基于迭代二分级联分类器的快速物体检测方法
【专利摘要】本发明涉及一种基于迭代二分级联分类器的快速物体检测方法，首先，通过AdaBoost算法得到初始的强分类器；其次，以最小化计算消耗量为目标函数，不断迭代二分初始的强分类，当相邻两次迭代二分过程中分类器的计算消耗量差的绝对值小于给定的阈值时停止迭代，此时二分形成的级联分类器便是一个计算消耗量最小的全局最优级联分类器；最后，利用该级联分类器在图像或视频中进行物体检测。本发明提出的物体检测方法，能够在保证物体检测系统的检测性能不变的前提下，通过最小化计算消耗量，实现快速物体检测。
【专利说明】基于迭代二分级联分类器的快速物体检测方法
所属【技术领域】
[0001]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】
[0002]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[I]。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。
[0003]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。
[0004]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。
[0005]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。[0006]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。
[0007]参考文献:
[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.
【发明内容】
[0016]本发明的目的是克服现有物体检测过程中级联分类器设计存在训练复杂、局部贪婪等不足，提出了一种快速物体检测方法，本发明提出的物体检测方法，能够在保证物体检测系统的检测性能不变的前提下，通过最小化计算消耗量，实现快速物体检测。本发明的技术方案如下:
[0017]一种基于迭代二分级联分类器的快速物体检测方法，首先，通过AdaBoost算法得到初始的强分类器；其次，以最小化计算消耗量为目标函数，不断迭代二分初始的强分类，当相邻两次迭代二分过程中分类器的计算消耗量差的绝对值小于给定的阈值时停止迭代，此时二分形成的级联分类器便是一个计算消耗量最小的全局最优级联分类器；最后，利用该级联分类器在图像或视频中进行物体检测。
[0018]具体包括下列步骤:
[0019]步骤1:搜集大量有关检测物体的正例样本和负例样本，并设定训练过程需要达到的性能:检测率和虚检率。
[0020]步骤2:利用上述的正例样本、负例样本以及检测率和虚检率，使用AdaBoost算法训练得到一个由T个弱分类器构成的初始的强分类器H㈨= Σ^?Α(Χ)及其分类阈值t，其
中，X表不正负例样本，Iii (X)表不第i个弱分类器，a j表不第i个弱分类器的权重；[0021]步骤3:根据上述的正例样本以及分类阈值t，依次计算强分类器中后T-r个弱分类器的响应值之和的最大值M(r)，r = 1，...，T-1 ;然后分别计算强分类器H(X)的分类阈值分类阈值t与各自相应的最大值M(r)之差，得到弱分类器r 二分强分类器H(X)时的分类阈值 tr,即 tr = t-M(r), r = I,..., T-1 ；
[0022]步骤4:利用上述得到的分类阈值k，寻求最优的&，使在第r1个弱分类器处二分强分类器H(X)形成的二级级联分类器的计算消耗量最小；
[0023]步骤5:固定r1，在r1之后寻求一个最优的r2，使在第r2个弱分类器处继续二分H(x)形成的三级级联分类器的计算消耗量&最小；
[0024]步骤6:a)固定1*2,在I到r2范围内更新!T1,使三级级联分类器的计算消耗量f2最小山)固定^，在r1到T的范围内更新r2，使三级级联分类器的计算消耗量f2最小；c)重复过程a、b，不断迭代更新r1、r2，当二者不再变化时停止迭代更新；
[0025]步骤7:固定r1、r2，在r2之后寻找一个最优弱分类器r3，使在第r3个弱分类器处二分形成的四级级联分类器的计算量&最小；按照步骤6的思想，不断迭代更新!^、!^以及r3，当三者不再变化时停止迭代更新；
[0026]步骤8:设变量i为3, a)固定之前得到的r”…，寻求一个最优的ri+1,使在ri+1处二分形成的级联分类器计算消耗量最小，b)按照步骤6的方式不断迭代更新h…，ri； ri+1,当相邻两次迭代更新中，…，ri，ri+1都不再发生变化时停止迭代更新；c)若增加ri+1前后的计算消耗量之差的绝对值Af小于给定阈值Λ时，停止二分Η(χ)，否则将i加I，继续步骤8的过程a;
