[發明專利]基于差分進化算法-深度森林算法的廢舊手機識別方法

在審

• 申請號: 202011235020.9
• 申請日: 2020-11-08
• 公開（公告）號: CN113298107A
• 公開（公告）日: 2021-08-24
• 發明（設計）人: 湯健;王子軒;崔城瑜;喬俊飛
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 吳蔭芳

1.一種基于差分進化算法-深度森林算法的廢舊手機識別方法，其特征在于，包括以下步驟：

步驟1、基于經驗選擇多尺度特征參數和對識別結果影響較大的DF參數作為尋優對象；

步驟2、將DF廢舊手機識別準確率作為適應度函數，通過DE算法找出上述尋優對象的最優解集；

步驟3、將尋優所得最優參數集應用于手機識別模型中進行識別。

2.如權利要求1所述基于差分進化算法-深度森林算法的廢舊手機識別方法，其特征在于，首先，DE對多尺度特征提取參數和DF識別過程所用參數Win¹,Win²,J,M^j進行編碼；接著，初始化DE算法參數NP,F,CR；DE算法中種群將根據解碼后的結果，將各參數值傳入DF模型并根據訓練集數據獲得適應度函數f_acc；最后，DE算法多次迭代“變異”，“交叉”，“選擇”步驟，獲得多尺度特征DF模型最優參數集J_best,

3.如權利要求2所述基于差分進化算法-深度森林算法的廢舊手機識別方法，其特征在于，以廢舊手機識別準確率f_acc為適應度函數，當前染色體的DF識別率表示為

其中，F_UMPR(·)表示多尺度DF手機識別模型，

種群解碼后將每條染色體中的數據傳入DF模型中，DF模型會根據輸入的訓練集Z_train獲得當前參數下的模型準確率；

計算當前參數適合度后，將根據f_acc劃分為兩種情況。若f_acc滿足設定條件，則得出最優參數集合，結束差分進化過程；若不滿足設定條件則進入DE算法進行尋優，DE進化操作如下所示：

①.變異：使用DE/current-to-best/1作為DE算法的變異算子，該算子表達式如下所示：

V_i(t)＝W_i(t)+F(W_best(t)-W_i(t))+F(W_r1(t)-W_r2(t))

其中，W_r1,W_r2表示當前種群染色體組{W₁,W₂,…,W_i,…,W_NP}中隨機選擇的兩條染色體，W_best表示當前表現最優的染色體；

②.交叉：第t代種群第i條新染色體U_i(t)＝{u_i,1(t),u_i,1(t)…u_i,5(t)}根據變異前后第i條染色體各變量交叉獲得。交叉規則如下式：

其中，k_rand是在[1,5]區間內隨機生成的整數，當前交叉概率小于設定的CR值或參數編號k與k_rand相同才進行交叉操作，否則保持原變量值；

③.選擇：將DF識別準確率作為評價父代W_i(t)和子代U_i(t)的適應度函數，根據優勝劣汰的原則，選擇父代和子代中適應度高的個體傳入下一代種群，即：

。

4.如權利要求3所述基于差分進化算法-深度森林算法的廢舊手機識別方法，其特征在于，

在種群染色體執行進化操作后，DE將根據當前最優染色體的適應度值和規定的最大迭代次數判斷是否終止進化操作；進化操作多次迭代后，DE算法將獲得最優解集J_best,將訓練數據Z_train和測試數據Z_test以及最終參數輸入DF模型，得到訓練集的正確率和測試集的正確率

DF手機識別模型對手機進行識別過程將分為圖像剪裁、多尺度HOG特征提取、DF模型識別三個部分，具體過程如下：

①圖像剪裁

初始化背景區域和前景區域高斯混合模型(GMM)，用戶通過設定矩形框，將矩形框外像素設置為背景T_b，矩形框內像素設置為待定像素T_u；初始化T_b內所有像素點α_n設定標簽為0，T_u內所有像素點α_n設定標簽為1；通過k-means聚類分別把屬于目標和背景的像素聚類為K類，即GMM中的K個高斯模型，混合高斯模型概率D(α)計算公式如下所示:

其中，α表示當前手機圖片像素RGB三通道向量，π_j表示第j個高斯分量的權重，g_j表示第j個高斯模型的概率模型公式，μ_j表示第j個高斯分量的均值向量，∑_j表示協方差矩陣(|∑_j|表示模值，表示協方差逆矩陣)，D表示數據維度；

對圖像中每個像素分配GMM模型的高斯分量，針對給定數據集學習GMM參數，通過最小能量得到初始前景背景分割，多次迭代后完成對前景像素點提取，獲得只含手機信息的圖像數據集X_grabcut；

基于邊界跟蹤的數字化二值圖像拓撲結構分析對手機圖像輪廓進行檢測，并標記輪廓坐標。首先將數據圖像進行二值化處理，將黑白手機圖片原始邊界標記為0，接著從圖片邊界開始查找非0像素，將最先尋找到的非0像素標記為外輪廓；

最后對X_grabcut進行剪裁，去除無關區域，獲取手機圖像數據集X'；

②多尺度HOG特征提取：

根據上述DE尋優過程，最佳多尺度HOG特征由表示；

③DF識別模型：

DF模型的核心思想是利用級聯森林(決策樹集成)方法生成模型，該模型由多粒度掃描(Multi-Grained Scanning)和級聯森林(Cascade Forest)兩部分構成；

(1)多粒度掃描

以HOG特征提取后的序列數據為例，假設輸入特征是720維，掃描窗口大小是10維，可得到711個10維的特征向量，其中：每個10維的特征向量對應一個6分類的類向量，即得到711個6維類向量，最終每個森林得到4266維的衍生特征變量，隨機森林特征拼接后得到級聯森林輸入特征其中，k由掃描窗口數量決定；

(2)級聯森林

級聯森林是DF模型中的核心部分，每層級聯森林由若干決策樹森林構成，在級聯森模型中每層森林由兩個極端隨機森林和兩個普通隨機森林構成；

首先，訓練樣本通過10折交叉驗證對第一層級聯森林中各隨機森林進行訓練，每個隨機森林會輸出一個預測類別概率向量；接著，第一層中所有森林輸出的類別概率向量與原始輸入特征向量拼接后作為級聯森林下一層的輸入特征，每層結束后都會通過測試集對當前識別準確率ACC₁進行檢測，若ACC₁增長小于前一層識別準確率ACC₀則停止生成下一層級聯森林。