(gè)主要指標(biāo)為:檢測(cè)率和檢測(cè)速度[I]。一般情況而言，檢測(cè)率越高意味著檢測(cè)速度相對(duì)較慢，而檢測(cè)速度越快意味著檢測(cè)率相對(duì)較低。因此，如何權(quán)衡二者的利弊一直是物體檢測(cè)領(lǐng)域一個(gè)不可回避的問(wèn)題。
[0003]近年來(lái)，隨著智能手機(jī)、可穿戴式設(shè)備的發(fā)展，基于移動(dòng)設(shè)備的物體檢測(cè)逐漸發(fā)展起來(lái)。但是，由于存在計(jì)算能力相對(duì)較弱、電池電量相對(duì)較少等局限，移動(dòng)設(shè)備對(duì)物體檢測(cè)系統(tǒng)的實(shí)時(shí)性提出了更加苛刻地要求。因此，本發(fā)明主要研究如何在保持檢測(cè)率不變的情況下提高檢測(cè)速度。
[0004]物體檢測(cè)主要包含特征提取、窗口生成以及分類器判定等三個(gè)方面。其中，分類器判定占據(jù)了物體檢測(cè)大部分時(shí)間。研究人員在基于級(jí)聯(lián)結(jié)構(gòu)的分類器設(shè)計(jì)方面做了許多相關(guān)工作，試圖通過(guò)優(yōu)化級(jí)聯(lián)分類器的結(jié)構(gòu)來(lái)減少分類器判定的時(shí)間，進(jìn)而加快物體檢測(cè)的速度。
[0005]當(dāng)前，大部分已存在級(jí)聯(lián)分類器學(xué)習(xí)方法都屬于基于檢測(cè)率和虛檢率的級(jí)聯(lián)分類器學(xué)習(xí)方法，簡(jiǎn)稱為DF-guided方法。2004年Viola和Jones [2]發(fā)現(xiàn)結(jié)構(gòu)相對(duì)簡(jiǎn)單的Boosted分類器在保證正例窗口全部通過(guò)的前提下能夠拒絕大部分的負(fù)例窗口。他們利用這一特性將總檢測(cè)目標(biāo)平均分配給每一級(jí)分類器，即指定每一級(jí)分類器的檢測(cè)率和虛檢率，由此訓(xùn)練得到一個(gè)級(jí)聯(lián)分類器。這種方法被稱為傳統(tǒng)級(jí)聯(lián)分類器學(xué)習(xí)方法。由于前幾級(jí)分類器僅由少量的弱分類器構(gòu)成便能夠提前拒絕大部分的負(fù)例窗口，因此，這種級(jí)聯(lián)結(jié)構(gòu)的分類器大大地加快了物體檢測(cè)的速度。2008年Brubaker等人[3]利用不同級(jí)之間弱分類器之間存在一定冗余這一特性，提出后一級(jí)分類器可利用前一級(jí)分類器的得分繼續(xù)訓(xùn)練得到。這種方法被稱為循環(huán)利用級(jí)聯(lián)分類器方法。由于重復(fù)利用前一級(jí)分類器的信息，相對(duì)于傳統(tǒng)級(jí)聯(lián)分類器，循環(huán)利用級(jí)聯(lián)分類器減少了每一級(jí)分類器中的弱分類器個(gè)數(shù)，進(jìn)而進(jìn)一步加快了檢測(cè)速度。2005年Bourdev和Brandt [4]提出了 soft-Cascade。該方法訓(xùn)練一級(jí)長(zhǎng)度為T強(qiáng)分類器，并為強(qiáng)分類器中每一個(gè)弱分類器設(shè)定一個(gè)閾值，這樣就形成了一個(gè)長(zhǎng)度為T的級(jí)聯(lián)分類器。若一個(gè)窗口通過(guò)前t個(gè)弱分類器的得分之和低于第t個(gè)弱分類器的閾值就會(huì)被立即拒絕。該方法減少級(jí)聯(lián)分類器中弱分類器總數(shù)，通過(guò)適當(dāng)?shù)脑O(shè)置每一級(jí)弱分類器的閾值能夠在檢測(cè)率基本保持不變的情況下加快檢測(cè)速度。以上幾種方法都是基于如何減少每一級(jí)中弱分類的總數(shù)以及如何更早地拒絕負(fù)例窗口的思想提出的。雖然它們?cè)谝欢ǖ某潭壬咸岣吡藱z測(cè)速度，但是這些方法沒有從根本上解決如何設(shè)定級(jí)聯(lián)分類器的級(jí)數(shù)、如何分配每一級(jí)分類器的檢測(cè)率和虛檢率以及如何最小化計(jì)算消耗量等問(wèn)題。[0006]相對(duì)于DF-guided方法，近年來(lái)，科研人員開始從最小化計(jì)算量的角度出發(fā)設(shè)計(jì)級(jí)聯(lián)分類器。2005年Chen和Yuille[5]從最優(yōu)化總檢測(cè)時(shí)間的角度出發(fā)進(jìn)行弱分類的選擇和級(jí)聯(lián)結(jié)構(gòu)的生成。該方法試探性地設(shè)置一個(gè)較大的總檢測(cè)時(shí)間并由高到低減小該時(shí)間，直到不能夠?qū)⒃摃r(shí)間分配給每一級(jí)為止，此時(shí)形成的級(jí)聯(lián)分類器便是一種快速、高效的級(jí)聯(lián)分類器。