AdaBoost级联分类器检测图像目标的方法
【技术领域】
[0001] 本发明涉及目标检测技术领域，具体涉及一种AdaBoost级联分类器检测图像目 标的方法。
【背景技术】
[0002] 在目标检测方法中，现在常用的一类方法是基于统计学习的分类器设计算法。在 机器学习方法中，AdaBoost能够将弱分类器组合起来构成强分类器，并在人脸检测等方面 也得到了成功的应用。在OpenCV(开源计算机视觉库）中该算法结合Haar特征、HOG等特 征得到成功实现和应用，并为广大计算机视觉研究人员使用，使其成为各种场合下目标检 测应用的首选。在OpenCV的帮助下，可以很快应用Adaboost算法结合各种特征对目标检 测应用的性能进行测试，从而对算法的性能做出评估。
[0003] Adaboost算法最早源于Schapire在1989年提出的Boosting(自举）算法[1]， 她是一种能够"Boost"任意给定学习算法精度的普适方法。1995年Freund和Schapirey 又对其进行了改进，形成了最初的AdaBoost(AdaptiveBoosting)算法[2]，之后又出 现了很多基于此方法的变形，主要有GAB(GentleAdaBoost)、DAB(DiscreteAdaBoost)、 RAB(RealAdaBoost)和LAB(LogitAdaBoost)。AdaBoost算法的核心是通过调整样本分布和 弱分类器权值，自动地从弱分类器空间中筛选出若干关键的弱分类器，并通过某种方式整 合为一个强分类器。
[0004] 根据Rainer等人对变形的几种AdaBoost算法的测试和比较， GAB (GentleAdaBoost)算法在分类性能上不仅仅是最优的，也是最快的，因此选用这种方法 来训练强分类器，算法流程如下 [2]:
[0005] 1?给定N个样本（X1,Y1)，…（xN，yN)，其中XiGRk，yiG{-1，1}。
[0006] 2?初始化权值Wi= 1/N，i= 1，...N。
[0007] 3?迭代form= 1，…，M
[0008] a?通过《i设置y肩X满加权最小平方，调整退化函数f" (X);
[0009] b?计算errm=Eu[E(y=fm (X)) ]，Cm=lag((1-errm) /errm);
[0010]c?令 〇广 〇 ^spGifm(Xi))，i= 1，…，N重新归一化权值使SiOi=I;
[0012] OpenCV中对经典AdaBoost算法的四种实现形式选择提供了接口，可以测试对比 各种训练方法下得到的训练器的性能。另外对于训练终止条件提供接口可进行选择。满足 检测率和误报率可以终止训练。或者指定弱分类器个数的最大值，这样可以控制训练时间， 但是这样可能存在得到的强分类器达不到指定的检测率和误报率训练就终止了。
[0013] 级联分类器是由一系列的分类器的串联组成，整个检测流程如图1所示[3]。用于 下级分类器的样本就要求是上一级分辨正确的正样本和分辨错误的负样本来做本级训练 的正样本和负样本，这样才可以达到层层精确筛选的目的，非目标样本应尽可能在较早级 联层次得到滤除，只有通过所有级分类器的样本才被认定为正样本即目标区域。
[0014] 级联分类器设计思路就需要指定各个参加级联的强分类器具备相应的结构，所谓 相应的结构的第一点要求是前面分类器的结构简单也即强分类器中包含尽可能少的弱分 类器，这样才能提高检测速度。第二点要求是检测率高，能够滤除那些与目标差异较大的负 样本。那么对于参与训练的负样本的选择就需要尽可能选择与正样本差异大且多样化的负 样本，才能得到满足分类器级联设计思想的强分类器。第三点要求是级联的下一级分类器 是对上一级分类器无法分辨的样本进行再次准确分类，因此，在级联的检测器中不断增加 更多的强分类器可以很快排除背景区域，从而节约出时间用于那些更像目标的区域进行计 算。在级联结构中，前面几级的分类器相对说结构比较简单，使用的特征数较少，但检测率 很高，同时能够尽可能地滤除那些与目标差异较大的负样本。后面级的分类器则使用更多 的特征和更复杂的结构，从而可以将那些与目标相似的负样本与目标物体区分开。
[0015] 为了能够检测到不同尺度下的目标，目前常用的检测方式可以总结为三种，第一 种是缩放待检测图像，构造图像金字塔，用与标准训练样本大小相同的窗口去对不同尺度 下的检测图像进行遍历检测。第二种是直接在待检测图像上用不同尺度的窗口进行遍历， 将遍历窗口归一化到标准训练样本大小再送入分类器进行判别。第三种是直接在待检测图 像上用不同尺度的窗口进行遍历，按照尺度对分类器进行尺度变换，将不同尺度的遍历窗 口直接送入相应尺度的分类器进行判别。相比之下，第三种方式缩放分类器的运算与缩放 待检测图像和缩放检测窗口的运算量要小很多，并且在求取Haar特征时还可以利用积分 图像快速求取特征，运算速度占一定优势，但在检测性能方面有所下降。
[0016] 上面提到的参考文献如下：
[0017] [1]SchapireRE.Thestrengthofweaklearnability[J]. MachineLearning, 1990, 5(2) :197 ~227.
