本发明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，并对该区域是否为目标类物体进行初步验证；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。本发明的方法运算速度快，且能更好地适应应用场景。
1.一种物体类型的在线训练和识别方法，其特征在于，包括：(1)进行图像采集，并对所采集到的图像进行背景建模；
(2)根据建模结果提取前景物体区域，并对该区域是否为目标类物体进行初步验证，其中进行初步验证的过程包括：(21)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；
(22)在训练样本达到预定数目后，认为该PCA空间可信；
(23)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一阈值，则认为是该类物体，可作为正样本训练，否则，认为不是，抛弃；
(3)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；
(4)提取当前搜集的正样本和反样本的弱特征，构造弱分类器；
(5)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；
(6)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；
其中，在步骤(5)中，采用下述强分类器训练构造算法训练强分类器：(51)初始化组成最终强分类器的弱分类器；
(52)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；
(53)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(54)对于当前的一个样本，样本标签为1，如果1＝1则为正样本，1＝-1为反样本；
(56)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αn，其包括：(561)获取M个弱分类器对于样本的分类结果标志Hyp(m)，分类正确为1，否则，为0；
(562)为每个弱分类器设定未使用标志bUsedm，标志是否已经被某个选择器选择使用，如果已经使用为1，没有使用为0；
(563)对于所有的N个选择器，进行下列处理更新：
(564)对于所有的M个弱分类器，根据其对样本的分类结果，如果Hypm为1，则否则，(565)如果当前弱分类器没有使用，即bUsedm为1，则跳过，对所有没有使用过的弱分类器计算分类错误率en，m，并选择错误率最小的en作为当前选择器的弱分类器，即取j＝argmin(en，m)，同时计算弱分类器权重αn；更新样本的权重w；
2.根据权利要求1所述的物体类型的在线训练和识别方法，其特征在于，在提取前景物体区域之后和进行初步验证之前，还包括：对所提取的前景物体区域进行物体分割。
3.根据权利要求2所述的物体类型的在线训练和识别方法，其特征在于，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。
4.根据权利要求1所述的物体类型的在线训练和识别方法，其特征在于，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。
5.根据权利要求1所述的物体类型的在线训练和识别方法，其特征在于，所述初始化组成最终强分类器的弱分类器步骤是采用从所有的候选弱特征中随机选取的方式获得。
6.根据权利要求1所述的物体类型的在线训练和识别方法，其特征在于，所述分类错误率en，m满足：所述弱分类器权重αn满足：
7.根据权利要求1所述的物体类型的在线训练和识别方法，其特征在于，在所述采用层次型在线adaboost算法训练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，以及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的过程中，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，分别训练各层强分类器的各个选择器。
8.根据权利要求7所述的物体类型的在线训练和识别方法，其特征在于，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。
9.根据权利要求8所述的物体类型的在线训练和识别方法，其特征在于，当在线训练的模型包含的有效层数大于第五阈值时，认为模型已训练好，获得一个所述最终强分类器，所述最终强分类器是由至少一个有效层组成的层次型分类器。
10.一种物体类型在线训练和识别系统，其特征在于，包括：图像采集单元，用于进行图像采集；
背景建模单元，与所述图像采集单元连接，用于对所采集到的图像进行背景建模；
区域提取单元，与所述背景建模单元连接，用于根据建模结果提取前景物体区域；
物体类型初步验证单元，与所述区域提取单元连接，用于对所提取的前景物体区域是否为目标类物体进行初步验证，其中初步验证的方法是首先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；然后在训练样本达到预定数目后，认为该PCA空间可信；接着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一阈值，则认为是该类物体，可作为正样本训练，否则，认为不是，抛弃；
特征提取单元，与所述背景建模单元和物体类型初步验证单元连接，用于提取通过初步验证的样本作为正样本，以及从背景图像中提取相同形状的区域作为反样本；
在线模型训练单元，与所述特征提取单元连接，用于根据所提取的正样本和反样本的特征进行在线训练，获得一个训练好的模型，其中在线训练的方法是先提取当前搜集的正样本和反样本的弱特征，构造弱分类器，然后采用层次型在线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；其中，所述在线模型训练单元采用下述强分类器训练构造算法训练强分类器：(a)初始化组成最终强分类器的弱分类器；
(b)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；
(c)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(d)对于当前的一个样本，样本标签为1，如果1＝1则为正样本，1＝-1为反样本；设定样本权重为w＝1；
