羅大鵬，羅　琛，魏龍生，韓家寶，王　勇，馬　麗

(1.中國地質(zhì)大學(武漢) 機械與電子信息學院,湖北武漢 430074；2.北京師范大學惠州附屬學校,廣東惠州 516002)

?

基于在線隨機蕨分類器的實時視覺感知系統(tǒng)

羅大鵬1，羅琛2，魏龍生1，韓家寶1，王勇1，馬麗1

(1.中國地質(zhì)大學(武漢) 機械與電子信息學院,湖北武漢 430074；2.北京師范大學惠州附屬學校,廣東惠州 516002)

本文針對不同成像條件下,目標姿態(tài)變化對系統(tǒng)檢測性能的影響,提出一種具有自主學習能力的視覺感知系統(tǒng).該系統(tǒng)能在執(zhí)行檢測任務的同時,通過快速的自主學習提高檢測性能,并保持實時目標檢測速度.系統(tǒng)包括了目標檢測模塊及在線學習樣本自動獲取、標注模塊.針對目標檢測模塊為滿足系統(tǒng)自主學習需求,提出隨機蕨分類器的在線學習方法,使目標檢測模塊可持續(xù)自我更新,提高檢測性能;針對樣本自動獲取、標注模塊則提出最近鄰分類器輔助的雙層級聯(lián)標注方法.此外,本文提出自主在線學習框架,整個學習過程不用準備初始訓練樣本集,通過人工選定一個待檢測目標即可進行無需干預的自適應學習,逐漸提高檢測性能.實驗表明,該方法在多種監(jiān)控場景中均有較強的自適應能力和較好的目標檢測效果.

在線學習;視覺感知;隨機蕨分類器;目標檢測

1　引言

近年來,通過訓練分類器實現(xiàn)圖像或視頻目標快速檢測的方法[1]得到了廣泛使用.但是,該方法要準備大量樣本進行分類器訓練,這是一項很繁瑣的工作.此外,攝像頭的安裝角度和高度不同會導致監(jiān)控視頻、圖像中的目標成像姿態(tài)變化很大.很難準備較完備樣本集將所有目標表現(xiàn)形式都包括進去.因此,該方法在不同成像條件下的目標檢測魯棒性難以保證.

本文從新的角度解決這一問題.通常一個攝像頭只監(jiān)控一個固定場所,成像背景及成像角度變化不大.因此可針對固定場景訓練分類器,并在其執(zhí)行檢測任務的同時持續(xù)自我學習,逐漸提高檢測性能,成為該場景專用目標檢測器.這種學習模擬了人類視覺感知系統(tǒng)的自學能力,可自主完成,易于擴展到其它監(jiān)控場景.從而將多場景、多視角的目標檢測問題轉(zhuǎn)化為多種成像條件下的自適應學習問題,提高了可行性和實用性.

實現(xiàn)自主學習的目標檢測系統(tǒng)有兩個關鍵要素:

(1)設計合適的在線學習算法,使分類器快速、有效的自主學習.

早期在線學習算法是Polikar 提出的增量有監(jiān)督人工神經(jīng)網(wǎng)絡[2],2001年Oza提出了在線Boosting[3]算法.此后,Grabner給在線Boosting算法增加了特征選擇的能力,提出了在線AdaBoost算法[4],使在線學習可用于計算機視覺領域.該算法在線更新的弱分類器越多,分類性能越好.但在線學習速度也越慢.文獻[5～7]提出了改進方法,但在線學習速度和分類器性能的矛盾一直沒有解決.

Ozuysal提出隨機蕨分類器算法[8],該分類器將多個特征融合為一個隨機蕨,不需要訓練弱分類器,提高了分類器訓練速度.此外,該分類器的在線學習算法,可通過更新隨機蕨后驗概率分布實現(xiàn),因此增加隨機蕨個數(shù)及每個隨機蕨包含的特征數(shù)對在線學習速度影響不大,較好的平衡了分類器性能和在線學習速度這對矛盾.

(2)設計合適的在線學習樣本自主獲取、標注方法

基于在線學習的目標檢測系統(tǒng)通常要求自主獲取在線學習的新樣本,并對其類別進行自動標注,否則無法實現(xiàn)檢測系統(tǒng)的智能化,并且在線學習樣本標注的正確率對訓練過程的有效性影響較大.

