一种基于集成支持向量机对深度特征进行分类的方法技术

本发明专利技术提供一种基于集成支持向量机对深度特征进行分类的方法，涉及数字信号处理技术领域，一种基于集成支持向量机对深度特征进行分类的方法，包括以下步骤：S1：输入待分类的深度特征文件；S2：建立第一预定值种降维维度；S3：建立第二预定值种核函数；S4：依次获取上述任一降维维度和任一核函数组合下的分类器输出信息；S5：将每一个分类器输出信息通过组合投票，得出待分类的深度特征文件的分类结果。本发明专利技术一种基于集成支持向量机对深度特征进行分类的方法的深度特征信息提取精确度高，多个降维维度获取信息，分类预测的结果准确性高，可以有效对深度特征的分类和分级。

A method for classification of depth features based on integrated support vector machine

The invention provides a method for classifying depth features based on ensemble support vector machine, which relates to the technical field of digital signal processing. A method for classifying depth features based on ensemble support vector machine includes the following steps: S1: input depth feature file to be classified; S2: establish a first predetermined value class to reduce dimension. Dimension; S3: Establish the second kind of kernel function; S4: Get the classifier output information under any dimension reduction and any combination of kernel functions in turn; S5: Get the classification result of the depth feature file to be classified by combining the output information of each classifier through a combination vote. The method of depth feature information extraction based on ensemble support vector machine has high accuracy, multiple dimensionality reduction dimensions obtain information, and the result of classification prediction has high accuracy, which can effectively classify and classify depth features.

