[发明专利]面向在线不确定图像识别的多示例加权包学习方法

摘要

面向在线不确定图像识别的多示例加权包学习方法，通过改进多示例学习算法，降低在线图像识别中噪声数据对分类结果的影响，同时提出赋予包示例不同的权值，不断更新分类器，调整权值，以提高分类精度。与传统图像识别的多示例学习方法的不同点在于：传统的多示例学习中，训练集由若干个包组成，每个包包含若干个示例，包示例标签未知。本发明通过示例加权，降低了噪声示例对分类预测的干扰，迭代的训练分类器，训练示例权值，表示包，并达到了更高的分类精度。

主权项

1.面向在线不确定图像识别的多示例加权包学习方法，其特征在于，包括如下步骤：第一步、获取图像帧，并进行特征提取：通过在线技术获得某一时间段的图像，把图像按照时间进行帧划分，并对帧中的图像进行特征提取，同时获得有可能包含不确定或噪声数据的帧区域；第二步、从数据集合中选择图像进行标记，并确定该标记的代表示例；第三步、针对包示例存在噪声的情况，赋予包内示例不同权值降噪，迭代的训练分类器，训练示例权值，改进包表示；第四步、获得多示例分类器，对图像进行分类识别；第二步的方法为：把每一帧的图像转化为一个示例包，并通过多示例符号对图像进行描述；第三步的具体方法为，针对包内噪声，通过对示例加权，赋予包中每个示例不同的权值，降低噪声示例对分类预测的影响，设包中的示例权值为，        （1）表示包在特征空间映射，降低噪声的干扰，赋予了包内示例不同的权值，并重新表示，的计算公式为：         （5）其中，表示第i个包中的第j个示例第t次迭代时的权值，其中，为示例标签，示例经过公式输出得到示例标签，∈{+1,‑1}表示包的标签，为调节参数。