專利名稱：一種基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法
技術(shù)領(lǐng)域：
本發(fā)明屬于目標(biāo)檢測(cè)技術(shù)領(lǐng)域，特別是一種基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法。
背景技術(shù)：
目標(biāo)的檢測(cè)識(shí)別方法很多，大致可分為基于區(qū)域的模板匹配檢測(cè)方法和基于特征的匹配檢測(cè)方法。基于區(qū)域的圖像模板匹配能利用目標(biāo)圖像中的所有信息，對(duì)目標(biāo)對(duì)象的識(shí)別能力強(qiáng)、精度高，但對(duì)旋轉(zhuǎn)和縮放(非本質(zhì)變化)目標(biāo)圖像的識(shí)別能力較差。圖像特征匹配具有穩(wěn)定性好、易于實(shí)現(xiàn)、匹配效率高、對(duì)圖像的旋轉(zhuǎn)和縮放小敏感、抗噪性能好等特點(diǎn)，但是計(jì)算量大，檢測(cè)效果與選取的特征直接相關(guān)。Boosting 方法是由 Freund 和 Schapire 在 1990 年提出的(1.Schapire R E.The Strength of Weak Learnability[J].Machine Learning, 1990, 5(2): 197-227.),是提高預(yù)測(cè)學(xué)習(xí)系統(tǒng)的預(yù)測(cè)能力的有效工具之一，它試圖提供一種提升學(xué)習(xí)算法精度的普遍方法。隨后，F(xiàn)reund提出了一種效率更高的Boosting算法(2.Freund Y.Boostinga weak Learning Algorithm by Majority[J].1nformation and Computation 1995,121 (2): 256-285.)。1995· 年，F(xiàn)reund 和 Schapire 提出了 AdaBoost 算法(3.Freund Y.,Schapire R.Ε..A Decision-Theoretic Generalization of On-Line Learning andan Application to Boosting[J].Journal of Computer and System Sciences, 1995,55(1): 119-139.)，AdaBoost算法是Boosting家族的代表算法，它本身是通過改變數(shù)據(jù)分布來實(shí)現(xiàn)的。它根據(jù)每輪訓(xùn)練中每個(gè)樣本的分類是否正確，以及上輪的總體分類準(zhǔn)確率，來確定每個(gè)樣本的權(quán)值。將每次訓(xùn)練得到的弱分類器融合起來，作為最后的決策分類器。AdaBoost算法提出后在機(jī)器學(xué)習(xí)領(lǐng)域受到了極大的關(guān)注，實(shí)驗(yàn)結(jié)果顯示無(wú)論是應(yīng)用于人造數(shù)據(jù)還是真實(shí)數(shù)據(jù)，AdaBoost都能顯著提高學(xué)習(xí)精度。該類方法雖然實(shí)時(shí)性較好，識(shí)別率高且誤識(shí)別率低，但是該類方法訓(xùn)練樣本時(shí)，一旦選擇好弱分類器，弱分類器內(nèi)部結(jié)構(gòu)就不再變化，無(wú)法減小性能差(正確率低、誤檢率高)的弱分類器對(duì)最終檢測(cè)的影響，且訓(xùn)練樣本非常大時(shí)，訓(xùn)練弱分類器所需時(shí)間過長(zhǎng)。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法，從而減小性能差的弱分類器對(duì)最終檢測(cè)的影響，提高場(chǎng)景分類的正確率和降低誤檢率。實(shí)現(xiàn)本發(fā)明目的的技術(shù)解決方案為:一種基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法，包括以下步驟:步驟一:訓(xùn)練弱分類器，通過加權(quán)訓(xùn)練樣本決定訓(xùn)練的弱分類器的融合權(quán)重，每個(gè)弱分類器對(duì)輸入樣本輸出一個(gè)弱假設(shè)，所有弱分類器組成一個(gè)強(qiáng)分類器并輸出最終結(jié)果；步驟二:對(duì)弱分類器進(jìn)行內(nèi)部結(jié)構(gòu)調(diào)整，每個(gè)弱分類器的調(diào)整是由一個(gè)調(diào)整向量β和一個(gè)偏移向量Π決定的，它們的維數(shù)都是IXN維，N為多級(jí)弱分類器的數(shù)目，按
權(quán)利要求
