[发明专利]基于自适应深度森林人体步态能量图的分类方法

摘要

本发明公开了一种基于自适应深度森林人体步态能量图的分类方法，其步骤为：(1)构建训练集和测试集；(2)构造自适应深度森林模型；(3)计算自适应自适应深度森林模型的分类精度；(4)判断自适应深度森林模型是否达到要求；(5)若训练集准确率及深度未达到要求，扩展自适应深度森林模型，求解自定义二次凸优化问题得到自适应深度森林模型在训练集的增强特征，通过训练集上的增强特征得到扩展后自适应深度森林的训练集；(6)计算测试集分类正确率。本发明减少了模型的复杂度和模型需要训练的权重，同时减小了训练模型所需要的步态能量图样本规模。

主权项

1.一种基于自适应深度森林人体步态能量图的分类方法，其特征在于，求解自适应深度森林模型中每棵树的权重，获取自适应深度森林模型的增强特征，根据深度森林模型的深度自适应的确定深度森林模型复杂度，利用获得深度森林模型的增强特征训练深度森林模型；该方法的具体步骤包括如下：(1)构建样本集：(1a)对输入的124个目标人物视频进行背景建模与背景实时更新，得到每个目标人物的人体轮廓前景图像；(1b)从每个目标人物视频的人体轮廓前景图像中提取人体步态图；(1c)分别将每个步态周期内得到的每个目标人物的所有人体轮廓图像的灰度值相加后，再除以每个目标人物的人体轮廓图像的总数，得到与该步态周期对应的步态能量图；(1d)取每个目标人物在正常行走条件下且视角为90度的六张步态能量图，共744张步态能量图构成样本集；(2)获得训练集和测试集：(2a)利用随机组合抽样拼接法，对样本集进行随机采样，得到992个正样本和负样本，将所有的正样本和负样本组成训练集；(2b)利用随机组合抽样拼接法，对样本集进行随机采样，得到992个正样本和负样本，将所有的正样本和负样本组成测试集；(3)构造自适应深度森林模型：(3a)搭建一个由两个随机森林和两个完全随机森林组成的自适应深度森林模型；(3b)将自适应深度森林模型中的两个随机森林和两个完全随机森林中树的个数均设置为400棵、树的最大深度均设置为8，自举样标志均设置为True，并行处理的核数均设置为服务器的最大内核数，将自适应深度森林模型的深度设置为t；(4)计算当前迭代的自适应深度森林模型的分类精度：(4a)将当前迭代的自适应深度森林模型的训练集输入到当前迭代的自适应深度森林模型中，输出训练集中每个样本对应的类概率；(4b)利用训练集分类精度计算公式，计算训练集经过当前迭代的自适应深度森林模型训练后深度森林模型的分类精度；(5)判断当前迭代的自适应深度森林模型的分类精度是否小于95％；若是，执行步骤(6)，否则，执行步骤(12)；(6)获得当前迭代的自适应深度森林模型中每棵树的权重：(6a)利用下述的自定义二次凸优化表达式，得到当前迭代的自适应深度森林模型各个随机森林中每棵树的权重：ξik≥0，i∈K其中，表示求使目标函数式最小化时ξ_i,w^k的操作，i表示训练集中样本的标号，K表示训练集样本的总数，∑表示求和操作，ξ_i^k表示训练集中第i个样本在当前迭代的自适应深度森林模型中第k个随机森林中的基本损失，λ表示正则化系数，||·||表示2范数操作，w^k表示当前迭代的自适应深度森林模型中第k个森林的总权重，s.t.表示约束条件符号，t表示当前迭代的自适应深度森林模型中第k个随机森林中树的下标，T_k表示当前迭代的自适应深度森林模型中第k个随机森林中树的总数，P_i^(t,k)表示第i个样本在当前迭代的自适应深度森林模型中第k个随机森林的第t个树中的基本损失，w^(t,k)表示在当前迭代的自适应深度森林模型中第k个随机森林的第t棵数的权重，τ表示分类间隔；(6b)将当前迭代的自适应深度森林模型各个随机森林中每棵树的权重组成当前迭代的自适应深度森林模型的权重；(7)获得当前迭代的自适应深度森林模型在测试集上的增强特征：(7a)根据当前迭代的自适应深度森林模型中每棵树的权重，通过当前迭代的自适应深度森林模型的增强特征求解公式，分别获得测试集中的每个样本为正样本和负样本的增强特征；(7b)由测试集中的所有样本的正样本和负样本的增强特征构成当前迭代的自适应深度模型的增强特征；(8)计算测试集的正确率：根据当前迭代的自适应深度森林模型在测试集上的增强特征，利用当前迭代的自适应深度森林模型测试集正确率计算方法计算测试集的正确率；(9)判断当前迭代的自适应深度森林模型测试集正确率是否大于测试集的最大正确率，若是，则执行步骤(10)，否则，执行步骤(12)；(10)获得当前迭代的自适应深度森林模型在训练集上的增强特征：(10a)根据当前迭代的自适应深度森林模型中每棵树的权重，通过当前迭代的自适应深度森林模型的增强特征求解公式，分别获得训练集中的每个样本为正样本和负样本的增强特征；(10b)由训练集中的所有样本的正样本和负样本的增强特征构成当前迭代的自适应深度森林模型的增强特征；(11)扩展当前迭代的自适应深度森林模型：(11a)将当前迭代的自适应深度森林模型的训练集与当前迭代的自适应深度模型的增强特征首尾拼接，得到当前迭代的自适应深度森林模型的训练集；(11b)将当前迭代的自适应深度森林模型的深度t+1作为当前迭代时的自适应深度森林模型的深度t；(12)判断当前迭代的自适应深度森林模型的深度t是否大于100，若是，则得到训练好的深度森林模型后执行步骤(13)，否则，执行步骤(4)；(13)对测试集中所有的步态能量图进行分类：将当前迭代的自适应深度森林模型的测试集输入到训练好的深度森林模型中，对测试集中步态能量图进行分类。