【技术实现步骤摘要】
本专利技术涉及，属于图像检测
技术介绍
在机器学习中，AdaBoost分类器与SVM (支持向量机，Support Vector Machines) 相比，在模式识别应用中具有识别精度高、实时性好的优点，因而在汽车辅助驾驶中障碍 物(如车辆、摩托车、行人)识别中取得了较好的应用效果，然而，AdaBoost分类器在应 用中的不足之处是训练过程远比SVM分类器耗时得多，妨碍了其在其他领域的应用推广。 AdaBoost (Adaptive Boosting)分类器构造方法是由Freund&Schapire提出的一种自适 应的Boost分类器构造方法，其主要原理是将所有待分类样本赋予相等的初始权值，在每 一轮选取弱分类器(比随机猜测略好)的训练中，选择对样本带权分类错误最小的特征与 阈值组合作为当前选取的弱分类器，并根据当前的弱分类器的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。在反复进行多次迭代训 练后，可以使分类错误趋近于零，最后将这些弱分类器组合成强分类器。由此可以看出， AdaBoost分类器训练阶段大部分时间都消耗在寻找弱分类器上。传统的寻找弱分类器方法 是仅仅依据每个样本的类Haar特征值来寻找弱分类器，即首先对每个类Haar特征在训练 样本集上得到的特征向量采用穷举的方式得到相应的候选分类位置，然后从所有候选分类 位置中寻找分类错误最小的分类位置，再基于此位置构造弱分类器，因而导致AdaBoost分 类器训练过程计算量大、耗时长，此外，在构造弱分类器过程中，传统的阈值设置方法在反 映训练样本...
【技术保护点】
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：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，ａ↓［１１］表示第１个类Ｈａａｒ特征在第１个样本上的值；ａ↓［ｉｊ］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ｘ↓［ｊ］的权值为ｗ↓［ｊ］，类型为ｙ↓［ｊ］，ｙ↓［ｊ］∈｛－１，＋１｝，其中１表示车，－１表示非车，Ｖｅｃ［ｊ］的值为在样本ｘ↓［ｊ］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...
【技术特征摘要】
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 <mrow><mi>A</mi><mo>=</mo><mfenced open='(' close=')'> <mtable><mtr> <mtd><msub> <mi>a</mi> <mn>11</mn></msub> </mtd> <mtd><msub> <mi>a</mi> <mn>12</mn></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mrow><mn>1</mn><mi>j</mi> </mrow></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mrow><mn>1</mn><mi>n</mi> </mrow></msub> </mtd></mtr><mtr> <mtd><msub> <mi>a</mi> <mn>21</mn></msub> </mtd> <mtd><msub> <mi>a</mi> <mn>21</mn></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mrow><mn>2</mn><mi>j</mi> </mrow></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mrow><mn>2</mn><mi>n</mi> </mrow></msub> </mtd></mtr><mtr> <mtd><mo>·</mo> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd></mtr><mtr> <mtd><mo>·</mo> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd></mtr><mtr> <mtd><mo>·</mo> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd></mtr><mtr> <mtd><msub> <mi>a</mi> <mrow><mi>i</mi><mn>1</mn> </mrow></msub> </mtd> <mtd><msub> <mi>a</mi> <mrow><mi>i</mi><mn>2</mn> </mrow></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mi>ij</mi></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mi>in</mi></msub> </mtd></mtr><mtr> <mtd><mo>·</mo> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd></mtr><mtr> <mtd><mo>·</mo> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd></mtr><mtr> <mtd><mo>·</mo> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd> <mtd> </mtd> <mtd><mo>·</mo> </mtd></mtr><mtr> <mtd><msub> <mi>a</mi> <mrow><mi>m</mi><mn>1</mn> </mrow></msub> </mtd> <mtd><msub> <mi>a</mi> <mrow><mi>m</mi><mn>2</mn> </mrow></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mi>mj</mi></msub> </mtd> <mtd><mo>·</mo><mo>·</mo><mo>·</mo> </mtd> <mtd><msub> <mi>a</mi> <mi>mn</mi></msub> </mtd></mtr> </mtable></mfenced> </mrow>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...
【专利技术属性】
技术研发人员：文学志，郑钰辉，方巍，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：84[中国|南京]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。