基于弱线性回归树在线学习的自适应视频目标检测算法研究

The main research content is designing a intelligent object detection system which can self learning and improve its detection performance based on online learning and linear regress tree theories.The linear regress tree is used to combine multiple features in weak leaning process. And the final strong classifier is composed of several weak linear regress trees. This leads to a better strong classifier, which consists of fewer weak classifiers and features than classical methods.A new online learning method is proposed based on the weak linear regression coefficient update. The resulting system contains enough number of weak classifiers while keeping computation cost low. And the online learning samples are acquired and labeled automatically when they are used to training the detector online.Instead of using another detection algorithm to label the new samples like other online learning frameworks, we ensure the correct labels from the particle filter tracking method. This can greatly reduce the effort by labelers. Furthermore, in order to reduce the impact of validation error, the Multiple Instance Learning（MIL） is used to improve the robustness of the online learning system.The results of the research will provide a new method for the practical application of intelligent video surveillance, and rich the object detection and recognition theory based on online learning.

本项目针对视频图像中的目标检测问题，基于在线学习理论与线性回归树的构造方法，研究具有自主学习能力的目标检测系统。采用弱线性回归树算法构建系统检测模型，利用线性回归树组合特征的能力提高模型检测性能。通过弱线性回归树的系数更新方法实现检测系统的在线学习，加快系统在线学习速度，保证系统持续学习的效果。采用粒子滤波对系统检测到的目标进行跟踪、验证，从中获得在线学习样本，实现检测系统无需人工干预的自适应学习。为了减少验证错误对系统在线学习的影响，引入多实例学习提高系统的鲁棒性。该项目的研究成果将为智能视频监控中的目标检测等实际应用提供一种新方法，并丰富基于在线学习的目标检测、识别理论。

传统的目标检测系统，需要人工采集、标注学习样本，训练目标模型，消耗了大量的人力物力。因此，如何降低人工工作量，实现可自主学习的目标检测系统，一直是计算机视觉领域的研究热点。项目围绕在线学习理论的若干关键科学问题开展深入研究，取得了一系列成果：.（1）在线学习算法方面：项目初期，提出了基于在线学习弱线性回归树算法；之后，为提高算法效率，采用了在线学习的随机蕨分类器。但是这两种分类器均需要人工采集少量样本训练初始分类器。为进一步减少人工工作量，提出了双分类面的在线随机蕨分类器并联合无监督迭代支撑向量机构成混合分类器结构，并提出渐进训练策略在线训练这种分类器，实现了全自主在线学习的目标检测系统。.（2）注意机制研究方面：为提高在线学习目标检测速度，提高系统智能化程度，课题组对监控视频的注意机制进行了深入研究。针对光照变化、图像噪声、视角变化、背景多变等因素给视频场景中显著性检测带来巨大困难，项目组用目标类与背景类方法得到静态显著性图，用计算帧间局部复杂度方法得到动态显著性图，用均值偏度值融合静态动态显著性图生成时空显著图，实现时空显著性检测。.（3）算法在物联网感知节点上的应用：在线学习算法具有速度快，实时性好，智能化程度高及自适应能力强等特点，因此可广泛应用于物联网感知节点中，实现诸如监控视频分析，行人车辆统计，水质监测及水面污染物检测等应用。项目组已将算法进行了优化，并移植到英威达公司的Jetson TK1嵌入式平台，结合压缩感知及稀疏编码等图像视频压缩、传输技术进行了行人统计及水质监测等应用研究。未来，我们将结合多个节点进大范围、高精度的目标检测及事件识别。