[發(fā)明專利]一種基于Ransac算法的魯棒AdaBoost分類器構(gòu)建方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201711353247.1
• 申請(qǐng)日: 2017-12-15
• 公開（公告）號(hào): CN108090512A
• 公開（公告）日: 2018-05-29
• 發(fā)明（設(shè)計(jì)）人: 羅宇;黃文超;吳家慧;李文琪
• 申請(qǐng)（專利權(quán)）人: 佛山市厚德眾創(chuàng)科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 佛山幫專知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44387
• 代理人: 顏春艷

本發(fā)明提出了一種基于Ransac算法的魯棒AdaBoost分類器構(gòu)建方法，包括以下步驟：根據(jù)Ransac算法，構(gòu)建立樣本子集；抽取樣本；利用AdaBoost算法訓(xùn)練強(qiáng)分類器；計(jì)算分類模型對(duì)應(yīng)分類精度；構(gòu)建分類器模型Ci；判斷滿足該新構(gòu)建分類器模型的全部訓(xùn)練樣本；重復(fù)上述步驟，直到基于Ransac算法估計(jì)下的一個(gè)模型Ci和其對(duì)應(yīng)的一致集；判斷已建立的不同分類器模型數(shù)量是否已超過(guò)Nmax；確定為最終選取的分類器模型，計(jì)算對(duì)應(yīng)分類精度。本發(fā)明構(gòu)建方法由含有外點(diǎn)的樣本建立了最佳的分類器模型，并且利用Ransac算法的迭代過(guò)程去除了外點(diǎn)對(duì)分類器模型構(gòu)建的影響。

技術(shù)領(lǐng)域

本發(fā)明涉及魯棒分類器技術(shù)領(lǐng)域，具體涉及一種基于Ransac算法的魯棒AdaBoost分類器構(gòu)建方法。

背景技術(shù)

AdaBoost一詞是來(lái)源于Adaptive Boosting(自適應(yīng)增強(qiáng))的縮寫，是由YoavFreund和Robert Schapire提出的機(jī)器學(xué)習(xí)元算法，它的設(shè)計(jì)指導(dǎo)原則是確保當(dāng)前訓(xùn)練樣本有最高分類精度。通過(guò)將不同的弱分類器(這里所謂的弱分類器是指分類精度稍稍好于隨機(jī)猜測(cè))合理的組合起來(lái)，形成強(qiáng)分類器，盡管每個(gè)弱分類器的分類精度不高，但最終的強(qiáng)分類器在分類性能上會(huì)得到巨大提升。AdaBoost算法在某種意義上講是自適應(yīng)的，通過(guò)調(diào)整之前被弱分類器錯(cuò)分樣本的權(quán)值，提高后續(xù)弱分類器對(duì)錯(cuò)分樣本的重視程度，實(shí)現(xiàn)最終分類器模型的設(shè)計(jì)。正是基于此，合理的設(shè)計(jì)一組弱分類器，可以組合成強(qiáng)分類器，獲得一個(gè)整體上令人滿意的分類精度。但是，像任何事情都具有兩面性一樣，盡管AdaBoost算法優(yōu)點(diǎn)眾多，但其對(duì)外點(diǎn)敏感，在一些情況下更容易受此影響而導(dǎo)致分類器整體性能的降級(jí)、失效。這是因?yàn)椴粩鄬?duì)不能正確分類的樣本進(jìn)行加權(quán)，尤其是對(duì)外點(diǎn)的不斷加權(quán)，使得外點(diǎn)的權(quán)值過(guò)快增長(zhǎng)。過(guò)大的外點(diǎn)權(quán)值會(huì)引起分類器算法不斷向外點(diǎn)偏離，進(jìn)而背離大部分正常樣本，不可避免的會(huì)造成所設(shè)計(jì)分類器模型的降級(jí)。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于Ransac算法的魯棒AdaBoost分類器構(gòu)建方法，去除潛在外點(diǎn)。

本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：一種基于Ransac算法的魯棒AdaBoost分類器構(gòu)建方法，包括以下步驟：

(1)根據(jù)Ransac算法，設(shè)置每次初始構(gòu)建分類器的樣本子集為R，樣本個(gè)數(shù)為n；

(2)從訓(xùn)練樣本集中隨機(jī)抽取n個(gè)樣本，作為樣本子集R；

(3)基于這些樣本，利用AdaBoost算法訓(xùn)練強(qiáng)分類器，使得分類器模型最符合當(dāng)前樣本；

(4)基于AdaBoost算法用新構(gòu)建的分類器模型Ci分類剩余的樣本，并計(jì)算分類模型對(duì)應(yīng)分類精度；

(5)用所有這些正確的樣本重新基AdaBoost算法構(gòu)建分類器模型Ci；

(6)用這個(gè)新構(gòu)建的分類器模型再次判斷滿足該新構(gòu)建分類器模型的全部訓(xùn)練樣本，即樣本子集為R的一致集，并更新當(dāng)前迭代次數(shù)j＝j(luò)+1；

(7)重復(fù)上述步驟4到步驟6直到滿足分類器模型Ci的樣本數(shù)量m不再增加或迭代次數(shù)已經(jīng)超過(guò)了Tmax，則這m個(gè)樣本構(gòu)成內(nèi)點(diǎn)集，重新訓(xùn)練分類器模型，至此可以獲得基于Ransac算法估計(jì)下的一個(gè)模型Ci和其對(duì)應(yīng)的一致集；

(8)更新i＝i+1，判斷已建立的不同分類器模型數(shù)量是否已超過(guò)Nmax，如未超過(guò)轉(zhuǎn)回步驟(2)；