Roth[9]采用了增量主元分析(IPCA)[10]算法對新樣本進行自動標注,但是,這種方法對目標檢測速度以及在線學習的速度均有一定影響.Zeisl[5]等人將半監(jiān)督學習引入到分類器的在線學習和更新中,雖然半監(jiān)督學習可以使用未標注樣本訓練分類器,但是這種方法需要構造相似性函數(shù),而設計相似性函數(shù)的困難程度不亞于對大量樣本進行標注[11].

Kalal[12]提出通過跟蹤目標在特征空間中的軌跡對在線學習的樣本進行標注,但是這種標注必須在某個目標的整個跟蹤過程完成后才能進行.Qi[7]提出對樣本包進行標注以減小樣本錯誤標注對在線學習分類器性能的影響.但是,由該方法只能減小錯誤標注的正樣本對分類器的影響,而對于錯誤標注的負樣本則無能為力.

本文提出了一種基于在線隨機蕨分類器的目標檢測系統(tǒng),采用在線隨機蕨分類器進行視頻圖像中的目標檢測,對置信度較高的檢測結果進行跟蹤,通過跟蹤自動獲取在線學習新樣本,并融合最近鄰分類器[13]形成級聯(lián)的樣本類別的自動標注方法,實現(xiàn)系統(tǒng)的自主更新,逐漸提高檢測性能.由參考文獻[8,14]可知,隨機蕨分類器對錯誤標注樣本有較好的容錯性,這將減輕本系統(tǒng)自動標注錯誤對檢測性能的影響.

此外,文獻[7,9]的方法均需采集少量樣本訓練初始分類器.其訓練情況對分類器在線學習影響很大.本文的在線學習系統(tǒng),只需在視頻圖像中人工選取一個待檢測目標,即可進行初始隨機蕨分類器訓練.然后,該分類器在后續(xù)幀中進行同類目標檢測并以全自主方式在線學習,從而易于擴展到其它監(jiān)控場景或不同類別的目標檢測系統(tǒng)中,因此有很好的應用前景.

2　隨機蕨分類器及其在線學習算法

2.1隨機蕨分類器

隨機蕨分類器由樸素貝葉斯[15,16]分類器發(fā)展而來.通過貝葉斯理論,分類器的訓練過程是樣本特征到樣本類別的映射.給出大量帶有類別的樣本Dm=(fm,Cm),m=1,2,…,M,其中M為樣本個數(shù),f為樣本特征值,通常為N維向量,表示為:

f=(f1,f2,…,fN)

(1)

而C為樣本類別,設類別數(shù)為K,則:C∈{c1,c2,…,ck},分類器H即為:H:f→C.

隨機蕨分類器可稱為半樸素貝葉斯(Semi-NaiveBayes)分類器,它是由貝葉斯分類器發(fā)展而來.即從特征集合中隨機抽取l組相同大小的特征子集,每個子集稱為一個隨機蕨,設每組子集包含s個特征即:

Fl={fl,1,fl,2,…,fl,s}

(2)

假設每個隨機蕨都是條件獨立的,因此所有特征的聯(lián)合似然分布可由下式計算:

(3)

相應的隨機蕨分類器為:

(4)

可見,隨機蕨分類器隨機提取多個特征構成隨機蕨,從而可聯(lián)合多個隨機蕨進行近似計算.

隨機蕨分類器主要用于多類目標的分類識別,本文將其用于視頻目標檢測.即待檢測目標作為一類,背景作為另一類,分別統(tǒng)計這兩類樣本在隨機蕨上的后驗概率分布,下面以車輛樣本為例,說明隨機蕨后驗概率P(F|ck)的計算方法.如圖1所示該車輛樣本特征f由圖像塊中隨機提取的a,b兩點像素大小決定:

(5)

設一個隨機蕨F包含5個特征,其5對像素點位置如圖2所示,相應的可獲得一個5位二進制碼.

通過這種方式,每個樣本的隨機蕨F包含的特征可形成一個5位二進制碼,其對應的十進制數(shù)有25種可能的數(shù)值,可方便的計算其后驗概率.

對于大量的車輛樣本,如圖3所示,由相同位置的5對像素點可獲得每個樣本的隨機蕨數(shù)值,統(tǒng)計該數(shù)值分布即可獲得車輛樣本在該隨機蕨的后驗概率P(F|ck).