(f)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αn，其包括：(f1)获取M个弱分类器对于样本的分类结果标志Hyp(m)，分类正确为1，否则，为0；
(f2)为每个弱分类器设定未使用标志bUsedm，标志是否已经被某个选择器选择使用，如果已经使用为1，没有使用为0；
(f4)对于所有的M个弱分类器，根据其对样本的分类结果，如果Hypm为1，则否则，(f5)如果当前弱分类器没有使用，即bUsedm为1，则跳过，对所有没有使用过的弱分类器计算分类错误率en，m，并选择错误率最小的en作为当前选择器的弱分类器，即取j＝argmin(en，m)，同时计算弱分类器权重αn；更新样本的权重w；
类型识别单元，与所述模型训练单元和区域提取单元连接，用于对所提取的前景物体区域的物体类型进行类型识别，以得到物体类型，其中识别的方法是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。
11.根据权利要求10所述的物体类型在线训练和识别系统，其特征在于，该系统还包括：物体分割单元，连接在该区域提取单元与类型识别单元之间，用于将所提取的前景物体区域进行物体分割。
一种物体类型的在线训练和识别方法及其系统
技术领域
[0001] 本发明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。
背景技术
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 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：
[0006] 第一阶段，离线训练模型。训练过程如下：
[0007] 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；
[0008] 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；
[0009] 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；
[0010] 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。
[0011] 第二阶段，物体类型识别。识别过程如下：
[0012] 首先，采集图像，并对背景建模，提取前景区域；
[0013] 其次，采用训练好的模型识别前景区域，得到物体类型；
[0014] 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，受所采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。
发明内容
[0015] 本发明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。
[0016] 为了实现上述目的，本发明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，并对该区域是否为目标类物体进行初步验证，其中进行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；以及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一阈值，则认为是该类物体，可作为正样本训练，否则，认为不是，抛弃；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。
[0017] 优选地，在提取前景物体区域之后和进行初步验证之前，还包括：对所提取的前景物体区域进行物体分割。
[0018] 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。
[0019] 优选地，本发明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；c
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λn，m 以及分类错误样本权重和w
λn，m ；对于当前的一个样本，样本标签为l，如果l＝1则为正样本，l＝-1为反样本；设定样本权重为w＝1；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αn。
[0020] 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。
[0021] 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：
[0022]
[0023] 其中，cjp为正样本第j个特征中心，cjn为反样本第j个特征中心，fj(x)为当前特征。
[0024] 优选地，所述初始化组成最终强分类器的弱分类器步骤是采用从所有的候选弱特征中随机选取的方式获得。
[0025] 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p n式在线更新弱特征的均值cj 和cj，从而实现在线更新弱分类器。
[0026] 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和弱分类器权重αn步骤包括：
[0027] 获取M个弱分类器对于样本的分类结果标志Hyp(m)，分类正确为1，否则，为0；
[0028] 为每个弱分类器设定未使用标志bUsedm，标志是否已经被某个选择器选择使用，如果已经使用为1，没有使用为0；
[0029] 对于所有的N个选择器，进行下列处理更新：
[0030] 对于所有的M个弱分类器，根据其对样本的分类结果，如果Hypm为1，则否则，
[0031] 如果当前弱分类器没有使用，即bUsedm为1，则跳过，对所有没有使用过的弱分类器计算分类错误率en，m，并选择错误率最小的en作为当前选择器的弱分类器，即取j＝arg min(en，m)，同时计算弱分类器权重αn；更新样本的权重w；
[0032] 替换分类效果最差的T个弱分类器。
[0033] 优选地，所述分类错误率en，m满足：
[0034]
[0035] 所述弱分类器权重αn满足：
[0036]
[0037] 所述样本的权重w满足：
[0038] 如果Hyp(j)为1则 否则，
