[發(fā)明專利]基于稀疏提升集成分類器的火星探測器軟著陸過程中隕石坑的檢測方法

有效

• 申請?zhí)枺?/td>: 201510089099.1
• 申請日: 2015-02-27
• 公開（公告）號: CN104700115B
• 公開（公告）日: 2017-12-05
• 發(fā)明（設計）人: 王巖;楊剛;郭雷
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京慧泉知識產權代理有限公司11232
• 代理人: 王順榮,唐愛華

1.基于稀疏提升集成分類器的火星探測器軟著陸過程中隕石坑的檢測方法，其特征在于：該方法包括以下步驟：

步驟1.確定候選隕石坑

確定候選隕石坑的關鍵在于將圖像上的隕石坑看作具有明亮和陰暗區(qū)域的一對月牙，每對月牙的形狀通過基于數學形態(tài)學的形狀檢測方法從圖像中確定,能匹配的月牙作為候選的隕石坑；在候選隕石坑的構建過程中首先要輸入一張全色圖像，其包含了明亮和陰暗特征區(qū)域，明亮和陰暗區(qū)域并行處理，通過使用原始圖像處理明亮區(qū)域，而使用倒置的圖像來處理陰暗區(qū)域，這種方法的目標是為了消除所有無法指示為隕石坑的噪聲特征，而只保留明亮和陰暗特征，剩下的明亮和陰暗特征區(qū)域彼此匹配，將這些區(qū)域標注好，作為隕石坑的候選區(qū)域；

步驟2.候選隕石坑紋理特征抽取

為了從矩形特征方面來表達一個候選隕石坑，首先抽取每個候選隕石坑周圍的方形圖像塊，在實驗中，為了包含周圍隕石坑的邊緣，使用候選隕石坑大小的兩倍的遮蓋，每個候選隕石坑未知的紋理特征使用9種不同大小的方形遮蓋來編碼，因此，一張圖像所包含的候選隕石坑的屬性通過紋理特征來描述；這些特征并不相互獨立；

步驟3.對抽取的紋理特征進行特征選擇

根據初步抽取的候選隕石坑紋理特征，由于特征數據的高維性，因此將訓練樣本和測試樣本輸入分類器前，必須進行特征選擇；利用步驟4設計的SparseBoost算法進行特征選擇，其與AdaBoost算法的最大區(qū)別在于，前者是在每一次迭代過程中僅選取一個最優(yōu)的特征，而后者利用整個特征集；

步驟4.將Boost算法與稀疏核密度估計算法RSDE-WL1結合，設計了稀疏提升集成分類器，以實現(xiàn)對基于圖像的隕石坑的快速檢測；

根據所選擇的候選隕石坑紋理特征，為了區(qū)分其中隕石坑和非隕石坑，設計了一種監(jiān)督學習分類算法——SparseBoost算法；該方法結合Boost算法和一種改進的稀疏核密度估計算法即RSDE-WL1，在選擇特征子集的同時，構造復數個稀疏核密度估計器用于相應基分類器的設計，通過基分類器的加權組合，最終實現(xiàn)集成分類器；

給定n個候選隕石坑(x₁,y₁),(x₂,y₂),...,(x_i,y_i),...,(x_n,y_n)，其中y_i＝0,1,i＝1,2,...,n分別對應著非隕石坑和隕石坑實例，n₀和n₁分別對應著非隕石坑和隕石坑實例的數目，n₀+n₁＝n；每一個候選隕石坑表示為一個特征向量x＝(f₁,f₂,...,f_i,...,f_m)^T，其中每一個特征f_i,i＝1,...,m是由候選隕石坑上某一特定位置的方形遮蓋產生，利用SparseBoost算法產生一系列弱分類器h_t(x)，通過加權提升方法將弱分類器進行組合建立一個強集成分類器；在迭代開始之前，先初始化n個候選隕石坑的權重，對于第i個候選隕石坑，如果y_i＝0，則w_i＝1/2n₀；如果y_i＝1，則w_i＝1/2n₁；

在每次迭代過程中，需要實現(xiàn)以下三個核心的步驟：弱分類器學習、最優(yōu)特征選擇和下一次迭代過程樣本權重更新；其中，在弱分類器學習過程中，對壓縮集密度估計算法即RSDE加入懲罰項，得到改進的稀疏核密度估計算法RSDE-WL1，利用RSDE-WL1算法對每一種類別屬性估計其密度函數，根據貝葉斯決策規(guī)則對輸入的樣本進行分類，從而得到弱分類器；

