[發明專利]基于AdaBoost算法的絕緣子圖像識別方法

有效

• 申請號: 201410244819.2
• 申請日: 2014-06-05
• 公開（公告）號: CN104021394B
• 公開（公告）日: 2017-12-01
• 發明（設計）人: 翟永杰;伍洋;程海燕;于金生;王迪
• 申請（專利權）人: 華北電力大學（保定）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66
• 代理公司: 北京中海智圣知識產權代理有限公司11282
• 代理人: 楊樹芬

1.基于AdaBoost算法的絕緣子圖像識別方法，其特征在于，采用AdaBoost算法的同時進行特征的選擇和分類器的訓練；

所述AdaBoost算法采用了擴大檢測窗口的方法，在檢測的最初，檢測窗口和樣本大小一致，然后按照一定的尺度參數進行移動，遍歷整個圖像，標出可能的目標區域，遍歷完以后，按照指定的放大的倍數參數放大檢測窗口，然后再進行一次圖像遍歷；這樣不停的放大檢測窗口對檢測圖像進行遍歷，直到檢測窗口超過原圖像的一半以后停止遍歷；AdaBoost算法是一種樣本權重的迭代更新過程，可以將一組弱分類器自適應地提升為強分類器，為每個訓練樣本引入一個權重，訓練通過迭代過程實現；每次迭代訓練一弱分類器，使其在當前的權重分布下錯誤率最低；每次迭代結束后增大分類錯誤樣本的權重，降低分類正確樣本的權重，從而使得下次迭代弱分類器的選擇更加重視錯誤的樣本，具體步驟如下：

(1)初始化每個樣本的權值，S代表樣本空間訓練集，x_i表示第i個樣本的樣本空間，y_i表示第i個樣本的類別標識集合，D_t表示第t輪訓練后的樣本分布，對每一個(x_i,y_i)∈S，令D_t＝(x_i,y_i)＝1/N,i＝1,2,...,N，表示初始的樣本分布為均勻分布；

(2)對于第i個樣本空間x_i，選擇弱分類器，以h表示，h_t表示第t輪訓練后產生的弱分類器，即

ht(xi)=1,λixi<λiθi0,λixi≥λiθi]]>

式中：閾值θ_i一般取第i個樣本所屬特征類的特征值的中值，λ_i∈{-1,1}表示第i個樣本不等號的偏置方向，根據第t輪訓練后產生的樣本權重分布D_t進行學習，獲得該輪的弱分類器h_t，計算錯誤率ε_t，即ε_t＝∑D_t(x_i,y_i)，若ε_t＜0.5，令α_t滿足：α_t是第t輪訓練后產生的弱分類器h_t(x)的性能評價因子；若ε_t≥0.5，刪除本輪生成的弱分類器，t＝t+1，返回(1)；

(3)更新樣本權值，

Dt+1(xi,yi)=Dt(xi,yi)e-αtyiht(xi)Zt]]>

式中：Z_t是第t輪訓練后產生的歸一化因子，歸一化使得

(4)輸出強分類器

H(x)=sgn[Σt=1Tαtht(x)]]]>

式中，H(x)代表樣本x強分類器，α_t是第t輪訓練后產生的弱分類器h_t(x)的性能評價因子，由弱分類器h_t(x)作用于樣本集產生的分類錯誤的樣本權重之和ε_t來決定，α_t是ε_t的減函數，ε_t越小，則h_t(x)的重要性越大，強分類器H(x)由所有的弱分類器h₁(x),h₂(x),...,h_T(x)通過加權求和得到，即這個強分類器對待一幅待檢測圖像時，相當于讓所有弱分類器投票，再對投票結果按照弱分類器的錯誤率加權求和，將投票加權求和的結果與平均投票結果比較得出最后的結果。