[0039] 优选地，在所述采用层次型在线adaboost算法训练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，以及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的过程中，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，分别训练各层强分类器的各个选择器。
[0040] 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。
[0041] 优选地，当在线训练的模型包含的有效层数大于第五阈值时，认为模型已训练好，获得一个所述最终强分类器，所述最终强分类器是由至少一个有效层组成的层次型分类器。
[0042] 为了实现上述目的，本发明还提供一种物体类型在线训练和识别系统，其特点在于，包括：
[0043] 图像采集单元，用于进行图像采集；
[0044] 背景建模单元，与所述图像采集单元连接，用于对所采集到的图像进行背景建模；
[0045] 区域提取单元，与所述背景建模单元连接，用于根据建模结果提取前景物体区域；
[0046] 物体类型初步验证单元，与所述区域提取单元连接，用于对所提取的前景物体区域是否为目标类物体进行初步验证，其中初步验证的方法是首先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；然后在训练样本达到预定数目后，认为该PCA空间可信；接着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一阈值，则认为是该类物体，可作为正样本训练，否则，认为不是，抛弃；
[0047] 特征提取单元，与所述背景建模单元和物体类型初步验证单元连接，用于提取通过初步验证的样本作为正样本，以及从背景图像中提取相同形状的区域作为反样本；
[0048] 在线模型训练单元，与所述特征提取单元连接，用于根据所提取的正样本和反样本的特征进行在线训练，获得一个训练好的模型，其中在线训练的方法是提取当前搜集的正样本和反样本的弱特征，构造弱分类器，然后采用层次型在线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；
[0049] 类型识别单元，与所述模型训练单元和区域提取单元连接，用于对所提取的前景物体区域的物体类型进行类型识别，以得到物体类型，其中识别的方法是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。
[0050] 优选地，该系统还包括：物体分割单元，连接在该区域提取单元与类型识别单元之间，用于将所提取的前景物体区域进行物体分割。
[0051] 根据本发明的一方面，由于本发明将物体类型训练和识别结合在一起，且采用在线训练的方式训练模型，可训练一个层次型结构的分类器来进行物体类型识别，从而可以省去了传统方法中标定样本的工作量，使得识别速度更快。同时，由于采用在线训练方式训练，本发明还可根据场景自适应更新训练模型，使之能更好的适应应用场景。
[0052] 以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。
附图说明
[0053] 图1为现有的基于离线训练的物体类型识别方法的流程示意图；
[0054] 图2为本发明基于在线训练的物体类型识别方法的流程示意图；
[0055] 图3为本发明的物体类型在线训练和识别系统的结构示意图。
具体实施方式
[0056] 本发明以在线adaboost算法为基础，提出一种自动提取场景中各类样本，并且将采集的样本渐进地送入训练模块训练，并根据训练出的训练模型与所提取的前景物体进行类型识别的方法。相较基于离线训练方式的物体识别技术，该种方法具有节省采集标定样本工作，并且训练的模型能够更好地适应应用场景，同时，训练模型简单运算快的特点。
[0057] 本发明提出的在线物体类型训练识别方法如图2所示：
[0058] 首先，进行图像采集和背景建模；
[0059] 其次，提取前景物体区域，并对该区域是否目标物体类型进行初始验证，以得到目标物体类型的全景图象；
[0060] 背 景 建 模 (Background modeling) 和 前 景 物 体 区 域 提 取(ForegroundExtraction)是现有技术，可以采用Background Subtraction，Kernel DensityEstimation等方法进行处理。
[0061] 第三，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；
[0062] 第四，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。
[0063] 优选地，本发明中，所提取的前景物体区域为经过物体分割的区域，其中物体分割的方法是，先训练好一个目标类物体的物体模型，然后，在所提取的前景物体区域中，按照物体的形状对各种不同尺度，处于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型的物体，从而可将前景物体区域中粘连在一起的多个物体分开。这样做的优点是对于几个物体粘连在一起时，前景检测会将其检测为一个区域，如果将该区域作为一个整体进行判定，会错判，同时，无法将物体分开，物体跟踪时，会出现错误。尤其对于视频监控而言，通过该物体分割方法还能够帮助分割粘连在一起的物体，有效提高报警的精确度。
[0064] 并且，优选的，所述目标物体类型的初始验证是为了避免某些其他前景物体被当作目标类物体训练，得到错误的模型。本发明的一种可行方法是离线采集标定一些物体的样本，训练物体的PCA(主成份分析，Principal componentanalysis)空间，然后，在线训练时，将获取的前景物体区域投影到该物体的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。或者，进一步，PCA空间的另一种获取方式为在线搜集该目标类物体的样本，采用增量的PCA算法训练该目标类物体的PCA空间，并在训练样本达到一定数目后，认为该空间可信，即可用来验证前景区域类别，这种方式避免了离线采集标定过程。然后，在线训练时，将获取的前景物体区域投影到该物体的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。
[0065] 本发明主要是利用adaboost(自适应增强法，Adaptive Boosting)算法来训练分类器并利用这些分类器来快速检测物体和进行物体类型识别。例如，论文Real-Time Tracking via On-line Boosting·Grabner Helmut，Grabner Michael，Bischof Horst，Proceedings of the British Machine Vision Conference(BMVC′06)，vol.1，pages47-56，2006中提出了一种基于在线adaboost的方法，本发明提出一种改进方法，在加速识别速度的同时提高了识别性能。具体的，本发明利用该adaboost算法进行在线训练和识别的方法如下：