(1)弱分類器學習

在第t次迭代過程中，針對選取的單個最優(yōu)特征f∈{f₁,f₂,...,f_m}構建的弱分類器h_t(x)，通過構建貝葉斯分類器來實現(xiàn)；一般對于貝葉斯分類問題，期望估計給定輸入樣本x下類別的后驗概率密度；為了獲得一個關于密度估計的概率分類器，首先為每一種類別屬性c訓練一個密度估計器然后運用貝葉斯規(guī)則(2)計算后驗概率，最終測試樣本被分配給具有最大后驗概率的類別屬性；

p^(c|x;β)=p^(x;β|c)p(c)Σc′p^(x;β|c′)p(c′)---(1)]]>

對于二類分類問題，首先估計兩個在給定類別下的條件概率密度和這兩個密度通過稀疏核密度估計RSDE-WL1得到；根據公式(1)，計算相應的后驗概率和根據每一種類別屬性的樣本數量，計算先驗概率p(c₀)和p(c₁)，其中p(c₀)+p(c₁)＝1；最后利用貝葉斯決策規(guī)則(2)對輸入的樣本進行分類

ifp^(x;βn1,h1|c1)p(c1)≥p^(x;βn0,h0|c0)p(c0),x∈c1elsex∈c0---(2)]]>

因此，弱分類器h_t(x)的表達式為

ht(x)=1ifp^(x;βn1,h1|c1)p(c1)≥p^(x;βn0,h0|c0)p(c0)0otherwise---(3)]]>

其中和的稀疏表達分別為

p^(x;βn0,h0|c0)=Σk=1m0βkKh0(x,xk)---(4)]]>

p^(x;βn1,h1|c1)=Σk=1m1βkKh1(x,xk)---(5)]]>

m₀和m₁分別為兩種類別下稀疏核密度估計RSDE-WL1所得的非零核權值的個數，通常m₀＜＜n₀和m₁＜＜n₁；

其中，稀疏核密度估計RSDE-WL1的簡單實現(xiàn)過程如下：

首先介紹壓縮集密度估計即RSDE算法，RSDE基于經驗平均積分平方誤差ISE準則，以全回歸矩陣為基礎，使盡可能多的核權值趨于0，從而得到密度p(x)的稀疏表達式，明確地說，帶有高斯核的RSDE估計，其核權值向量能夠通過最小化積分平方誤差得到，如下所示

其中項由于其與參數β無關，不予考慮，E_p(x){·}表示關于密度p(x)的期望；將核密度估計表達式代入式(6)，經過系列變換，得到等效的帶約束非負二次優(yōu)化問題

β=argminβ{12βNTCNβN-P^NTβN}---(7)]]>

約束條件β_k≥0,1≤k≤N和其中矩陣和是在每個樣本點的Parzen窗估計值向量；

為了降低權值系數在某些區(qū)域的聚集程度和提高密度估計的稀疏度，引入權值系數的加權l(xiāng)₁范數作為懲罰項，得到改進的稀疏核密度估計算法RSDE-WL1；也叫做正則化項，其中為對角矩陣，定義w＝[w₁,w₂,...,w_N]^T，β_N＝[β₁,β₂,...,β_N]^T，加入懲罰項后的新的二次優(yōu)化問題為

β=argminβ{12βNTCNβN-P^NTβN+λwTβN}=argminβ{12βNTCNβN-(P^N-λw)TβN}---(8)]]>

注意到問題(8)是非凸的，利用一種迭代算法求解上述問題得到權值系數的稀疏解；

(2)最優(yōu)特征選擇

計算弱分類器h_t(x)的加權誤差總和，選擇滿足最小誤差的單個最優(yōu)特征f^t用于構建當前迭代的最優(yōu)弱分類器

ft=argminfΣi=1nwit|h(xi,f)-yi|---(9)]]>

h_t(x)＝h(x,f^t)(10)

(3)下一次迭代過程樣本權重更新

SparseBoost算法結合了AdaBoost算法中當前樣本權重與過去所選特征的分類結果有關這一信息；實現(xiàn)過程中，加大被錯誤分類的樣本權重，而減小被正確分類的樣本權重；在計算加權誤差總和時，被錯誤分類的樣本更可能在下一次迭代過程被選中，權重更新表達式如下

wit+1=witγt1-|ht(xi)-yi|---(11)]]>

設置

γ_t＝ε_t/1-ε_t(12)

其中ε_t是弱分類器h_t(x)的分類誤差：

ϵt=Σi=1nwit|ht(xi)-yi|---(13)]]>

同時，為使權重w^t+1滿足概率分布，需要對更新后的權重進行標準化，標準化公式如下:

在經過T次迭代后，得到SparseBoost算法的最終輸出：由弱分類器加權組成的強分類器h(x)：

h(x)=1ifΣt=1Tαtht(x)≥μΣt=1Tαt,0otherwise---(15)]]>

其中α_t＝ln(1/γ_t)，μ是給定的閾值，μ取0.5。