[发明专利]基于冗余特征消减AdaBoost分类器的物体检测方法无效

专利信息
申请号: 201110049377.2 申请日: 2011-03-01
公开(公告)号: CN102129565A 公开(公告)日: 2011-07-20
发明(设计)人: 闻佳;李超;余建;郭信谊;熊璋 申请(专利权)人: 北京航空航天大学
主分类号: G06K9/62 分类号: G06K9/62
代理公司: 北京慧泉知识产权代理有限公司 11232 代理人: 王顺荣;唐爱华
地址: 100191*** 国省代码: 北京;11
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 基于 冗余 特征 消减 adaboost 分类 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,...,fK}以及

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

yi={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yi=0,当yj=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:d1,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wt成为概率分布;

②For对每个在F中且权值dj>θ的特征fj,训练分类器hj;估计wt的错误率εj=∑iwt,i|hj(xi)-yi|;

③用最小错误率εt选择分类器ht,同时G←G∪{ft};

④执行elimination_redundance(F,S,Dt,wt,Gt,ft,h,l,θ,γ)过程,即执行冗余特征消减过程;

⑤在ei=0处,更新权值若样本xi分类正确,则ei=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,Dt,wt,Gt,ft,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,Dt,wt,Gt,ft,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,Dt代表特征权重,wt代表样本权重,G是数据集,ft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ft权值置为dt=0,置关联序列R为空,即

(3)对权值dj>0的进行如下操作:

①计算ft与fj的关联值,

②将ct,j插入序列R中,并以升序排列;

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

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于北京航空航天大学,未经北京航空航天大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201110049377.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top