CN101251896A - 一种基于多分类器的物体检测系统及方法 - Google Patents

Abstract

本发明涉及计算机图像处理领域，公开了一种基于多分类器的物体检测系统，包括：分类器训练单元，用于根据训练集合训练获得N个分类器，其中N＞1；分类器选择单元，用于根据计算量和分类性能从所述N个分类器中选择P个分类器融合获得分类器集合，其中1＜P≤N；分类器分布单元，用于将所述P个分类器分布到多个不同的计算资源上分别对未知图像进行检测获得P个分类器结果；检测结果融合单元，用于对所述P个分类器结果进行融合获取物体检测结果。本发明还提供了一种对应的方法。本发明针对图像中的多个不同特征分别训练多个分类器，并选择适合分布式运算的分类器分布到不同的计算资源对图像分别检测，提高了物体检测的速度。

Description

一种基于多分类器的物体检测系统及方法

技术领域

本发明涉及计算机图像处理领域，更具体地说，涉及一种基于多分类器的物体检测系统及方法。

背景技术

通常，图像中的物体检测主要通过物体特征表示方法和物体检测方法实现，其中物体特征表示方法通过在图像中提取特征，进而有效的表示物体；而物体检测方法则利用特征表示来判断物体的存在。以下是物体特征表示方法和物体检测方法的研究现状。

(a)物体特征表示

大致有如下几种类型的特征：图像像素特征、边缘特征、频域特征、局部区域描述特征和直方图特征等，表1是各种特征表示方法的对比。

表1不同特征描述方法比较

(b)物体检测方法

按照目标物体的类别数目，物体检测可以被划分为两种任务：第一种是单类目标物体检测任务，即检测目标为单一类型物体；第二种是多类目标物体检测任务，需要在图像中同时把多种类型的目标物体提取出来。物体检测问题可以用机器学习的方法解决。图像样本由一个特征集合表示，采用机器学习的方法对样本进行分类，判断其是否属于目标类。

在该领域已有相当多的算法，例如，基于AdaBoost的多分类器融合物体检测方法。Adaboost算法通过一个迭代的训练过程来得到一个强的分类器。在第一次训练出一个弱分类器后，训练样本的权重得到调整，从而使没有被第一次训练出的弱分类器正确分类的样本的权重增加。如此迭代下去，最终得到的分类器是对每次训练得到的弱分类器的一个线性组合。

然而在现有算法中，绝大部分都是串行计算技术，一方面，物体检测技术随着性能的提升越来越复杂；另一方面，网络应用所带来的海量图像类数据，对实时处理具有越来越广泛的需求。

发明内容

本发明要解决的技术问题在于，针对上述物体检测技术中计算复杂度高、无法适应实时处理的问题，提供一种基于多分类器的物体检测系统及方法。

本发明解决上述技术问题的技术方案是，提供一种基于多分类器的物体检测系统，包括：

分类器训练单元，用于根据训练集合训练获得N个分类器，其中N＞1；

分类器选择单元，用于根据计算量和分类性能从所述N个分类器中选择P个分类器融合获得分类器集合，其中1＜P≤N；

分类器分布单元，用于将所述P个分类器分布到多个不同的计算资源上分别对未知图像进行检测获得P个分类器结果；

检测结果融合单元，用于对所述P个分类器结果进行融合获取物体检测结果。

在本发明所述的一种基于多分类器的物体检测系统中，所述分类器选择单元选择的P个分类器具有低相关性且具有相同的计算复杂度。

在本发明所述的一种基于多分类器的物体检测系统中，所述分类器选择单元通过构建分类器校验集合Ψ＝{(ψ_j，l_j)|j＝1，...，M}，并将 $\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{(T_i-T_j)}^2-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}$ 最小化，获得包括P个分类器的分类器集合，其中Ψj表示一个校验样本，lj表示该样本所对应的类别标识，T_i表示第i个分类器f_i的计算复杂度，C_ij＝∫(f_i(ψ)-l)(f_j(ψ)-l)p(ψ)dψ表示第i个和第j个分类器的相关程度，p(Ψ)为样本的分布。