對于其它類別,同樣準備大量訓練樣本,計算其在隨機蕨F的數(shù)值分布.為了進一步提高隨機蕨分類器的分類精度,可將待檢測車輛目標分為小型車和大型車,背景分為路面背景及干擾目標.分別統(tǒng)計四類目標在隨機蕨F的分布如圖4所示.即為每一類目標在隨機蕨F上的后驗概率.

相應的可計算樣本分類置信度為:

(6)

顯然一個隨機蕨對樣本的分類精度不高,可以通過式(4)聯(lián)合多個隨機蕨的分類結果.

2.2在線隨機蕨分類器算法

由2.1節(jié)可知,隨機蕨分類器的訓練不需更新弱分類器權重及樣本權重,只需統(tǒng)計每類訓練樣本在不同隨機蕨的后驗概率分布即可,因此該分類器的訓練速度較快.并且,對于隨機蕨分類器的在線學習也可通過更新后驗概率分布實現(xiàn).

本文主要探討視頻目標檢測問題,與圖3,4的多類目標分類問題不同,需準備正負樣本訓練初始隨機蕨分類器,為了避免手工標注初始訓練樣本集,本文通過人工選取一個待檢測目標,然后對其進行旋轉(zhuǎn)角度及縮放尺度變化的仿射變換自動獲取初始正樣本集.

初始負樣本通過在圖像幀邊緣隨機取樣獲得.采用2.1節(jié)的方法統(tǒng)計正負樣本在隨機蕨不同數(shù)值上的分布,獲得初始隨機蕨分類器.

在線學習時,每個隨機蕨的后驗概率分布根據(jù)增加的正負樣本數(shù)更新.設在線學習的樣本為(fnew,ck),其中fnew為多維特征向量,ck為樣本類別,設為正樣本.下面以隨機蕨F1為例說明隨機蕨分類器的在線學習過程:

(1)計算該樣本在隨機蕨F1的數(shù)值,設為00101,即十進制數(shù)5.

(2)將隨機蕨F1的數(shù)值也為5的正樣本數(shù)N加1,負樣本數(shù)M不變.

艾莉沒有見到戴菲兒的合格證、發(fā)票、信譽卡、保修卡、使用說明……但她相信戴菲兒所說的每一句話。因為哀傷無法掩飾。因為她看到戴菲兒的哀傷，秦川的哀傷。她聽到連接在他們之間的那根看不見的細細的線繩的崩斷之音。一頓飯的時間，她成為主人，戴菲兒成為玩偶，世界就是這般離奇，充滿變數(shù)。

(4)歸一化隨機蕨F1的后驗概率分布.

可見,隨機蕨分類器的在線學習過程即為統(tǒng)計各個隨機蕨數(shù)值對應的樣本數(shù),由樣本數(shù)變化更新后驗概率分布.因此其在線學習速度遠高于其它在線學習算法.

3　自主在線學習的目標檢測系統(tǒng)

本文通過在線隨機蕨分類器構建自主學習的目標檢測系統(tǒng),下面將首先介紹最近鄰分類器輔助樣本類別自動標注方法,然后詳細介紹整個自主在線學習框架.

3.1最近鄰分類器輔助樣本類別自動標注方法

3.1.1最近鄰分類器

最近鄰分類器是一種模板匹配的方法,首先存儲一定數(shù)量的正負樣本模板集:

(7)

其中p+,p-分別為目標、背景圖像塊.對于待分類樣本p,分別計算其與正負樣本模板集的相似度S+(p,M+)及S-(p,M-):

(8)

(9)

相應的可得:

(10)

若Sr大于閾值θNN,則該樣本為正樣本,否則為負樣本.

3.1.2最近鄰分類器的使用

由上一節(jié)可知,如何構建合適的正負樣本模板集是最近鄰分類器的關鍵,其中尤以正樣本模板集的構造最為重要.本系統(tǒng)中只有以下三種情況可添加正樣本模板集:

(1)初始框選的目標可作為一個正樣本模板添加到M+中.

(2)在每幀檢測結果中,選擇置信度較高的進行跟蹤,若跟蹤所得目標區(qū)域附近有檢測結果與之重合,則認為是真實目標,可作為正樣本模板添加到M+中.

(3)對跟蹤所得目標區(qū)域附近沒有檢測結果與之重合的,則通過保守相似度Sc判斷其是否能加入正樣本模板集.

(11)

其中:

(12)

每加入一個正樣本模板,取其周圍四個相同大小的鄰域判斷是否為負樣本模板,這里引入高斯背景建模,若鄰域內(nèi)前景像素較少,則可加入負樣本模板集.

