【摘要】 本发明提供一种改进的AdaBoost分类器构造方法，属于图像检测技术领域。本发明首先将样本的类Haar特征值与其类别标签结合起来生成候选分类位置集，从候选分类位置集中寻找使分类错误最小的位置，基于此位置构造弱分类器，并同时提供一种自适应的弱分类器阈值构造方法。本发明较好地解决了AdaBoost分类器训练准备时间过长以及性能的提升问题，将其结合类Haar特征用于车辆图像检测实验，与传统AdaBoost分类器方法相比，明显减少了分类器的训练所需时间，同时还提升了其识别性能。 【专利类型】发明申请 【申请人】南京信息工程大学 【申请人类型】学校 【申请人地址】210044 江苏省南京市宁六路219号 【申请人地区】中国 【申请人城市】南京市 【申请人区县】浦口区 【申请号】CN201010280835.9 【申请日】2010-09-14 【申请年份】2010 【公开公告号】CN101964063A 【公开公告日】2011-02-02 【公开公告年份】2011 【授权公告号】CN101964063B 【授权公告日】2012-06-27 【授权公告年份】2012.0 【IPC分类号】G06K9/66 【发明人】文学志; 郑钰辉; 方巍 【主权项内容】1.一种改进的AdaBoost分类器构造方法，包括： 步骤(1)、获取图像感兴趣区域； 步骤(2)、计算积分图； 步骤(3)、获得弱分类器； 步骤(4)、将步骤(3)得到的弱分类器组合成强分类器； 其特征在于：所述步骤(3)中获得弱分类器的步骤为： (3)-Ⅰ、设所有类Haar特征在训练样本集S上得到的特征值集合为矩阵A： 其中n表示训练样本集中样本的个数，m代表一张归一化为32×32的灰度图中构造的类Haar特征的个数，a11表示第1个类Haar特征在第1个样本上的值；aij表示第i个类Haar特征在第j个样本上的值，其中i∈{1，2，…，m}，j∈{1，2，…，n}，依此类推； (3)-Ⅱ、进行迭代训练； Ⅱ-1，采用基于计算积分图的方法求第i个类Haar特征在训练样本集S上的特征值，设对应的特征值构成的向量为Vec，样本xj的权值为wj，类型为yj，yj∈{-1，+1}，其中1表示车，-1表示非车，Vec[j]的值为在样本xj上的特征值； Ⅱ-2，生成候选分类位置集： Ⅱ-2.1，对特征向量排序：将对应的特征值构成的向量Vec中的元素由小到大排序得到新的向量SortVec，设排完序后对应的类别标签向量变为Lab； Ⅱ-2.2，构造候选分类位置集：从左向右察看所有类别标签出现变化的位置对，判断所述出现变化的位置对所对应的特征值是否相同； 若特征值不同，将所述位置对的第一个位置放入候选分类位置集中； 若特征值相同，首先向左查找与所述相同特征值不同的第一个特征值，判断该特征值对应的位置是否已包含在候选分类位置集中，若该特征值对应的位置没有包含在候选分类位置集中，则将该特征值对应的位置加入候选分类位置集中；然后再向右查找与所述相同特征值不同的第一个特征值，断该特征值对应的位置是否已包含在候选分类位置集中，若该特征值对应的位置没有包含在候选分类位置集中，则将该特征值对应的位置加入候选分类位置集中； 记得到的候选分类位置集为L＝{l1，l2，…，lk′}，其中k′为候选分类位置的个数，每一个候选分类位置用特征值对{SortVec(j-1)，SortVec(j)}来表示，记为li′，i′＝1，2，…，k′； Ⅱ-3，求最佳分类位置：从步骤Ⅱ-2.2得到的候选分类位置集L中选取一个使得分类错误最小的分类位置作为最佳分类位置τ，τ∈L； Ⅱ-4，设置分类阈值： Ⅱ-4.1，设当特征值小于等于SortVec[τ-1]时，类别输出为Label；设当特征值大于等于SortVec[τ]时，类别输出为-Label，其中，Label∈{-1，+1}； 当特征值小于等于SortVec[τ-1]时，类别输出为Label的先验概率P1为： 当特征值大于等于SortVec[τ]时，类别输出为-Label的先验概率P2为： 其中，wj为第j个训练样本的权值，yj为第j个训练样本的真实类别； Ⅱ-4.2，当P1＝0或P2＝0，直接进入(3)-Ⅲ步骤； Ⅱ-4.3，当P1≠0并且P2≠0时，分类阈值θi，即第i个类Haar特征所对应的弱分类器分类阈值，设置方法如下： Ⅱ-5，根据以上的阈值，在给定的样本权重分布下构造弱分类器如下： 其中SortVecj为第i个类Haar特征在第j个样本上相应的特征值，p∈{-1，+1}表示分类方向； Ⅱ-6，计算每个弱分类器对样本集的分类错误率： 其中wj代表样本xj的权值，fi(xj)表示基于第i个类Haar特征构造的弱分类器fi对样本xj的分类结果； Ⅱ-7，选取分类错误最小的弱分类器，并根据其分类效果对样本的权值进行更新：即分类错误的样本权值升高，而分类正确的样本权值降低； (3)-Ⅲ、反复进行步骤(3)-Ⅱ的迭代训练过程，直至分类错误趋近于零。。 【当前权利人】南京信息工程大学 【当前专利权人地址】江苏省南京市宁六路219号 【专利权人类型】公立 【统一社会信用代码】12320000466006762K 【引证次数】4.0 【被引证次数】20 【他引次数】4.0 【被他引次数】20.0 【家族引证次数】4.0 【家族被引证次数】20

未经允许不得转载：http://www.zhongzhencnc.com/1785355992.html