[發(fā)明專利]一種基于AdaBoost的弱分類器內(nèi)部結構調(diào)整方法

有效

• 申請?zhí)枺?/td>: 201310205336.7
• 申請日: 2013-05-27
• 公開（公告）號: CN103246897A
• 公開（公告）日: 2013-08-14
• 發(fā)明（設計）人: 錢惟賢;楊力;胡楷;周霞;任建樂;顧國華;陳錢;路東明;隋修寶
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 唐代盛

技術領域

本發(fā)明屬于目標檢測技術領域，特別是一種基于AdaBoost的弱分類器內(nèi)部結構調(diào)整方法。

背景技術

目標的檢測識別方法很多，大致可分為基于區(qū)域的模板匹配檢測方法和基于特征的匹配檢測方法?；趨^(qū)域的圖像模板匹配能利用目標圖像中的所有信息，對目標對象的識別能力強、精度高，但對旋轉和縮放(非本質變化)目標圖像的識別能力較差。圖像特征匹配具有穩(wěn)定性好、易于實現(xiàn)、匹配效率高、對圖像的旋轉和縮放小敏感、抗噪性能好等特點，但是計算量大，檢測效果與選取的特征直接相關。

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?Leaming,1990,5(2):?197-227.)，是提高預測學習系統(tǒng)的預測能力的有效工具之一，它試圖提供一種提升學習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.?Boosting?a?weak?Learning?Algorithm?by?Majority[J].?Information?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.?E..?A?Decision-Theoretic?Generalization?of?On-Line?Learning?and?an?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)分布來實現(xiàn)的。它根據(jù)每輪訓練中每個樣本的分類是否正確，以及上輪的總體分類準確率，來確定每個樣本的權值。將每次訓練得到的弱分類器融合起來，作為最后的決策分類器。AdaBoost算法提出后在機器學習領域受到了極大的關注，實驗結果顯示無論是應用于人造數(shù)據(jù)還是真實數(shù)據(jù)，AdaBoost都能顯著提高學習精度。該類方法雖然實時性較好,?識別率高且誤識別率低,?但是該類方法訓練樣本時,一旦選擇好弱分類器，弱分類器內(nèi)部結構就不再變化，無法減小性能差（正確率低、誤檢率高）的弱分類器對最終檢測的影響，且訓練樣本非常大時，訓練弱分類器所需時間過長。

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)部結構調(diào)整方法，從而減小性能差的弱分類器對最終檢測的影響，提高場景分類的正確率和降低誤檢率。

實現(xiàn)本發(fā)明目的的技術解決方案為：一種基于AdaBoost的弱分類器內(nèi)部結構調(diào)整方法，包括以下步驟：

步驟一：訓練弱分類器，通過加權訓練樣本決定訓練的弱分類器的融合權重，每個弱分類器對輸入樣本輸出一個弱假設，所有弱分類器組成一個強分類器并輸出最終結果；

步驟二：對弱分類器進行內(nèi)部結構調(diào)整，每個弱分類器的調(diào)整是由一個調(diào)整向量β和一個偏移向量η決定的，它們的維數(shù)都是1×N維，N為多級弱分類器的數(shù)目，按ht(x,y)=βty(Rty(x)-ηty),y∈Y={1,...,N}]]>進行調(diào)整；