為避免模板集中,正負樣本模板較多可能造成的系統(tǒng)運行速度下降的缺點,本文引入模板集消減機制.由式(8)可知,待分類樣本與模板集的相似度只取決于模板集中與該樣本相似度最大的模板.據(jù)此實時統(tǒng)計各個模板求得該最大值的次數(shù),若某模板求得最大值的次數(shù)較少,則認為該模板對最終分類結果貢獻不大,可以去除.此外,通過該機制,同樣可減小錯誤的正負樣本模板對在線學習的影響.

3.2自主在線學習框架

為了實現(xiàn)在線學習樣本的自動獲取及類別標注,本文提出了自主在線學習目標檢測系統(tǒng),如圖6所示.首先,在視頻幀中人工選取一個待檢測目標,訓練初始隨機蕨分類器;然后,采用該隨機蕨分類器在后續(xù)每幀視頻圖像中進行目標檢測,對于每個檢測結果采用最近鄰分類器判斷其是否為虛警,若是,則作為負樣本在線訓練隨機蕨分類器;之后,對于置信度較高的檢測結果,進行跟蹤,對每個跟蹤結果使用最近鄰分類器判斷其是否為真實目標,若是,則作為正樣本在線訓練隨機蕨分類器,從而逐步提高分類器的目標檢測性能,實現(xiàn)自主學習的目標檢測系統(tǒng).

可見,本文自主在線學習系統(tǒng)只需人工選定一個待檢測目標即開始自主訓練初始分類器,不需采集初始訓練樣本,避免了初始訓練不同對分類器在線學習的影響.此外,自主學習系統(tǒng)采用最近鄰分類器輔助樣本獲取及自動標注,相當于一個兩層級聯(lián)的樣本類別自動標注方法,即對第一層檢測、跟蹤獲取的潛在正、負樣本,通過第二層最近鄰分類器獲取其真實的類別,從而提高了樣本類別自動標注的正確性.這種級聯(lián)的樣本類別自動標注體系可靈活設計不同的級聯(lián)數(shù)及每級采用的標注方法,有很大的自由度.

4　實驗與比較

首先聲明,為真實反映系統(tǒng)在線學習過程,本文并未對檢測結果進行非最大抑制,因此檢測結果有重復檢測同一目標的情況.實驗采用的數(shù)據(jù)來自Caviar數(shù)據(jù)集、PETS2006數(shù)據(jù)集及自己準備的車輛視頻數(shù)據(jù)集.Caviar數(shù)據(jù)集和PETS2006數(shù)據(jù)集用于驗證行人檢測算法,部分視頻幀如圖7所示.

可見,拍攝這兩種數(shù)據(jù)集的攝像頭成像角度差別較大.由文獻[17]可知這種成像角度的變化會引起目標成像姿態(tài)的較大變化,從而影響檢測性能.本文力圖在這兩個視頻集上驗證算法對成像角度變化的自適應能力.此外,本文還準備了一組車輛視頻數(shù)據(jù)集,如圖8所示,這組視頻的成像背景及光照變化較大,可用于驗證本文算法對成像環(huán)境變化的自適應能力.

由文獻[7,9]可知,Roth和Qi的方法均采集樣本訓練了初始分類器,而采集樣本的多少對初始分類器及在線學習分類器的性能影響很大.為獲得公平的比較結果,本文統(tǒng)一了訓練初始分類器的方法,均為隨機框選一個待檢測目標,通過仿射變換獲得200個正樣本,再從監(jiān)控視頻四周非目標區(qū)域提取300個負樣本訓練初始分類器.其中,本文方法采用分類器的隨機蕨個數(shù)為15,每個隨機蕨包含的的特征數(shù)為5,而Roth和Qi方法的參數(shù)與文獻[7,9]一致.

4.1基于在線學習的目標檢測系統(tǒng)適應性實驗

首先對車輛視頻數(shù)據(jù)集進行實驗,實驗結果如圖9所示,可見在線隨機蕨分類器的目標檢測性能越來越好,而且由圖10、11可知,系統(tǒng)在不同的監(jiān)控背景及光照下都可通過自主學習逐漸提高其檢測精度,說明了在線學習檢測系統(tǒng)的適應性很強.

