[发明专利]基于冗余特征消减AdaBoost分类器的物体检测方法

权利要求书

1.基于冗余特征消减AdaBoost分类器的物体检测方法，其特征在于包括以下步骤：

(1)分类器训练：在初次使用AdaBoost分类器之前，使用基于权重的冗余特征消减对传统训练过程进行改进，对分类器进行训练，同时进行特征选择；

(2)物体特征提取：使用特征提取算法提取需要检测的物体的特征，；

(3)输入特征：将在步骤(2)中得到的特征输入步骤(1)训练完毕的分类器；

(4)得到检测结果：分类器对输入的特征进行二元分类，确定输入的特征是否属于待检测的物体，输出检测结果。

2.根据权利要求1所述的基于冗余特征消减AdaBoost分类器，其特征在于：所述步骤(1)基于冗余特征消减AdaBoost分类器的分类器训练方法如下：

1)输入：一个特征集合F＝{f₁，...，f_K}以及

S＝{(x₁，y₁)，.....，(x_N，y_N)}这是一个带有标签的训练集合，其中

y_i＝{0，1}分别对应正样本与负样本，一个组合分类器h和一个给定的循环次数T，消除系数λ，以及关联阈值γ；

2)初始化：数据集初始化训练样本权重：当y_i＝0，当y_j＝1时，其中m和l分别代表负样本和正样本的个数，特征权重D：d_1，i＝1.0，特征阈值θ＝0.0，以及消除速率

3)进行T次循环，每次循环过程如下：

①归一化权重：使w_t成为概率分布；

②For对每个在F中且权值d_j＞θ的特征f_j，训练分类器h_j；估计w_t的错误率ε_j＝∑_iw_t，i|h_j(x_i)-y_i|；

③用最小错误率ε_t选择分类器h_t，同时G←G∪{f_t}；

④执行elimination_redundance(F，S，D_t，w_t，G_t，f_t，h，l，θ，γ)过程，即执行冗余特征消减过程；

⑤在e_i＝0处，更新权值若样本x_i分类正确，则e_i＝1，并且

4)输出：强分类器其中同时选择了G中的T个特征。

3.根据权利要求2所述的基于冗余特征消减AdaBoost分类器，其特征在于：所述步骤3)中的执行elimination_redundance(F，S，D_t，w_t，G_t，f_t，h，l，θ，γ)冗余特征消减过程如下：

(1)输入：输入变量为elimination_redundance(F，S，D_t，w_t，G_t，f_t，h，l，θ，γ)中所示，其中，F代表特征集合，S代表带有标签的训练集合，D_t代表特征权重，w_t代表样本权重，G是数据集，f_t代表特征，h代表当前分类器，l代表负样本数，θ代表特征阈值，γ代表关联阈值；

(2)初始化：将f_t权值置为d_t＝0，置关联序列R为空，即

(3)对权值d_j＞0的进行如下操作：

①计算f_t与f_j的关联值，

②将c_t，j插入序列R中，并以升序排列；

(4)当j＜l，c_t，j≤γ时将特征权值置为：d_j＝0，其中j是对应特征f_j的序号。