該方法將先前的文字檢測(cè)的算法[6]加快了 2.5倍。2010年Sabrian和Vasconcelos[7]從傳統(tǒng)級(jí)聯(lián)分類器設(shè)計(jì)的過(guò)程沒有考慮速度最優(yōu)以及自動(dòng)設(shè)計(jì)的角度出發(fā)，以聯(lián)合最優(yōu)分類誤差和計(jì)算時(shí)間為目標(biāo)函數(shù)，在訓(xùn)練過(guò)程中不斷迭代增加最能夠優(yōu)化目標(biāo)函數(shù)的弱分類，提出了一種快速級(jí)聯(lián)分類器(即FCBoost)生成方法。該方法在檢測(cè)速度和檢測(cè)性能上較傳統(tǒng)的級(jí)聯(lián)分類器都有了一定的提升。同樣，2012年Chen[8]等人從最優(yōu)化檢測(cè)性能和計(jì)算速度的角度出發(fā)，不斷調(diào)整弱分類器先后順序，設(shè)計(jì)了 Cronus級(jí)聯(lián)分類器并取得了不錯(cuò)的效果。以上幾種方法都從較低計(jì)算復(fù)雜度的角度出發(fā)進(jìn)行級(jí)聯(lián)分類器的設(shè)計(jì)，相對(duì)于DF-guided方法，它們?cè)跈z測(cè)速度和檢測(cè)性能上都取得了不錯(cuò)的效果。但是，大部分方法都存在訓(xùn)練過(guò)于復(fù)雜和局部貪婪等問(wèn)題。
[0007]參考文獻(xiàn):
[0008][1]G.Gualdij A.Pratij amd R.Cucchiara.Multistage Particle Windows forFast and Accurate Object Detection[J].1EEE Transcations on Pattern Analysis andMachine Intelligence, 2012，34(8):1589-1604.[0009][2] P.Viola and M.Jones.Robust Real-Time Face Detection [J].1nternational Journal of Computer Vision,2004, 57 (2):137-154.[0010][3] S.Brubaker, J.Wuj J.Sun, M.Mullinj and J.Regh.0n the Design of Cascadesof Boosted Ensembles for Face Detection[J].1nternational Journal of ComputerVision, 2008，77(1-3):65-86.[0011][4]L.Bourdev and J.Brandt.Robust Object Detection via Soft Cascade [C].1n Proceedings of IEEE International conference on Computer Vision and PatternRecognition,2005.[0012][5]X.Chen and A.Yuille.A Time-Efficient Cascade for Real-Time ObjectDetection:With Applications for the Visually Impaired[C].1n Proceedings of IEEEInternational Conference on Computer Vision and Pattern Recognition,2005.[0013][6]X.Chen and A.L.Yuille.Detecting and Reading Text in NaturalScenes [C].1n Proceedings of IEEE Conference on Computer Vision and PatternRecognition, 2004.[0014][7]M.Saberian and N.Vasconcelos.Boosting Classifier Cascades [C].1nProceedings of Advances in Neural Information Processing Systems, 2010.[0015][8]M.Chen, Z.Xuj K.Weinberger, 0.Chapellej and D.Kedem.ClassifierCascade for Minimizing Feature Evaluation Cost Minmin[C].1n Proceedings ofInternational Conference on Artificial Intelligence and Statistics, 2012.
