[发明专利]自适应增强(AdaBoost)分类器中的高效决策树遍历

说明书

在用于对象分类的方法的所描述的示例中，该方法在单指令多数据(SIMD)处理器上实现的基于决策树的自适应增强(AdaBoost)分类器中执行，该方法包括：接收(700)特征向量，该特征向量从耦合到该SIMD处理器的存储器中的图像中的N个连续窗口位置中提取；以及通过该AdaBoost分类器使用特征向量和该SIMD处理器的向量指令同时评估(708)该N个连续窗口位置，其中该AdaBoost分类器同时遍历(714)该N个连续窗口位置的决策树，直至该N个连续窗口位置分类完成(712)。

技术领域

本发明一般涉及自适应增强(AdaBoost)分类，并且更特别地涉及AdaBoost分类器中的高效决策树遍历。

背景技术

AdaBoost是“自适应增强(adaptive boosting)”的简称，是用于将强分类器构造为弱分类器(诸如决策树)的线性组合的算法。在AdaBoost分类器中，弱分类器的输出被组合成加权和，它代表了增强分类器的最终输出。AdaBoost通过微调后续的弱学习器来适应以有利于先前分类器错误分类的情况。AdaBoost(其中决策树被用作弱学习器)通常被称为最佳的现成分类器，并且是视觉和数据分析的流行分类器。例如，AdaBoost的详细描述位于Y.Fruend和R.Schapire，“在线学习的决策理论概括和增强的应用(ADecision-TheoreticGeneralization of On-line Learning and an Application to Boosting)”，计算机与系统科学杂志(Journal of Computer and System Sciences)，1997年8月，第55卷，第1期，第119-139页。

发明内容

在一种用于对象分类的方法的所描述的示例中，该方法在单指令多数据(SIMD)处理器上实现的基于决策树的自适应增强(AdaBoost)分类器中执行，该方法包括：接收特征向量，该特征向量从耦合到该SIMD处理器的存储器中的图像中的N个连续窗口位置中提取，其中N是该SIMD处理器的向量宽度除以特征的位尺寸，并且其中特征向量包括N个特征值，一个特征值用于该N个连续窗口位置中的每个窗口位置；以及通过该AdaBoost分类器使用特征向量和该SIMD处理器的向量指令同时评估该N个连续窗口位置，其中该AdaBoost分类器同时遍历该N个连续窗口位置的决策树，直至该N个连续窗口位置分类完成，其中决策树包括节点、每个节点的阈值和叶，每个叶包括部分得分(partial score)。

在其他所描述的示例中，一种数字系统包括：单指令多数据(SIMD)处理器；耦合到SIMD处理器的存储器组件，该存储器组件被配置成存储从图像中提取的特征；存储在存储器组件中的决策树，其中每个决策树包括节点、每个节点的阈值和叶，每个叶包括部分得分；以及基于决策树的自适应增强(AdaBoost)分类器，该分类器被训练用于存储在存储器组件中的对象分类，该AdaBoost分类器在该SIMD处理器上可执行，其中该AdaBoost分类器使用决策树用于对象分类，该AdaBoost分类器被配置成使用特征和SIMD处理器的向量指令同时评估N个连续窗口位置，其中该AdaBoost分类器同时遍历N个连续窗口位置的决策树，直至N个连续窗口位置分类完成，并且其中N是该SIMD处理器的向量宽度除以特征的位尺寸。

在进一步描述的示例中，一种非临时性计算机可读介质存储软件指令。该软件指令在单指令多数据(SIMD)处理器上执行时，使得用于基于决策树的自适应增强(AdaBoost)分类器中对象分类的方法被执行。该方法包括：接收特征向量，该特征向量从耦合到该SIMD处理器的存储器中的图像中的N个连续窗口位置中提取，其中N是该SIMD处理器的向量宽度除以特征的位尺寸，并且其中特征向量包括N个特征值，一个特征值用于该N个连续窗口位置中的每个窗口位置；以及通过该AdaBoost分类器使用特征向量和该SIMD处理器的向量指令同时评估该N个连续窗口位置，其中该AdaBoost分类器同时遍历该N个连续窗口位置的决策树，直至该N个连续窗口位置分类完成，其中决策树包括：节点、每个节点的阈值和叶，每个叶包括部分得分。

附图说明