[0066] 首先，提取当前搜集的正样本和反样本的弱特征，构造弱分类器；
[0067] 接着，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；
[0068] 最后，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。
[0069] 在本发明中，强分类器在线训练算法如下：
[0070] (1)初始化组成最终强分类器的弱分类器，可以采用从所有的候选弱特征中随机选取的方式获得；
[0071] (2)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；
[0072] (3)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λn，mc以及分类错w误样本权重和λn，m ；
[0073] (4)对于当前的一个样本，样本标签为l，如果l＝1则为正样本，l＝-1为反样本；设定样本权重为w＝1；
[0074] (5)更新M个在线弱特征构造的弱分类器组，弱分类器更新算法下面会详述；
[0075] (6)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αn；具体更新方法如下：
[0076] 获取M个弱分类器对于样本的分类结果标志Hyp(m)，分类正确为1，否则，为0；
[0077] 为每个弱分类器设定未使用标志bUsedm，标志是否已经被某个选择器选择使用，如果已经使用为1，没有使用为0；
[0078] 对于所有的N个选择器，进行下列处理更新：
[0079] 对于所有的M个弱分类器，根据其对样本的分类结果，如果Hypm为1，则否则，
[0080] 如果当前弱分类器没有使用，即bUsedm为1，则跳过，对所有没有使用过的弱分类器进行下列处理：
[0081] 计算分类错误率 并选择错误率最小的en作为当前选择器的弱分类器，即取j＝arg min(en，m)，同时计算 更新样本的权重，如果Hyp(j)为1则 否则，
[0082] 替换分类效果最差的T个弱分类器。
[0083] 在本发明中，弱分类器构造更新算法如下：
[0084] 本发明针对物体检测的特点，选择HOG(梯度方向直方图，Histogram oforiented gradients)特征作为弱特征，当然也可以采用LBP(局部二进制模式，local binary pattern)或者haar-like(微结构特征)特征作为弱特征；论文Real-Time Tracking via On-line Boosting·Grabner Helmut，Grabner Michael，Bischof Horst，Proceedings of the British Machine Vision Conference(BMVC′06)，vol.1，pages 47-56，2006中采用的是固定尺度的HOG特征，本发明采用各种不同尺度，不同位置的HOG特征，使得弱特征对物体的分类能力更加强。基于HOG的特征是一个NHOG维的向量，采用基于最近邻的方式构造弱分类器，一种方式为：取弱分类器形式为 其p n
中，cj 为正样本第j个特征中心，cj 为反样本第j个特征中心，fj(x)为当前特征。一种可p n
行的弱分类器在线更新算法如下，采用卡尔曼滤波方式在线更新弱特征的均值cj 和cj，从而实现在线更新弱分类器。
[0085] 在本发明的在线训练和识别过程中，对于输入反样本，首先，采用上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样本进行分类，如果分类正确，则退出，否则，将该样本输入到下一层的强分类器进行训练，以此类推，直到该样本被某一层强分类器拒绝为止。对于输入的正样本，将其作为正样本输入到所有层中，分别训练各层强分类的各个选择器。这样得到的最终强分类器，如果识别时，某个样本能够通过所有层，则认为是正样本，否则，认为是反样本。
[0086] 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NN大于设定的第三阈值TNN，并且，该层训练过的正样本数目NP大于设定的第四阈值TNP时，认为该层有效，可以用来识别物体类型。
[0087] 当在线训练的模型包含的有效层数VS大于设定的第五阈值TVS时，认为模型已训练好，获得一个最终强分类器。最终的强分类器是由VS个有效层组成的层次型分类器。此时认为由最终强分类器组成的模型已训练好，可用于进行物体类型识别判定。
[0088] 本发明的物体类型在线训练和识别方法和传统基于离线的方式有几点不同：
[0089] 首先，本发明的训练和识别过程是同时渐进进行的，而离线系统的训练过程和识别过程是完全分离独立的两个过程；
[0090] 其次，本发明的在线训练模型不是一次训练完成的，而是多次增量训练完成，而且，可以不断更新；而离线系统是一次训练完成的，不能够根据应用场景进行更新。
[0091] 如图3所示，为本发明基于上述方法所提供的一种物体类型在线训练和识别系统，包括：图像采集单元，用于进行图像采集；背景建模单元，与所述图像采集单元连接，用于对所采集到的图像进行背景建模；区域提取单元，与所述背景建模单元连接，用于根据建模结果提取前景物体区域；物体类型初步验证单元，与所述区域提取单元连接，用于对所提取的前景物体区域是否目标物体类型进行初步验证；特征提取单元，与所述背景建模单元和物体类型初步验证单元连接，用于提取通过初步验证的样本作为正样本，以及从背景图像中提取相同形状的区域作为反样本；在线模型训练单元，与所述特征提取单元连接，用于根据所提取的正样本和反样本的特征进行在线训练，获得一个训练好的模型；类型识别单元，与所述模型训练单元和区域提取单元连接，用于对所提取的前景物体区域的物体类型进行类型识别，以得到物体类型。
[0092] 优选地，该系统还包括：物体分割单元，连接在该区域提取单元与类型识别单元之间，用于将所提取的前景物体区域进行物体分割。
[0093] 当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变型，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