本文記錄了每次視頻幀中虛警的數(shù)量和漏檢的數(shù)量,如圖12所示,目標檢測系統(tǒng)在線學習初期性能較差,漏檢和虛警較多,這是由于在線訓練正樣本較少造成的.隨著系統(tǒng)在線學習的進行,檢測率增加,虛警也逐步增多.當分類器進一步在線學習后,其每個隨機蕨的后驗概率趨于穩(wěn)定,檢測到的車輛目標也趨于準確.

圖10給出了不同背景中系統(tǒng)在線學習過程,圖11給出了夜晚環(huán)境下對車輛目標的檢測效果.

下面我們對視頻中的行人目標進行檢測,用于驗證算法在不同成像角度下的自適應能力.實驗結果如下,其中圖13、14來自Caviar數(shù)據(jù)集,圖15、16來自PETS2006數(shù)據(jù)集,它們的成像角度有較大的差別,和上述所給出的實驗一樣,系統(tǒng)開始檢測時總會出現(xiàn)比較多的漏檢,一段時間后檢測率上升,虛警也隨之增多,之后檢測結果趨于準確,檢測性能逐步提高.

4.2比較實驗

我們在車輛視頻數(shù)據(jù)集中將本文方法與Roth和Qi的方法進行了比較,由于未收集初始樣本集,Roth和Qi的方法均未達到文獻[7,9]提到的檢測性能.而本文方法采用的在線隨機蕨分類器較好的平衡了分類性能和在線學習速度這對矛盾.此外,本文的級聯(lián)樣本自動標注算法,相對于Roth和Qi方法有較高的準確率,因此有更好的檢測效果,如圖17所示.

此外,我們在車輛視頻數(shù)據(jù)集上比較了三種算法的運行速度,實驗環(huán)境統(tǒng)一為2.66GHz雙核CPU及2G內(nèi)存,實驗結果如表1所示,可見,本文方法相對于Roth和Qi方法,有較好的實時性.

表1　三種算法運行速度比較

方法分類器、特征是否每幀檢測編程語言FPSRoth的方法在線AdaBoost、Harr是C語言5.6Qi的方法在線多實例學習、HOG是C語言11.4本文方法在線隨機蕨分類器、隨機蕨數(shù)值是C語言22.3

5　總結與展望

本文將隨機蕨算法和在線學習理論結合起來構建自主學習目標檢測系統(tǒng).通過基于最近鄰分類器的級聯(lián)方法獲取在線學習的樣本并進行自動的類別標注,從而使檢測模型通過在線學習逐步提高檢測性能.多組實驗表明本系統(tǒng)可通過在線學習適應成像角度以及成像背景的變化,獲得不錯的檢測效果.

未來,我們將進一步提高全自主在線學習系統(tǒng)自適應能力,并通過隨機蕨分類器的多目標分類能力,將系統(tǒng)擴展為多目標自主在線學習系統(tǒng),擴展其應用范圍.

[1]Viola P,Jones M.Fast and robust classification using asymmetric AdaBoost and a detector cascade[A].Advances in Neural Information Processing System 14[C].Cambridge,MA:MIT Press,2002.1311-1318.

[2]Polikar R.Learn++:an incremental learning algorithm for supervised neural networks[J].IEEE Transactions on Systems,Man,and Cybernetics,Part C:Applications and Reviews,Nov,2001,31(4):497-508.

[3]Oza N,Russell S.Online bagging and boosting[A].Proceedings of the 8th International Conference on Artificial Intelligence and Statistics[C].Florida,USA:Morgan Kaufmann Publishers,2001.105-112.

[4]Grabner H,Bischof H.On-line boosting and vision[A].Proceedings of the 19th IEEE Conference on Computer Vision and Pattern Recognition[C]. New York City,USA:IEEE Press,2006. 260-267.

[5]Zeisl B, Leistner C,Saffari A, Bischof H.On-line semi-supervised multiple-instance boostin[A].Proceedings of the 23th IEEE Conference on Computer Vision and Pattern Recognition[C].San Francisco,USA:IEEE Press,2010.1879-1887.

[6]Chen S T,Lin H T,Lu C J.Boosting with online binary learners for the multiclass bandit problem[A].Proceedings of The 31st International Conference on Machine Learning[C].Beijing,China:IEEE Press,2014.342-350.

[7]QI Z Q,XU Y T,WANG L S.Online multiple instance boosting for object detection[J].Neurocomputing,2011,74(10):1769-1775.