在本发明所述的一种基于多分类器的物体检测系统中，对于检测物体xi，检测结果融合单元获得的物体检测结果为 $y=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_i\·y_i,$ 其中yi＝f(x_i)是第i个分类器f_i的分类器结果，w_i是加权系数。

在本发明所述的一种基于多分类器的物体检测系统中，所述分类器训练单元将所述训练集合中随意抽取获得N个训练子集，并使用每一训练子集训练一个分类器。

本发明还提供一种基于多分类器的物体检测方法，包括以下步骤：

(a)使用训练结合训练N个分类器，其中N＞1；

(b)根据计算量和分类性能从所述N个分类器中选择P个分类器进行融合获得分类器集合，其中1＜P≤N；

(c)将所述P个分类器分布到多个不同的计算资源上分别对未知图像进行检测获得P个分类器结果；

(d)对所述P个分类器结果进行融合获取物体检测结果。

在本发明所述的一种基于多分类器的物体检测方法中，所述步骤(b)中选择的P个分类器具有低相关性且具有相同的计算复杂度。

在本发明所述的一种基于多分类器的物体检测方法中，所述步骤(b)包括：

(b1)构建分类器校验集合Ψ＝{(ψ_j，l_j)|j＝1，...，M}，其中Ψj表示一个校验样本，lj表示该样本所对应的类别标识；

(b2)将 $\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{(T_i-T_j)}^2-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}$ 最小化，获得包括P个分类器的分类器集合，其中T_i表示第i个分类器f_i的计算复杂度，C_ij＝∫(f_i(ψ)-l)(f_j(ψ)-l)p(ψ)dψ表示第i个和第j个分类器的相关程度，p(Ψ)为样本的分布。

在本发明所述的一种基于多分类器的物体检测方法中，对于检测物体x_i，所述步骤(d)获得的物体检测结果为 $y=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_i\·y_i,$ 其中yi＝f(x_i)是第i个分类器f_i的检测结果，w_i是加权系数。

本发明的一种基于多分类器的物体检测系统及方法，针对图像中的多个不同特征分别训练多个分类器，并选择适合分布式运算的分类器分布到不同的计算资源对图像分别检测，提高了物体检测的速度。本发明可应用于很多对实时性要求较高的场合中。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明一种基于多分类器的物体检测系统实施例的结构示意图；

图2是本发明一种基于多分类器的物体检测方法实施例的流程示意图。

具体实施方式

图像中的物体检测，遵循的主要框架是特征+分类算法的形式，二者一起构成了分类器。使用分类器进行图像中的物体检测，主要包含两个任务：一是分类器的训练，即从事先标注好的训练数据中获得待检测物体的模型；二是分类器的检测，即面对未知图像数据，得出是否存在特定物体种类及其位置的判定。

如图1所示，是本发明一种基于多分类器的物体检测系统实施例的示意图。该系统包括分类器训练单元11、分类器选择单元12、分类器分布单元13以及检测结果融合单元14。

分类器训练单元11用于根据训练集合(即图像特征集)训练N个相互独立的分类器，其中N＞1。在具体实现时，设训练集合为Ф，分类器训练单元11首先按照随机抽取的方法，将Ф分解为N个训练子集{Ф_i|i＝1，...，N}，其中Ф_i∈Ф并且

i≠j；然后分类器训练单元11针对每一个训练子集Ф_i训练一个分类器fi，则对N个训练子集，可获得N个分类器。当然也可使用任意现有方式训练获得N个分类器。

分类器选择单元12用于根据计算量和分类性能从N个分类器中选择P个分类器融合成分类器集合，其中1＜P≤N。由于在N个分类器中，可能存在相关性很高的分类器(即检测结果基本相同)，如果这些分类器都被采用，无疑将增加不必要的计算，因此分类器选择单元12选择的P个分类器相互之间的分类性能不相近似。此外，考虑到算法的并行性，分类器选择单元12选择的P个分类器的计算复杂度尽量相同(包括类似)。

