[发明专利]一种基于随机蕨的自举弱学习方法及其分类器

摘要

本发明提供了一种基于随机蕨的自举弱学习方法及其分类器，本发明属于计算机图形识别技术领域。图形识别通常采用弱分类器的加权、高斯概率分布的均值距离来判别正负样本。或采用分类树作为弱学习器，用误差测度减少最大化的划分准则划分节点，然后将这些弱分类器提升为强分类器。但是，这些弱学习方法要么收敛速度慢，要么准确率不够高，要么计算效率低。本发明选择图像特征和构造随机蕨、基于随机蕨的弱学习方法、基于随机蕨的弱学习方法、构建弱分类器、结果分类器等步骤可以很好地解决成像环境复杂且对运算量要求严格的图像模式识别，实现快速收敛和高效的自举弱学习方法，得到实时处理且准确率高的分类器。主要用于各种模式识别场合。

主权项

1.一种基于随机蕨的自举弱学习方法及其分类器，所述方法包括如下内容：(1)选择图像特征和构造随机蕨采用的图像特征融合局部二元模式特征和类哈尔特征，这些特征对图像区域的梯度方向进行测量，并量化输出8种可能的编码，它们均为矩形特征。具体来说，先分别按照水平方向，垂直方向和对角方向将矩形区域平分为两部分，分别标记为白色和黑色，然后，计算白色矩形像素值的和减去黑色矩形像素值的和，该值如果大于0，则编码为1，否则为0；随机蕨简化为仅包含一个特征，即蕨的值等于所包含的这个特征的值，而蕨中每个编码的概率分布将由后续该编码所接收到的样例的个数及其标记决定；(2)基于随机蕨的弱学习方法基于随机蕨的弱学习方法分为以下两个方面：(i)随机蕨训练对随机蕨的训练过程也是选择判别特征值的过程。输入样本集合，对每一个蕨计算所有样例对应的特征值，该蕨记录每个特征值编码对应的正样例和负样例的个数，设为编码j接收到的正样例的个数，为编码j接收到的负样例的个数，P^j为编码j对应正样例的概率，则蕨中每个编码的概率计算为：Pj=Npj/(Npj+NNj),]]>其中j＝0，1，...，M-1，这里M＝8。该蕨的判别特征值J为使P^j最大的j值，即：J=argmaxj(Pj),]]>这里J即为该随机蕨的阈值；(ii)随机蕨评价根据随机蕨训练所确定的阈值，随机蕨对样例的评价方法为：如果样例的特征值等于该随机蕨的阈值，那么预测该样例为正样例，输出+1，否则预测为负样例，输出-1；(3)构建弱分类器对于离线自举方法，其弱分类器的构建过程，对每一次迭代进行如下的步骤：①按照(1)的方法构造一个由随机蕨组成的集合；②输入样本集合，按照(2)的方法对每一个随机蕨计算所有的编码概率并确定其阈值；③每个随机蕨根据其阈值分别对样本集合进行评价分类；④选择其中分类错误率最小的随机蕨作为本次迭代产生并获得的弱分类器，即作为自举方法的预测函数输入；⑤其余处理过程与自适应自举方法相同；对于在线自举方法，样本集合每次只包含一个样例，因此其弱分类器的构建过程，对每一次迭代进行如下的步骤：①根据特征选择的方法，对每次迭代，即对每个特征选择器，按照(1)的方法为其生成一个特征池(包含多个随机特征)以及对应的随机蕨集合；②对每次样本输入，按照(2)的方法，对每一个随机蕨重新计算所有的编码概率并更新其阈值，即更新了对应的弱分类器；③每个随机蕨对该样本进行评价分类；④在随机蕨集合中选择分类错误率最小的随机蕨作为本次选择器的弱分类器并保存；⑤将分类错误率最大的随机蕨从随机蕨集合中删除，同时随机生成并加入一个新的蕨；⑥其余处理过程与在线自举方法相同；(4)结果分类器对于离线自举方法，设h_t(x)为第t轮学习得到的弱分类器，α_t为该弱分类器的权重。因此，经过T轮训练得到T个最优的弱分类器，最后组成一个强分类器H^strong(x)：Hstrong(x)=sign(Σt=1Tαtht(x))]]>对于在线自举方法，设为第n个选择器得到的弱分类器，α_n为该弱分类器的权重，因此，经过N次选择得到N个最优的弱分类器，最后组成一个强分类器H^strong(x)：Hstrong(x)=sign(Σn=1Nαnhnsel(x))]]>以上组成结果分类器的h_t(x)和均是由基于随机蕨的弱学习方法得到，它们均对应(1)所述的一个特征。