半自主在线学习目标检测系统.docVIP

半自主在线学习目标检测系统 　　摘 要： 针对不同监控场景，不同成像条件下目标姿态变化较大的问题，提出一种具有半自主学习能力的目标检测系统。该系统能在执行检测任务的同时，通过快速的半自主学习提高检测性能。系统包括了目标检测模块及在线学习模块。为满足系统在线学习需求，提出随机蕨分类器的在线学习方法，使目标检测模块可持续自我更新，提高检测性能。通过半自主在线学习框架使整个学习过程不需准备初始训练样本集，只需框选一个待检测目标即可进行自适应学习，逐渐提高检测性能。实验表明，该方法在多种监控场景中均有较强的自适应能力和较好的目标检测效果。 　　关键词： 在线学习； 目标检测； 随机蕨分类器； 半自主学习 　　中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）09?0121?05 　　Abstract： Since the object attitude has great variation in different monitoring scenes and different imaging conditions， an object detection system with semi?autonomous learning ability is proposed. The system can improve the detection performance by means of fast semi?autonomous learning while executing the detection task. The system is composed of object detection module and online learning module. To satisfy the requirement of system online learning， the online learning method of random fern classifier is proposed. It can sustainably self?renewal the object detection module， and improve the detection performance. The whole learning process by needn′t prepare the initial training samples semi?autonomous learning framework， and only select a detected object to perform the adaptive learning， so the detection performance is improved gradually. The experimental results show that the method has strong adaptive capability and high detection rate. 　　Keywords： online learning； object detection； random fern classifier； semi?autonomous learning 　　0 引 言 　　在线学习属于增量学习的研究范畴，在这一类方法中分类器对每个样本只学一次，而不是重复的学习，这样在线学习算法运行过程中不需要大量的存储空间存储训练样本。分类器每获得一个样本，即对其进行在线学习，使分类器能根据新样本自我更新和改进，进一步提高分类效果。早期的在线学习算法有Winnow算法[1]、统一线性预测算法[2]及增量有监督人工神经网络[3]等。2001年学者Oza将这些算法与boosting算法[4]进行结合，提出了在线boosting算法[5]。在Oza的方法中，强分类器是一定数量的弱分类器的加权和，这些弱分类器都是从弱分类器集合中挑选出来的。在线学习时，每个训练样本逐一更新弱分类器集合中的每个弱分类器，包括调整正负样本的分类阈值以及该分类器的权重，使分类准确率高的弱分类器权重越来越高，而准确率低的弱分类器权重越来越低，从而每次在线学习一个样本就可以挑选出一个当前权重最高的弱分类器加入强分类器中使最终训练出来的分类器有较强的分类能力。冯国瑜等人将在线学习用于增量支持向量机算法[6]，也取得了不错的效果。侯杰等人提出了基于指数损失和0?1损失的在线boosting算法[7]，该方法严格证明了在线学习过程并未损失分类准确性。但是，在线boosting算法的弱分类器集合中每个弱分类器都要对新样本进