在本实施例中，分类器选择单元12采用如下的原则进行分类器融合：构建分类器校验集合Ψ＝{ψ_j，l_j)|j＝1，...，M}，其中Ψj表示一个校验样本，lj表示该样本所对应的类别标识，则对分类器fi，其在校验集合的样本上Ψj的误差可以表示为：

e_i(ψ_j)＝(f_i(ψ_j)-l_j)²           (1)

在校验集合Ψ上的泛化误差为：

E_i(Ψ)＝∫e_i(ψ_j)p(ψ)dψ        (2)

其中p(Ψ)为样本的分布，例如高斯分布、泊松分布等。采用加法规则对N个分类器进行融合，构成的分类器集群 $f=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_i\·f_i,$ 其中w_i为权重，可采用任意现有的方式获得该加权值，例如 $w_i=\frac{1}{N}.$ 则分类器集群在校验集合上的泛化误差为：

E(Ψ)＝∫(f(ψ_i)-l_i)²p(ψ)dψ              (3)

则第i个和第j个分类器的相关程度为：

C_ij＝∫(f_i(ψ)-l)(f_j(ψ)-l)p(ψ)dψ        (4)

其中Ψ和1为在分类器校验集合Ψ上取值的自变量。显而易见，可以有C_ii＝e_i，C_ij＝C_ji。通过上面推导，针对并行计算情况，在兼顾分类性能和计算性能的条件下，若需要从N个分类器中选择P个分类器进行组合得到组合分类器，则需要最小化如下条件：

$\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{(T_i-T_j)}^2-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}---\left(5\right)$

其中T_i表示分类器f_i的计算复杂度(可以采用任意现有方式表达该计算复杂度)。显然，满足公式(5)结果最小的P个分类器即为分类器选择单元12获得的分类器集合。

分类器分布单元13用于将分类器选择单元12获取的P个分类器分布到多个不同的计算资源上分别对未知图像进行检测。上述多个计算资源可以是相互连接的不同物理设备。由于P个分类器的计算复杂度相差不大，因此各个分类器获得结果的时间基本相同。

检测结果融合单元14用于对P个分类器中每一个的检测结果进行融合获取物体检测结果。例如对于检测物体x_i，物体检测结果为 $y=\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_i\·y_i$ 其中y_i＝f(x_i)是第i个分类器f_i的检测结果，w_i是加权系数，可采用任意现有的方式获得该加权值，例如 $w_i=\frac{1}{N}.$

当然，上述P的值越大，检测结果越精确，但计算量也越大。

如图2所示，是本发明一种基于多分类器的物体检测方法实施例的流程示意图。该方法包括以下步骤：

步骤S21：使用N个训练子集分别训练N个分类器，其中N＞1。在具体实现时，设训练集合为Ф，则首先按照随机抽取的方法，将Ф分解为N个训练子集{Ф_i|i＝1，...，N}，其中Ф_i∈Ф并且

i≠j；然后针对每一个训练子集Ф_i训练一个分类器fi，则对N个训练子集，可获得N个分类器。当然，该步骤也可使用任意现有方式实现。

步骤S22：根据计算量和分类性从步骤S21获得的N个分类器重选择P个分类器进行融合获得分类器集合，其中1＜P≤N(P值越大，计算量越大)。

在该步骤中，选取相关性较小且计算复杂度接近的P个分类器。这P个分类器满足 $\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{(T_i-T_j)}^2-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}$ 最小，其中T_i表示分类器f_i的计算复杂度。该步骤可通过以下方式实现：

(1)首先构建分类器校验集合Ψ＝{ψ_j，l_j)|j＝1，...，M}，其中Ψj表示一个校验样本，lj表示该样本所对应的类别标识；

(2)将 $\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{(T_i-T_j)}^2-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}$ 最小化，获得包括P个分类器的分类器集合，其中T_i表示第i个分类器f_i的计算复杂度，C_ij＝∫(f_i(ψ)-l)(f_j(ψ)-l)p(ψ)dψ表示第i个和第j个分类器的相关程度，其中p(Ψ)为样本的分布。