[8]Mustafa ?,Michael C,Vincent L,Pascal F.Fast keypoint recognition using random ferns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(3):448-461.

[9]Roth P,Grabner H,Skocaj D,Bischof,H,Leonardis A.On-line conservative learning for persondetection[A].Proceedings of 2nd Joint IEEE International Workshop on Visual Surveillance and Performance Evaluation of Tracking and Surveillance[C].Beijing,China:IEEE Press,2005.223-230.

[10]Skocaj D,Leonardis A.Weighted and robust incremental method for subspace learning[A].Proceedings of the 16th IEEE International Conference on Computer Vision[C].Nice,France:IEEE Press,2003.1494-1501.

[11]Chen K,Wang S.Semi-supervised learning via regularized boosting working on multiple semi-supervised assumptions[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(1):129-143.

[12]Kalal Z,Mikolajczyk K,Matas J.Tracking-learning-detection[J].Pattern Analysis and Machine Intelligence,2011,34(7):1409-1422.

[13]Muhammad A T,Jim E S.Improving nearest neighbor classifier using tabu search and ensemble distance metrics[A].Proceedings of the 6th IEEE International Conference on Data Mining[C].Hong Kong,China:IEEE Press,2006.18-22.

[14]Leistner C,Godec M,Schulter S,Saffari A,Werlberger M,Bischof H.Improving classifiers with unlabeled weakly-related videos[A].Proceedings of the 24th IEEE Conference on Computer Vision and Pattern Recognition[C].Colorado Springs,USA:IEEE Press, 2011.2753-2760.

[15]Domingos P,Michael P.On the optimality of the simple Bayesian classifier under zero-one loss[J].Machine Learning,1997,29(2-3):103-137.

[16]Rennie J,Shih L,Teevan J,Karger D.Tackling the poor assumptions of naive bayes classifiers[A].Proceedings of the 20th International Conference on Machine Learning[C].Washington DC,USA:IEEE Press,2003.616-623.

[17]羅大鵬,羅林波,桑農(nóng).可在線學習的視頻目標檢測系統(tǒng)[J].信號處理,2013,29(5):615-624.

Luo D P,Luo L B,Sang N.Video object detection system with the capacity of onlinelearning[J].Signal Processing,2013,29 (5):615-624.(in Chinese)

羅大鵬(通信作者)男,1978年出生,四川瀘定縣人,于華中科技大學圖像所獲博士學位,現(xiàn)為中國地質(zhì)大學(武漢)副教授,主要研究方向為計算機視覺、圖像處理與分析,機器學習等.

E-mail:luodapeng@cug.edu.cn

羅琛女,1976年7月出生,廣東惠州人,畢業(yè)于武漢大學,現(xiàn)為北京師范大學惠州附屬學校教師,主要研究方向為計算機視覺、圖像處理與分析,機器學習等.

E-mail:1430319794@qq.com

Real Time Visual Perception System Based on Online Fern Classifier

LUO Da-peng1,LUO Chen2,WEI Long-sheng1,HAN Jia-bao1,WANG Yong1,MA Li1

(1.SchoolofElectronicInformationandMechanics,ChinaUniversityofGeosciences,Wuhan,Hubei430074,China2.HuizhouSchoolAffiliatedtoBeijingNormalUniversity,Huizhou,Guangdong516002,China)

A novel online learning object detection system is proposed,which can self learning and improve its detection performance wihout human-annotated training data.The system is composed of a object detection module and a sample labeling module.Online fern classifier is used in the object detection module because of its fast online learning speed.Consequentely,our system can learn automatically and detect objects in the real time.Samples,which are used to train the classifier online,are acquired and labeled automatically from a two stages cascade method in the sample labeling module.Instead of training initial classifier from some manual labeled training samples like other online learning detection frameworks,our system can learn automatically after specifying the object to be detected.This can greatly reduce the efforts of labelers.Experimental results on several video datasets are provided to show the adaptive capability and high detection rate of our system.

online learning;visual perception;fern classifier;object detection

2014-10-10;

2015-01-11;責任編輯:馬蘭英

國家自然科學基金(No.61302137,No.61271328,No.41202232);湖北省自然科學基金(No.2013CFB403);武漢市晨光計劃項目(No.2014070404010209)

TP391

A

0372-2112 (2016)05-1139-10

電子學報URL:http://www.ejournal.org.cn10.3969/j.issn.0372-2112.2016.05.018