[发明专利]基于冗余特征消减AdaBoost分类器的物体检测方法

说明书

技术领域

本发明一种基于冗余特征消减AdaBoost分类器(Adaboost basedweighted features redundancy elimination algorithm简称AdaBoostWrea)的物体检测方法，涉及一种物体的检测方法，特别是一种使用基于权重的冗余特征消减AdaBoost分类器的物体检测方法。

背景技术

物体检测是模式识别中的二元分类问题，同时也是一个具有挑战性的计算机视觉问题，有时也被划分为机器学习领域的研究内容。物体检测可被广泛的应用于多个领域，如智能监控中的行人检测、人脸检测，在视频中检索相似图像等等。尽管已经有大量的文献对其进行了全面深入的探究，几个关键的问题至今没有被充分的阐述，甚至有些没有解决，因此仍是当前的一个热点研究领域之一。

物体检测系统，或更准确的说，一个模式分类系统一般有以下几个要素组成：传感器接收图像或视频等，特征生成，特征选择，分类器设计，检测系统评估。传感器用于为后续步骤捕获原始模式，如图像或视频帧；特征生成是为更好的表示目标物体而设计的某种特征评估方法；特征选择是选择最主要的特征以减少特征个数，去掉冗余和无关特征，并尽可能多的保留具有分类识别信息的特征，分类器设计根据训练样本使用某种分类器算法生成检测物体的分类器，AdaBoost分类器在物体检测中有着广泛的应用。在这几个阶段中，特征选择是一个不可或缺的步骤，它能够非常有效的降低特征空间维度，加强学习效率，提高预测精度，并减少学习的复杂度。

根据特征的分类辨识力，一个完整的特征集合可以在概念上分成四个完全独立的基本类别，它们分别是：不相关特征，冗余特征(或者叫部分弱相关特征)，弱相关但不冗余特征以及强相关特征。因此根据传统AdaBoost特征选择过程，我们发现所有不相关的和冗余特征都会贯穿于AdaBoost特征选择主过程中，这样一来不相关和冗余特征的存在将耗费大量的计算时间，显著降低了学习的速度，并且当一个特征被选中后，另一个与其不相关或冗余特征也可能被选中。这样就可能由于无关特征和冗余特征的存在而使学习算法产生分类器对训练样本过拟合现象(即训练样本得到的输出和期望输出基本一致，但是测试样本输出和测试样本的期望输出相差却很大)。

发明内容

本发明的技术解决问题：针对现有技术不足，提出一种使用基于权重的冗余特征消减AdaBoost分类器的物体检测方法，能够在AdaBoost特征选择过程中消减冗余特征，加快分类器学习的速度，减少时间消耗，降低样本过拟合现象的发生的可能性，提高了整体性能。从而使物体检测更加精确，更加快速。

本发明的技术解决方案：一种基于冗余特征消减AdaBoost分类器的物体检测方法，包括以下步骤：

步骤1分类器训练：在初次使用AdaBoost分类器之前需要使用一个丰富完备特征集和大量的训练样本对分类器进行训练，同时进行特征选择；

步骤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，如haar特征；

步骤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；

步骤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。

其中，所述步骤1分类器训练如下进行：

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；