[0027]步骤9:由r1，-,Ti 二分得到i+Ι级级联分类器便是一个计算消耗量最小的全局最优级联分类器；
[0028]步骤10:利用步骤9得到的级联分类器在图像或视频中进行物体检测。
[0029]其中，步骤4中，寻求最优的r1，使在第A个弱分类器处二分强分类器H(X)形成
的二级级联分类器的计算消耗量最小的方法为:+，其中，P表示负例样本的拒绝率，即被前r个弱分类器拒绝的负例样本个数占负例样本总数的百分比。
[0030]采用本发明所述方法，通过不断迭代二分原始强分类器H(X)得到的级联分类器是一个基于计算消耗量最小化的全局最优级联分类器。相对于基于传统级联分类器的物体检测方法而言，基于迭代二分级联分类器的物体检测方法有效地减少了平均每个窗口使用的特征个数，进而减少了分类器的计算消耗量、加快物体检测速度。同时，该方法简单，不像传统级联分类器设计方法那样需要设定级联分类器的级数以及分配每一级的检测率和虚检率等。
【专利附图】
【附图说明】
[0031]图1是本发明所提方法框图。
【具体实施方式】
[0032]下面结合附图和对本发明进行说明:
[0033]本发明假设所有弱分类有相同的计算量，且都为I。设H(X)为AdaBoost算法训练得到一个强分类器，t表示强分类器的分类阈值，则其可以表示为
[0034]
【权利要求】
1.一种基于迭代二分级联分类器的快速物体检测方法，首先，通过AdaBoost算法得到初始的强分类器；其次，以最小化计算消耗量为目标函数，不断迭代二分初始的强分类，当相邻两次迭代二分过程中分类器的计算消耗量差的绝对值小于给定的阈值时停止迭代，此时二分形成的级联分类器便是一个计算消耗量最小的全局最优级联分类器；最后，利用该级联分类器在图像或视频中进行物体检测。
2.根据权利要求1所述的快速物体检测方法，其特征在于，具体包括下列步骤: 步骤1:搜集大量有关检测物体的正例样本和负例样本，并设定训练过程需要达到的性能:检测率和虚检率。 步骤2:利用上述的正例样本、负例样本以及检测率和虚检率，使用AdaBoost算法训练得到一个由τ个弱分类器构成的初始的强分类器//(Χ) = Σ^?Α⑴及其分类阈值t，其中，X表不正负例样本，hj (X)表不第i个弱分类器，a j表不第i个弱分类器的权重； 步骤3:根据上述的正例样本以及分类阈值t，依次计算强分类器中后T-r个弱分类器的响应值之和的最大值M(r)，r = 1，...，T-1 ;然后分别计算强分类器H(X)的分类阈值分类阈值t与各自相应的最大值M(r)之差，得到弱分类器r 二分强分类器H(X)时的分类阈值 tr，即 tr = t-M (r), r = I,..., T-1 ； 步骤4:利用上述得到的分类阈值k，寻求最优的，使在第rι个弱分类器处二分强分类器H(X)形成的二级 级联分类器的计算消耗量最小； 步骤5:固定rι，在rι之后寻求一个最优的r2，使在第r2个弱分类器处继续二分H(X)形成的三级级联分类器的计算消耗量f2最小； 步骤6:a)固定r2，在I到r2范围内更新A，使三级级联分类器的计算消耗量f2最小；b)固定，在rι到T的范围内更新r2，使三级级联分类器的计算消耗量f2最小；c)重复过程a、b，不断迭代更新a、r2，当二者不再变化时停止迭代更新； 步骤7:固定rι、r2,在r2之后寻找一个最优弱分类器r3，使在第r3个弱分类器处二分形成的四级级联分类器的计算量f3最小；按照步骤6的思想，不断迭代更新r1、r2以及r3，当三者不再变化时停止迭代更新； 步骤8:设变量i为3，a)固定之前得到的b…，寻求一个最优的ri+1，使在ri+1处二分形成的级联分类器计算消耗量最小，b)按照步骤6的方式不断迭代更新rι，当相邻两次迭代更新中，…，ri； ri+1都不再发生变化时停止迭代更新；c)若增加ri+1前后的计算消耗量之差的绝对值Af小于给定阈值Λ时，停止二分Η(χ)，否则将i加I，继续步骤8的过程a); 步骤9:由rι，-,r, 二分得到i+Ι级级联分类器便是一个计算消耗量最小的全局最优级联分类器； 步骤10:利用步骤9得到的级联分类器在图像或视频中进行物体检测。
3.根据权利要求2所述的快速物体检测方法，其特征在于，步骤4中，寻求最优的rι，使在第A个弱分类器处二分强分类器H(X)形成的二级级联分类器的计算消耗量最小的方法为: 巴货=+ MD，其中，P表示负例样本的拒绝率，即被前r个弱分类器拒绝的负例样 本个数占负例样本总数的百分比。
【文档编号】G06K9/62GK103942565SQ201410145293
【公开日】2014年7月23日 申请日期:2014年4月11日 优先权日:2014年4月11日
【发明者】庞彦伟, 曹家乐 申请人:天津大学