[发明专利]一种基于众智集成学习的图像分类方法

说明书

本发明涉及一种基于众智集成学习的图像分类方法，本发明采用的技术方案为一种基于集成学习的方法来提高图像分类的准确性的方法。改变了传统的svm训练方式，将传统svm与随机森林的思想进行了结合，使最终预测结果，更加具有鲁棒性，更可靠。针对从某医院内分泌科的系统数据库收集的面部数据集，对于面部图像检测任务的正确分类率，综合分类器的最佳性能为88.1％。证明了该集成学习方法可以实现面部图像的分类，在其他场景图像数据集中，本方法也得到了很好的效果。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于集成学习的图像分类方法。本发明能够便于对图像进行分类，分类步骤简单，便于实现，且能够提高分类精确度，避免出现分类误差，方法简单，使用方便。

背景技术

图像分类，根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。即是一个输入图像，输出对该图像内容分类的描述的问题。它是计算机视觉的核心，实际应用广泛。图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是有效的，但由于实际情况非常复杂，传统的分类方法不堪重负。现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。随着互联网的快速发展以及计算机的快速发展，数字图像的获取也变得越来越容易。因此，可用的数字图像正快速地增长并且在越来越多的行业中得到应用。图像分类技术是一种辅助用户高效地获取期望图像的方法，同时也是很多与图像相关的人机交互系统取得成功的基础，如人脸识别系统、推荐系统等。特别是现在深度学习在图像处理的应用更是广泛，但是其可解释性差，特别是处理小样本问题很难适用。

在本发明中，我们采用了一种图像分类的集成学习框架，其中将多种异构学习模型相结合以更精确地进行图像分类。集成学习的基本过程是构建多个基础学习模型并将它们结合起来解决同样的问题。如果每个基础学习模型都被视为专家，那么多个专家可能比任何单个专家都好，前提是他们的个人判断是合适的。由于集成思想对于降低基础学习模型的学习偏见具有很大的潜力，所以它在许多分类任务中可以表现出更好的性能，在任何单一的基本模型中。

针对现有的图像分类方法大多不能够根据特征点对图像进行分类，且不能够根据需要随时对分类条件进行修改，导致使用不便，因此，我们提出了一种基于众智集成学习的图像分类方法用于解决上述问题。

发明内容

考虑到上述问题，本发明提出了一种基于众智集成学习的图像分类方法。集成算法包括bagging与boosting类的多种算法。其中运行效果较好的是随机森林方法，解决了决策树的过拟合问题，并且提高了模型的鲁棒性，发挥了较好的作用。集成算法在单一算法的基础上有了一些进步，但是也存在自身的弊端。例如随机森林在解决分类问题时，效果并那么理想。尤其是在处理小样本数据的时候，效果也是不甚满意。本发明改变了传统的svm训练方式，将传统svm与随机森林的思想进行了结合，使最终预测结果，更加具有鲁棒性，更可靠。同时，svm本身就适用于高维数据，大型特征空间的训练，在小样本数据上表现较好。

在传统svm的基础上，本发明选择了以下核函数：分别是高斯(RBF)核函数、拉普拉斯(Laplace)核函数、多项式核函数(Polynomial和PolyPlus)。实现该方法的核心过程在于样本与特征集合的构建并与最终svm的结合上。传统的svm模型对于特征与样本集合不做太多的筛选与判断，对于整个样本集合都选择直接放入模型中进行训练。基于随机森林的思想，本发明考虑在模型训练的过程中，组成多个不同的样本集与特征集并且结合传统的svm模型进行训练。将训练得到的多个svm模型，通过核函数的调参，选取每个模型的最优参数，利用多个分类器的预测结果进行多数投票，得到最终的预测结果。

附图说明

图1为本发明中涉及的模型结构示意图，该模型包括面部图像预处理，通过PCA和KPCA技术进行特征提取，基础模型的构建和集成分类器的模型构建。

图2为本发明特征选择后的示意图。

具体实施方式