[发明专利]用于动态视觉的基于流形正则化的半监督分类器设计方法

说明书

技术领域

本发明属于机器视觉领域，是涉及一种用于动态视觉信息分类的分类器设计方法。

背景技术

随着模式识别和机器学习技术的发展，机器视觉在现实生活中的应用越来越多。其主要方法是利用摄像头来获取动态的视频信息，然后利用计算机来模拟人的视觉功能，对采集的视觉信息进行处理并且加以理解。因为机器视觉具有处理速度快，信息量大等特点，使其在身份认证，物体的检测和识别，机器人，以及汽车的辅助驾驶系统中有着广泛的应用。

目前动态视觉在跟踪和识别领域已经有了很大的发展。从机器视觉的应用作为一个光机电一体的实际应用来看，成功与否的决定因素从来都是一个综合实力的评估。随着硬件技术的飞速发展，如今在机器视觉上的竞争焦点已经不再局限于硬件本身，而是更多的转向与之搭配的软件或者算法。纵观绝大多数动态视觉识别和跟踪的技术产品，在售出的时，动态视觉产品所使用环境，功能都已经固化其中很难再更改。如果用户想根据自身所处的环境，和对特定的目标进行识别和跟踪是很难实现的。同时，采集用于训练分类器所需要的正、负类的数据样本是一项繁琐和困难的任务，由产品的用户来在短时间内指定许多带有类别信息的样本是一件不方便也不现实的事情。

传统的基于流形正则化的半监督分类方法(Manifold basedregularization method)可以利用少数的带有类别信息的样本和很多无类别信息的样本来构造分类器。用户在使用该分类器时，只需要指定若干正类别样本和负类别样本，然后由计算机随机采样得到许多无指定类别信息的样本即可进行分类器的构造，与此同时，分类器的效果可以得到显著地提高。但是现有的流形正则化半监督分类方法对分类器的连续性正则项的定义并不是最优的。并且是求解分类器时的优化问题是基于2范数，不能够保证解的稀疏性(Sparsity)，即分类器的稀疏性，这对分类器在实际应用时的速度是一个制约。

发明内容

(一)要解决的问题

本发明的目的在于解决现有技术求解分类器的优化问题是基于2范数，不能够保证分类器的稀疏性，影响实际应用分类器的速度的问题，为此，本发明提供一种用于动态视觉的基于流形正则化的半监督分类器设计方法。

(二)技术方案

为达到上述目的，本发明提供用于动态视觉的基于流形正则化的半监督分类器设计方法，该方法包括以下步骤：

步骤1：用户在动态视觉系统的常用环境下拍摄视频，视频信息中必须含有需要识别的目标和平常使用时的背景环境；

步骤2：由用户在该视频中采集包含目标正样本和不包含目标的负样本；该正样本和负样本的集合表示为P＝{(x_i，y_i)，i＝1，…l}，x_i是以向量形式的样本数据，y_i表示x_i的分类信息，y_i＝1表示x_i属于正类样本，y_i＝-1表示x_i数据属于负类样本，l是整数代表了带分类信息样本的个数；

步骤3：由计算机自动地对给定视频的重采样得到多个不含类别信息的样本，不含类别信息样本的集合表示为，U＝{x_l+j，j＝1，…u}，u是整数代表了无分类信息样本的个数，令样本数据集Γ＝P∪U；

步骤4：对于样本数据集Γ＝{(x_i，y_i)，x_l+j，i＝1，…l，j＝1，…u}，确定样本数据集中样本数据的邻居关系；

步骤5：用优化算法计算x_i及与x_i具有邻居关系的邻居样本两者的重构权重或相似度向量w_i：