步骤S23：将步骤S22中获取的P个分类器分布到多个不同的计算资源上分别对未知图像进行检测，获得P个分类器结果。

步骤S24：对P个分类器结果进行融合获取物体检测结果。对于检测物体x_i，获得的最终类别标签为 $y=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_i\·y_i,$ 其中yi＝f(x_i)是第i个分类器f_i的检测结果，w_i是加权系数。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1. 一种基于多分类器的物体检测系统，其特征在于，包括：

分类器训练单元，用于根据训练集合训练获得N个分类器，其中N＞1；

分类器选择单元，用于根据计算量和分类性能从所述N个分类器中选择P个分类器融合获得分类器集合，其中1＜P≤N；

分类器分布单元，用于将所述P个分类器分布到多个不同的计算资源上分别对未知图像进行检测获得P个分类器结果；

检测结果融合单元，用于对所述P个分类器结果进行融合获取物体检测结果。

2. 根据权利要求1所述的一种基于多分类器的物体检测系统，其特征在于，所述分类器选择单元选择的P个分类器具有低相关性且具有相同的计算复杂度。

3. 根据权利要求2所述的一种基于多分类器的物体检测系统，其特征在于，所述分类器选择单元通过构建分类器校验集合ψ＝{(ψ_j，l_j)|j＝1，...，M}，并将 $\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{(T_i-T_j)}^2-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}$ 最小化，获得包括P个分类器的分类器集合，其中ψj表示一个校验样本，lj表示该样本所对应的类别标识，T_i表示第i个分类器f_i的计算复杂度，C_ij＝∫(f_i(ψ)-l)(f_j(ψ)-l)p(ψ)dψ表示第i个和第j个分类器的相关程度，p(ψ)为样本的分布。

4. 根据权利要求1所述的一种基于多分类器的物体检测系统，其特征在于，对于检测物体xi，检测结果融合单元获得的物体检测结果为 $y=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_i\·y_i,$ 其中y_i＝f(x_i)是第i个分类器f_i的分类器结果，w_i是加权系数。

5. 根据权利要求1-4中任一项所述的一种基于多分类器的物体检测系统，其特征在于，所述分类器训练单元将所述训练集合中随意抽取获得N个训练子集，并使用每一训练子集训练一个分类器。

6. 一种基于多分类器的物体检测方法，其特征在于，包括以下步骤：

(a)使用训练结合训练N个分类器，其中N＞1；

(b)根据计算量和分类性能从所述N个分类器中选择P个分类器进行融合获得分类器集合，其中1＜P≤N；

(c)将所述P个分类器分布到多个不同的计算资源上分别对未知图像进行检测获得P个分类器结果；

(d)对所述P个分类器结果进行融合获取物体检测结果。

7. 根据权利要求6所述的一种基于多分类器的物体检测方法，其特征在于，所述步骤(b)中选择的P个分类器具有低相关性且具有相同的计算复杂度。

8. 根据权利要求6所述的一种基于多分类器的物体检测方法，其特征在于，所述步骤(b)包括：

(b1)构建分类器校验集合ψ＝{(ψ_j，l_j)|j＝1，...，M}，其中ψj表示一个校验样本，lj表示该样本所对应的类别标识；

(b2)将 $\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{(T_i-T_j)}^2-\underset{i=1}{\overset{P}{\mathrm{\Σ}}}\underset{j=1}{\overset{P}{\mathrm{\Σ}}}{C}_{\mathrm{ij}}$ 最小化，获得包括P个分类器的分类器集合，其中T_i表示第i个分类器f_i的计算复杂度，C_ij＝∫(f_i(ψ)-l)(f_j(ψ)-l)p(ψ)dψ表示第i个和第j个分类器的相关程度，p(ψ)为样本的分布。

9. 根据权利要求6所述的一种基于多分类器的物体检测方法，其特征在于，对于检测物体xi，所述步骤(d)获得的物体检测结果为 $y=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_i\·y_i,$ 其中y_i＝f(x_i)是第i个分类器f_i的检测结果，w_i是加权系数。

Images