【發(fā)明內(nèi)容】

[0016]本發(fā)明的目的是克服現(xiàn)有物體檢測(cè)過(guò)程中級(jí)聯(lián)分類器設(shè)計(jì)存在訓(xùn)練復(fù)雜、局部貪婪等不足，提出了一種快速物體檢測(cè)方法，本發(fā)明提出的物體檢測(cè)方法，能夠在保證物體檢測(cè)系統(tǒng)的檢測(cè)性能不變的前提下，通過(guò)最小化計(jì)算消耗量，實(shí)現(xiàn)快速物體檢測(cè)。本發(fā)明的技術(shù)方案如下:
[0017]一種基于迭代二分級(jí)聯(lián)分類器的快速物體檢測(cè)方法，首先，通過(guò)AdaBoost算法得到初始的強(qiáng)分類器；其次，以最小化計(jì)算消耗量為目標(biāo)函數(shù)，不斷迭代二分初始的強(qiáng)分類，當(dāng)相鄰兩次迭代二分過(guò)程中分類器的計(jì)算消耗量差的絕對(duì)值小于給定的閾值時(shí)停止迭代，此時(shí)二分形成的級(jí)聯(lián)分類器便是一個(gè)計(jì)算消耗量最小的全局最優(yōu)級(jí)聯(lián)分類器；最后，利用該級(jí)聯(lián)分類器在圖像或視頻中進(jìn)行物體檢測(cè)。
[0018]具體包括下列步驟:
[0019]步驟1:搜集大量有關(guān)檢測(cè)物體的正例樣本和負(fù)例樣本，并設(shè)定訓(xùn)練過(guò)程需要達(dá)到的性能:檢測(cè)率和虛檢率。
[0020]步驟2:利用上述的正例樣本、負(fù)例樣本以及檢測(cè)率和虛檢率，使用AdaBoost算法訓(xùn)練得到一個(gè)由T個(gè)弱分類器構(gòu)成的初始的強(qiáng)分類器H㈨= Σ^?Α(Χ)及其分類閾值t，其
中，X表不正負(fù)例樣本，Iii (X)表不第i個(gè)弱分類器，a j表不第i個(gè)弱分類器的權(quán)重；[0021]步驟3:根據(jù)上述的正例樣本以及分類閾值t，依次計(jì)算強(qiáng)分類器中后T-r個(gè)弱分類器的響應(yīng)值之和的最大值M(r)，r = 1，...，T-1 ;然后分別計(jì)算強(qiáng)分類器H(X)的分類閾值分類閾值t與各自相應(yīng)的最大值M(r)之差，得到弱分類器r 二分強(qiáng)分類器H(X)時(shí)的分類閾值 tr,即 tr = t-M(r), r = I,..., T-1 ；
[0022]步驟4:利用上述得到的分類閾值k，尋求最優(yōu)的&，使在第r1個(gè)弱分類器處二分強(qiáng)分類器H(X)形成的二級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量最??；
[0023]步驟5:固定r1，在r1之后尋求一個(gè)最優(yōu)的r2，使在第r2個(gè)弱分類器處繼續(xù)二分H(x)形成的三級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量&最小；
[0024]步驟6:a)固定1*2,在I到r2范圍內(nèi)更新!T1,使三級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量f2最小山)固定^，在r1到T的范圍內(nèi)更新r2，使三級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量f2最??；c)重復(fù)過(guò)程a、b，不斷迭代更新r1、r2，當(dāng)二者不再變化時(shí)停止迭代更新；
[0025]步驟7:固定r1、r2，在r2之后尋找一個(gè)最優(yōu)弱分類器r3，使在第r3個(gè)弱分類器處二分形成的四級(jí)級(jí)聯(lián)分類器的計(jì)算量&最小；按照步驟6的思想，不斷迭代更新!^、!^以及r3，當(dāng)三者不再變化時(shí)停止迭代更新；