[0018] [2]FreundY,SchapireRE.Adecision-theoreticgeneralizationofon-Ii nelearningandanapplicationtoboosting[J].JournalofComputerandSystemScienc es, 1997, 55(1) :11 9 ~139.
[0019] [3]LienhartRainer,KuranovAlexander,Pisarevskyvadim.EmpiricalAnalysiso fdetectioncascadesofboostedclassifiersforrapidobjectdetection[A].In:Proceedi ngsofthe25thGermanPatternRecognitionSymposium[C],Magdeburg, 2003:297 ~ 304.
【发明内容】
[0020] (一）要解决的技术问题
[0021] 本发明要解决的技术问题是：如何提高AdaBoost级联分类器检测图像目标的检 测性能和检测效率。
[0022](二）技术方案
[0023] 为了解决上述技术问题，本发明提供了一种提高AdaBoost级联分类器检测效率 的方法，包括以下步骤：
[0024]S1、基于训练样本库和训练参数训练出一个基于AdaBoost的级联分类器；
[0025]S2、优化所述训练样本库中正样本和负样本，用优化后的样本重新训练，得到最终 的级联分类器；
[0026]S3、利用最终的级联分类器采用构造图像金字塔和缩放分类器结合的方式对图像 目标进行检测。
[0027] 优选地，步骤S2具体包括：
[0028]S21、在训练样本库中挑选具有代表性的训练样本作为第一级AdaBoost分类器 的训练样本，训练最终级联分类器的第一级AdaBoost分类器，所述具有代表性的训练样 本是指清晰的正样本和与正样本差距大于预设判断标准的负样本；用第一级AdaBoost分 类器对训练样本库中的正、负样本进行判别，把正确判别的正样本和错误判别的负样本作 为下一级训练用的样本，训练得到下一级Adaboost分类器，依照此方法训练得到若干个 AdaBoost分类器，将它们级联在一起作为一个AdaBoost级联分类器；
[0029]S22、对AdaBoost级联分类器的每一级在全样本的训练样本库中进行性能分析， 测试其检测率和误报率，得到每一级AdaBoost分类器的性能报告，根据性能报告得到从检 测率小于100%，且误报率最低的一级开始进行正样本和负样本扩展，用扩展后的样本库重 新进行后续级的分类器训练，得到最终的AdaBoost级联分类器。
[0030] 优选地，步骤S3具体为：
[0031]S31、首先对缩放分类器的检测方式进行检测性能分析确定最终的AdaBoost级联 分类器对各个图像目标检测范围的检测性能；
[0032]S32、根据步骤S31所确定的各个图像目标检测范围的检测性能，构造多级图像金 字塔，在每一级图像金字塔，使用原图或对原图进行一定程度的缩放，并利用相应尺寸的检 测窗口进行一定图像目标检测范围内的目标检测，最终检测出所有图像目标检测范围内的 目标。
[0033](三）有益效果
[0034] 本发明通过优化所述训练样本库中正样本和负样本，用优化后的样本重新训练， 得到最终的级联分类器，利用最终的级联分类器采用构造图像金字塔和缩放分类器结合的 方式对图像目标进彳丁检测，在保持检测性能的如提下可以进一步提尚检测速度。
【附图说明】
[0035] 图1为现有的级联分类器设计示意图；
[0036] 图2为现有的图像金字塔结构示意图；
[0037] 图3为现有的缩放分类器检测目标示意图；
[0038] 图4为本发明结合缩放分类器构造的三级图像金字塔结构示意图。
【具体实施方式】
[0039] 为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的
【具体实施方式】作进一步详细描述。
[0040] 本发明提供了一种提高AdaBoost级联分类器检测效率的方法，包括以下步骤：
[0041] S1、基于训练样本库和训练参数训练出一个基于AdaBoost的级联分类器；
[0042] 本步骤基于AdaBoost的级联分类器的训练是通过建立一个训练样本库，根据实 际需求选择训练参数，得到若干个AdaBoost分类器级联在一起作为分类器输出。