1.一種基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法，其特征在于包括以下步驟: 步驟一:訓(xùn)練弱分類器，通過加權(quán)訓(xùn)練樣本決定訓(xùn)練的弱分類器的融合權(quán)重，每個(gè)弱分類器對(duì)輸入樣本輸出一個(gè)弱假設(shè)，所有弱分類器組成一個(gè)強(qiáng)分類器并輸出最終結(jié)果； 步驟二:對(duì)弱分類器進(jìn)行內(nèi)部結(jié)構(gòu)調(diào)整，每個(gè)弱分類器的調(diào)整是由一個(gè)調(diào)整向量β和一個(gè)偏移向量η決定的，它們的維數(shù)都是IXN維，N為多級(jí)弱分類器的數(shù)目，按Ir (-V, y) = P- (H； (-V) - n- ),JE7 = {1,.. N}進(jìn)行調(diào)整； 步驟三:對(duì)內(nèi)部結(jié)構(gòu)調(diào)整后的弱分類器進(jìn)行最佳參數(shù)選擇，利用遺傳算法來選取最佳參數(shù)； 步驟四:調(diào)整過的弱分類器進(jìn)行驗(yàn)證，即滿足一個(gè)設(shè)定的閾值，具體為對(duì)于m個(gè)樣本，調(diào)整驗(yàn)證計(jì)算方式如下:
2.根據(jù)權(quán)利要求1所述的基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法，特征在于步驟一中，弱分類器訓(xùn)練的步驟為:首先，給定訓(xùn)練數(shù)據(jù)集 D=Kx1, Y1), (x2, y2),…，(xm, ym)} Xi e X，yi e ={1,..., k}, X 代表樣本空間，Y代表類別標(biāo)簽，m為樣本數(shù)量，k為類別數(shù)量；其次，給所有的訓(xùn)練樣本賦予相同的權(quán)值，第t輪迭代過程中的權(quán)值分布為Dt，初始化權(quán)值D1(I)=IAi，第一次迭代時(shí)每個(gè)樣本的權(quán)值都為Ι/m ;在訓(xùn)練數(shù)據(jù)集和初始權(quán)值D1Q)下訓(xùn)練，得到一個(gè)弱假設(shè)ht:X —Y，X代表樣本空間，Y代表類別標(biāo)簽，t為當(dāng)前迭代輪數(shù)；然后使用訓(xùn)練數(shù)據(jù)測(cè)試ht，計(jì)算ht的錯(cuò)誤率ε t= Σ Dt⑴[ht (Xi) Φ Yi]，如果ε t > 1/2，則T=t_l，退出循環(huán)；設(shè)ht的權(quán)重為:a t= ε t/(l_ ε t)，根據(jù)公式
3.根據(jù)權(quán)利要求1所述的基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法，特征在于步驟二中的內(nèi)部結(jié)構(gòu)調(diào)整方法為:最終的分類器由M個(gè)強(qiáng)分類器級(jí)聯(lián)組成，每個(gè)強(qiáng)分類器由N個(gè)弱分類器組成， i f〉代表第q級(jí)強(qiáng)分類器對(duì)輸入樣本的響應(yīng)向量，< 代表第q級(jí)強(qiáng)分類器中相對(duì)應(yīng)的第k級(jí)弱分類器對(duì)輸入樣本的響應(yīng)，其中，q=l，一，M，k=l, - ,N, Ck代表每個(gè)強(qiáng)分類器中的第k級(jí)弱分類器，內(nèi)部結(jié)構(gòu)調(diào)整向量八…最佳偏移向量%=〈<...，<〉，假設(shè)ht(x，y)是第t級(jí)內(nèi)部結(jié)構(gòu)調(diào)整過的弱分類器的分類， =1，...，Μ，則
4.根據(jù)權(quán)利要求1所述的基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法，特征在于步驟三中利用遺傳算法來選取最佳參數(shù)，設(shè)定調(diào)整向量β的范圍為
，偏移向量η的范圍為[-0.2，0.2]，具體實(shí)現(xiàn)步驟如下: (1)初始化遺傳算法參數(shù)，交叉概率Pc=0.8，變異概率Pm=0.05，群體大小Ps=400，最大迭代次數(shù)Im=50000，最小誤差變化Em=10_6，初始進(jìn)化種群代數(shù)t=l ； (2)生成Ps個(gè)體，并編碼成染色體； (3)根據(jù)方程
全文摘要
本發(fā)明公開了一種基于AdaBoost的弱分類器內(nèi)部結(jié)構(gòu)調(diào)整方法，首先是訓(xùn)練弱分類器，通過加權(quán)訓(xùn)練樣本決定訓(xùn)練的弱分類器的融合權(quán)重，每個(gè)弱分類器對(duì)輸入樣本輸出一個(gè)弱假設(shè)，所有弱分類器組成一個(gè)強(qiáng)分類器并輸出最終結(jié)果；其次是內(nèi)部結(jié)構(gòu)調(diào)整、最佳弱分類器參數(shù)選擇和調(diào)整驗(yàn)證，然后利用遺傳算法來解決最優(yōu)化問題，最后是訓(xùn)練樣本重新加權(quán)，根據(jù)訓(xùn)練樣本的錯(cuò)誤率高低來重新確定樣本的權(quán)重。本發(fā)明在場(chǎng)景分類問題上有非常好的表現(xiàn)，分辨率高，誤判率低。
文檔編號(hào)G06K9/66GK103246897SQ20131020533
公開日2013年8月14日 申請(qǐng)日期2013年5月27日 優(yōu)先權(quán)日2013年5月27日
發(fā)明者錢惟賢, 楊力, 胡楷, 周霞, 任建樂, 顧國(guó)華, 陳錢, 路東明, 隋修寶 申請(qǐng)人:南京理工大學(xué)