【摘要】 本发明提供一种基于类Haar和AdaBoost分类器的快速增量学习方法，属于图像检测技术领域。本发明对于新增加的未正确识别的训练样本集，在不损失已有学习效果的前提下，增加一些关键的类Haar特征信息，而不是重新寻找关键类Haar特征信息，以提高训练的速度。本发明利用所提出的增量学习方法较好地解决了快速提升基于类Haar特征和AdaBoost分类器方法的识别性能问题，将其应用于车辆图像检测实验，与传统增量学习方法相比，在两者提升识别性能相近的情形下，明显减少了学习机的学习时间。 【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】CN201010280839.7 【申请日】2010-09-14 【申请年份】2010 【公开公告号】CN101937510A 【公开公告日】2011-01-05 【公开公告年份】2011 【授权公告号】CN101937510B 【授权公告日】2015-05-20 【授权公告年份】2015.0 【IPC分类号】G06K9/62 【发明人】文学志; 方巍; 郑钰辉 【主权项内容】1.一种基于类Haar和AdaBoost分类器的快速增量学习方法，其特征在于：所述快速增量学习方法对于未正确识别的新增加的训练样本集，采用原始训练样本集所得到的关键类Haar特征集为基础，通过增加新的关键类Haar特征来完成学习机的增量学习，具体步骤如下： 设新增加的未正确识别训练样本集合为Δ，样本集合Δ的样本数量为m，样本集合Δ与原始训练样本集合的并集为Ω，样本并集Ω的样本总数为n，基于原始训练样本集合得到的关键类Haar特征集为Γ；样本集合Δ的初始权值为u1(i)＝1/m，其中i＝1，2，…，m；样本并集Ω的初始权值为v1(i′)＝1/(n)，其中i′＝1，2，…，n；m、n均为自然数； A、归一化样本并集Ω的权值： B、基于样本集合Δ寻找关键特征： 1)归一化样本集合Δ的权值： 其中t代表迭代次数，t＝1，2，…，T，T为自然数； 2)在样本集合Δ上构造弱分类器集合，采用(1)式寻找分类误差最小的弱分类器φt和关键类Haar特征δ， 其中εt代表分类误差，φt(δ(xi))表示对样本xi上的关键特征δ的分类结果，yi代表样本xi的真实类别； C、若关键类Haar特征δ属于采用原始训练样本集所得到的关键类Haar特征集；直接进入下一步骤；否则，则将所述关键类Haar特征δ添加进基于原始训练样本集所得到的关键类Haar特征集Γ，进入下一步骤； D、在所述样本并集Ω和C步骤得到的关键类Haar特征集Γ上，构造弱分类器集合，并采用(2)式寻找误差最小的弱分类器ft和关键类Haar特征η， 其中Et代表分类误差，ft(η(xi′))表示弱分类器ft对样本xi′上的关键特征η的分类结果； E、在所述样本并集Ω上计算分类权值 αt代表分类权值； F、更新样本并集Ω的权值： ft(xi′)表示弱分类器ft对样本xi′的分类结果，e为自然对数底且e为常数； G、更新样本集合Δ的权值： ut(i)＝exp(-yiψt(xi))，其中ψt(xi)＝pt(θt-δ(xi))，pt∈{-1，+1}表示分类方向，θt为弱分类器在类Haar特征δ上的分类阈值，δ(xi)表示样本xi上的关键类Haar特征； H、如果在样本并集Ω上由弱分类器组成的强分类器F(x)＝sign(∑αtft(x))对样本并集Ω的识别效果达到期望值，则输出分类器以及所选取的关键类Haar特征集；否则， 返回A步骤。 【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】2.0 【被引证次数】13 【他引次数】2.0 【被他引次数】13.0 【家族引证次数】2.0 【家族被引证次数】13

未经允许不得转载：http://www.zhongzhencnc.com/1785431435.html