[发明专利]一种基于支持向量机排序的有丝分裂事件识别方法

权利要求书

1.一种基于支持向量机排序的有丝分裂事件识别方法，其特征在于，所述有丝分裂事件识别方法包括以下步骤：

对输入的细胞图像利用基于成像模型的显微图像分割方法和三维种域生长方法来提取候选子序列；

对候选子序列的每一帧图像提取特征向量，使用了HoG、SIFT和Gist三种特征，将提取的向量串起来作为候选子序列的视觉特征，并对提取的视觉特征进行池化，以捕捉序列的外观信息；

对得到的外观信息，利用基于支持向量机排序方法，将学习到的排序函数的参数向量作为整个序列的特征向量，以捕捉序列范围内随时间的外观演化信息；

在新特征上训练支持向量机分类器，对候选子序列进行分类，得到最终的识别结果。

2.根据权利要求1所述的一种基于支持向量机排序的有丝分裂事件识别方法，其特征在于，对得到的外观信息，利用基于支持向量机排序方法，将学习到的排序函数的参数向量作为整个序列的特征向量，以捕捉序列范围内随时间的外观演化信息的步骤具体为：

将学习到的最优参数u作为序列的特征，用于表征序列的时序动态信息；

参数u的学习过程：

令对应的优化问题为：

$\arg \underset{u}{min}\frac{1}{2}\left|\right|u|{|}^2+C\underset{t}{\Σ}{\mathrm{\σ}}_t$

s.t.u^T·a_t≥1-σ_t

σ_t≥0

其中，σ_t为松弛变量，对应a_t允许偏离的函数间隔的量；

通过求导寻找最优解：

$\left\{\begin{array}{c}\frac{\∂L}{\∂u}=u-\underset{t}{\Σ}{\mathrm{\α}}_t{a}_t=0\⇒u=\underset{t}{\Σ}{\mathrm{\α}}_t{a}_t\\ \frac{\∂L}{\∂\mathrm{\σ}}=C-{\mathrm{\α}}_t-{\mathrm{\β}}_t=0\⇒{\mathrm{\β}}_t=C-{\mathrm{\α}}_t\end{array}\right.$

其中，α_t，β_t为拉格朗日乘子，将u和β_t带回拉格朗日函数L(u,α,β)得到：

$U\left(\mathrm{\α}\right)=-\frac{1}{2}\left(\underset{t,j}{\Σ}{\mathrm{\α}}_t{\mathrm{\α}}_j{a}_t{a}_j\right)+\underset{t}{\Σ}{\mathrm{\α}}_t$

其中，α是因变量；

根据对偶理论，初始的优化问题重构为：

$u^{*}=\arg \underset{\mathrm{\α},a}{min}-\frac{1}{2}\underset{t,j}{\Σ}{\mathrm{\α}}_t{\mathrm{\α}}_j{a}_t{a}_j+\underset{t}{\Σ}{\mathrm{\α}}_t$

s.t.α_t≥0

$\underset{t}{\Σ}{\mathrm{\α}}_t{a}_t=0$

最后，利用SMO算法便得到最优参数u^*。