[0026]步驟8:設(shè)變量i為3, a)固定之前得到的r”…，尋求一個(gè)最優(yōu)的ri+1,使在ri+1處二分形成的級(jí)聯(lián)分類器計(jì)算消耗量最小，b)按照步驟6的方式不斷迭代更新h…，ri； ri+1,當(dāng)相鄰兩次迭代更新中，…，ri，ri+1都不再發(fā)生變化時(shí)停止迭代更新；c)若增加ri+1前后的計(jì)算消耗量之差的絕對(duì)值A(chǔ)f小于給定閾值Λ時(shí)，停止二分Η(χ)，否則將i加I，繼續(xù)步驟8的過(guò)程a;
[0027]步驟9:由r1，-,Ti 二分得到i+Ι級(jí)級(jí)聯(lián)分類器便是一個(gè)計(jì)算消耗量最小的全局最優(yōu)級(jí)聯(lián)分類器；
[0028]步驟10:利用步驟9得到的級(jí)聯(lián)分類器在圖像或視頻中進(jìn)行物體檢測(cè)。
[0029]其中，步驟4中，尋求最優(yōu)的r1，使在第A個(gè)弱分類器處二分強(qiáng)分類器H(X)形成
的二級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量最小的方法為:+，其中，P表示負(fù)例樣本的拒絕率，即被前r個(gè)弱分類器拒絕的負(fù)例樣本個(gè)數(shù)占負(fù)例樣本總數(shù)的百分比。
[0030]采用本發(fā)明所述方法，通過(guò)不斷迭代二分原始強(qiáng)分類器H(X)得到的級(jí)聯(lián)分類器是一個(gè)基于計(jì)算消耗量最小化的全局最優(yōu)級(jí)聯(lián)分類器。相對(duì)于基于傳統(tǒng)級(jí)聯(lián)分類器的物體檢測(cè)方法而言，基于迭代二分級(jí)聯(lián)分類器的物體檢測(cè)方法有效地減少了平均每個(gè)窗口使用的特征個(gè)數(shù)，進(jìn)而減少了分類器的計(jì)算消耗量、加快物體檢測(cè)速度。同時(shí)，該方法簡(jiǎn)單，不像傳統(tǒng)級(jí)聯(lián)分類器設(shè)計(jì)方法那樣需要設(shè)定級(jí)聯(lián)分類器的級(jí)數(shù)以及分配每一級(jí)的檢測(cè)率和虛檢率等。
【專利附圖】

【附圖說(shuō)明】
[0031]圖1是本發(fā)明所提方法框圖。
【具體實(shí)施方式】
[0032]下面結(jié)合附圖和對(duì)本發(fā)明進(jìn)行說(shuō)明:
[0033]本發(fā)明假設(shè)所有弱分類有相同的計(jì)算量，且都為I。設(shè)H(X)為AdaBoost算法訓(xùn)練得到一個(gè)強(qiáng)分類器，t表示強(qiáng)分類器的分類閾值，則其可以表示為
[0034]
【權(quán)利要求】
1.一種基于迭代二分級(jí)聯(lián)分類器的快速物體檢測(cè)方法，首先，通過(guò)AdaBoost算法得到初始的強(qiáng)分類器；其次，以最小化計(jì)算消耗量為目標(biāo)函數(shù)，不斷迭代二分初始的強(qiáng)分類，當(dāng)相鄰兩次迭代二分過(guò)程中分類器的計(jì)算消耗量差的絕對(duì)值小于給定的閾值時(shí)停止迭代，此時(shí)二分形成的級(jí)聯(lián)分類器便是一個(gè)計(jì)算消耗量最小的全局最優(yōu)級(jí)聯(lián)分類器；最后，利用該級(jí)聯(lián)分類器在圖像或視頻中進(jìn)行物體檢測(cè)。
2.根據(jù)權(quán)利要求1所述的快速物體檢測(cè)方法，其特征在于，具體包括下列步驟: 步驟1:搜集大量有關(guān)檢測(cè)物體的正例樣本和負(fù)例樣本，并設(shè)定訓(xùn)練過(guò)程需要達(dá)到的性能:檢測(cè)率和虛檢率。 步驟2:利用上述的正例樣本、負(fù)例樣本以及檢測(cè)率和虛檢率，使用AdaBoost算法訓(xùn)練得到一個(gè)由τ個(gè)弱分類器構(gòu)成的初始的強(qiáng)分類器//(Χ) = Σ^??、偶捌浞诸愰撝祎，其中，X表不正負(fù)例樣本，hj (X)表不第i個(gè)弱分類器，a j表不第i個(gè)弱分類器的權(quán)重； 步驟3:根據(jù)上述的正例樣本以及分類閾值t，依次計(jì)算強(qiáng)分類器中后T-r個(gè)弱分類器的響應(yīng)值之和的最大值M(r)，r = 1，...，T-1 ;然后分別計(jì)算強(qiáng)分類器H(X)的分類閾值分類閾值t與各自相應(yīng)的最大值M(r)之差，得到弱分類器r 二分強(qiáng)分類器H(X)時(shí)的分類閾值 tr，即 tr = t-M (r), r = I,..., T-1 ； 步驟4:利用上述得到的分類閾值k，尋求最優(yōu)的，使在第rι個(gè)弱分類器處二分強(qiáng)分類器H(X)形成的二級(jí) 級(jí)聯(lián)分類器的計(jì)算消耗量最??； 步驟5:固定rι，在rι之后尋求一個(gè)最優(yōu)的r2，使在第r2個(gè)弱分類器處繼續(xù)二分H(X)形成的三級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量f2最?。? 步驟6:a)固定r2，在I到r2范圍內(nèi)更新A，使三級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量f2最??；b)固定，在rι到T的范圍內(nèi)更新r2，使三級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量f2最小；c)重復(fù)過(guò)程a、b，不斷迭代更新a、r2，當(dāng)二者不再變化時(shí)停止迭代更新； 步驟7:固定rι、r2,在r2之后尋找一個(gè)最優(yōu)弱分類器r3，使在第r3個(gè)弱分類器處二分形成的四級(jí)級(jí)聯(lián)分類器的計(jì)算量f3最??；按照步驟6的思想，不斷迭代更新r1、r2以及r3，當(dāng)三者不再變化時(shí)停止迭代更新； 步驟8:設(shè)變量i為3，a)固定之前得到的b…，尋求一個(gè)最優(yōu)的ri+1，使在ri+1處二分形成的級(jí)聯(lián)分類器計(jì)算消耗量最小，b)按照步驟6的方式不斷迭代更新rι，當(dāng)相鄰兩次迭代更新中，…，ri； ri+1都不再發(fā)生變化時(shí)停止迭代更新；c)若增加ri+1前后的計(jì)算消耗量之差的絕對(duì)值A(chǔ)f小于給定閾值Λ時(shí)，停止二分Η(χ)，否則將i加I，繼續(xù)步驟8的過(guò)程a); 步驟9:由rι，-,r, 二分得到i+Ι級(jí)級(jí)聯(lián)分類器便是一個(gè)計(jì)算消耗量最小的全局最優(yōu)級(jí)聯(lián)分類器； 步驟10:利用步驟9得到的級(jí)聯(lián)分類器在圖像或視頻中進(jìn)行物體檢測(cè)。
3.根據(jù)權(quán)利要求2所述的快速物體檢測(cè)方法，其特征在于，步驟4中，尋求最優(yōu)的rι，使在第A個(gè)弱分類器處二分強(qiáng)分類器H(X)形成的二級(jí)級(jí)聯(lián)分類器的計(jì)算消耗量最小的方法為: 巴貨=+ MD，其中，P表示負(fù)例樣本的拒絕率，即被前r個(gè)弱分類器拒絕的負(fù)例樣 本個(gè)數(shù)占負(fù)例樣本總數(shù)的百分比。
【文檔編號(hào)】G06K9/62GK103942565SQ201410145293
【公開日】2014年7月23日 申請(qǐng)日期:2014年4月11日 優(yōu)先權(quán)日:2014年4月11日
【發(fā)明者】龐彥偉, 曹家樂 申請(qǐng)人:天津大學(xué)