【技术实现步骤摘要】
一种基于集成支持向量机对深度特征进行分类的方法
本专利技术涉及数字信号处理
，尤其是，本专利技术涉及一种基于集成支持向量机对深度特征进行分类的方法。
技术介绍
科技的发展使得摄像设备得到了普及，数量巨大的视频数据等数字信号数据也随之产生。同时，针对数字信号的应用也应运而生：智能视频监控、视频数据分类、高级人机交互等。在这些应用中，针对人的动作进行理解是最核心的关注点，也是人们研究的核心内容。由于人体动作识别有很大的潜在价值，所以此课题作为一个研究热点已经持续了至少十年时间，近些年，受益于图像识别所取得的巨大进展，视频识别也同样取得了很大的进展。其中大多数动作识别方法都是针对动作分类任务而被提出，许多传统的动作分类方法提取的特征多是采用手工特征提取法，即直接能从图像中提取的特征。如颜色特征、纹理特征以及直方图特征，这些特征针对内容简单的图像，能有很好的效果，但是遇到内容复杂图像时，手工特征不能有效表征图像性质，无法对这些深度特征进行有效的分类。例如中国专利专利技术申请CN107844795A公开了一种基于主成分分析的卷积神经网络特征提取方法，该方法首先选取了在Imagenet数据集上已经训练好的卷积神经网络，将该网络作为图像的特征提取器，然后从该卷积神经网络的每个池化层的输出中提取特征映射图，最后将提取的每层所有特征映射图做为图像的深度特征，利用了主成分分析，对其进行了降维，并利用双线性插值法，将最后的结果特征映射图重置到原图像大小，得到了高效的图像深度特征。本专利技术得到的深度特征，含有图像丰富的语义信息，且特征维度低，数据量小，可用于图像的各种识别和分类任务。然而，上述方法依然存在以下缺点：1、仅仅进行降维之后的低维度特征数据读取，无法多维度共同获取信息，特征读取精确度不够；2、深度特征提取识别过程复杂，读取之后无分类分析过程，无法进行深度特征的有效分类。
技术实现思路
本专利技术的目的在于提供一种深度特征信息提取精确度高，多个降维维度获取信息，分类预测的结果准确性高，可以有效对深度特征的分类和分级的基于集成支持向量机对深度特征进行分类的方法。为解决上述问题，本专利技术采用如下技术方案得以实现的：一种基于集成支持向量机对深度特征进行分类的方法，包括以下步骤：S1：输入待分类的深度特征文件；S2：建立第一预定值种降维维度；S3：建立第二预定值种核函数；S4：依次获取上述任一降维维度和任一核函数组合下的分类器输出信息；S5：将每一个分类器输出信息通过组合投票，得出待分类的深度特征文件的分类结果。优选地，执行步骤S1时，待分类的深度特征文件包括文本、图片、动画和视频。优选地，执行步骤S2之前，根据待分类的深度特征文件类型，生成第一预定值。优选地，执行步骤S2时，采用主成分分析方法进行不同维度的降维。优选地，执行步骤S2之后，将建立好的降维维度，形成多维度深度的特征矩阵。优选地，执行步骤S3之前，根据待分类的深度特征文件类型，生成第二预定值。优选地，执行步骤S4时，输出信息的数量为第一预定值与第二预定值的乘积。优选地，执行步骤S4时，分类器的数量与输出信息的数量相同。优选地，步骤S5具体为：S51：将每一个分类器的输出输入至组合投票模块；S52：进行权重组合投票；S53：投票胜出的结果为最终分类结果。优选地，执行步骤S53时，投票评分高的结果为投票胜出的结果。本专利技术一种基于集成支持向量机对深度特征进行分类的方法有益效果在于：深度特征信息提取精确度高，多个降维维度获取信息，分类预测的结果准确性高，可以有效对深度特征的分类和分级。附图说明图1为本专利技术一个实施例的流程图。具体实施方式以下是本专利技术的具体实施例，对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。现在将参照附图来详细描述本专利技术的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的模块和步骤的相对布置和步骤不限制本专利技术的范围。科技的发展使得摄像设备得到了普及，数量巨大的视频数据等数字信号数据也随之产生。同时，针对数字信号的应用也应运而生：智能视频监控、视频数据分类、高级人机交互等。在这些应用中，针对人的动作进行理解是最核心的关注点，也是人们研究的核心内容。由于依靠行人的运动属性或者行人在图像中的深度特征不能推断出它描述的是一个真正的行人还是其他和行人具有类似运动规律的非行人目标，因此采用基于深度信息的特征描述的支持向量机(SVM：SupportVectorMachine)进行处理，对深度特征进行提取。实施例一：如图1所示，仅为本专利技术的其中一个实施例，为解决上述问题，本专利技术采用如下技术方案得以实现的：一种基于集成支持向量机对深度特征进行分类的方法，包括以下步骤：S1：输入待分类的深度特征文件；要想对深度特征进行分类，首先需要获取待分类的深度特征文件，并依据此待分类的文件进行识别和分类，才能具有针对性的分类。S2：建立第一预定值种降维维度；进行多次降维，建立多个不同的降维维度，降维维度的个数为第一预定值，所述第一预定值的大小依据待分类的深度特征的文件的类型的不同而不同，也是为了方便针对不同的待分类的深度特征的文件，进行不同程度和深度的识别以便于提高识别准确路。S3：建立第二预定值种核函数；在支持向量机工作时，生成多组核函数，核函数的个数为第二预定值，同样的，所述第二预定值的大小也是依据待分类的深度特征的文件的类型的不同而不同，针对不同的待分类的深度特征的文件，采用不同的核函数进行识别以及分类工作。S4：依次获取上述任一降维维度和任一核函数组合下的分类器输出信息；将第一预定值个数的降维维度和第二预定值个数的核函数相组合，对待分类的深度特征文件进行识别，然后在分类器的输出端进行输出，并获取所有的输出信息。显而易见的是，这里的分类器输出信息的数量为第一预定值与第二预定值的乘积。保证每一个降维维度和每一个核函数均有组合，识别和输出的结果更全面，方便下一步准确分类。S5：将每一个分类器输出信息通过组合投票，得出待分类的深度特征文件的分类结果。具体的说，步骤S5具体为：S51：将每一个分类器的输出输入至组合投票模块；S52：进行权重组合投票；S53：投票胜出的结果为最终分类结果。需要注意的是，在执行步骤S53时，投票评分高的结果为投票胜出的结果，作为最终分类的结果依据。总共第一预定值与第二预定值的乘积种分类器的输出均输入至组合投票模块中，每个降维特征和每个核函数的SVM可以构成一个分类器，每一个分类器的输出都进行权重组合投票，得出最终的分类结果，这样维度特征更全面，最终分类结果更准确，从而实现对待分类的深度特征文件的分类和分级。实施例二：仍如图1所示，仅为本专利技术的其中一个实施例，为进一步理解本专利技术，本专利技术还有以下说明。首先，执行步骤S1时，待分类的深度特征文件包括文本、图片、动画和视频。考虑到步骤S2和S3时，会根据待分类的深度特征文件类型，来确定第一预定值和第二预定值的大小，所以在步骤S1之后，需要确定待分类的深度特征文件的类型，如果是图片，则针对图片提取深度特征，如果是视频，则先取帧，在每一帧中提取深度特征，生成不同的第一预定值和不同的第二预定值，然后再执行后面的步骤。其次，执行步骤S2之前，根据待分类的深度特征文件类型，生成第一预定值。这里是本文档来自技高网...

【技术保护点】
1.一种基于集成支持向量机对深度特征进行分类的方法，其特征在于，包括以下步骤：S1：输入待分类的深度特征文件；S2：建立第一预定值种降维维度；S3：建立第二预定值种核函数；S4：依次获取上述任一降维维度和任一核函数组合下的分类器输出信息；S5：将每一个分类器输出信息通过组合投票，得出待分类的深度特征文件的分类结果。

【技术特征摘要】
1.一种基于集成支持向量机对深度特征进行分类的方法，其特征在于，包括以下步骤：S1：输入待分类的深度特征文件；S2：建立第一预定值种降维维度；S3：建立第二预定值种核函数；S4：依次获取上述任一降维维度和任一核函数组合下的分类器输出信息；S5：将每一个分类器输出信息通过组合投票，得出待分类的深度特征文件的分类结果。2.根据权利要求1所述的一种基于集成支持向量机对深度特征进行分类的方法，其特征在于：执行步骤S1时，待分类的深度特征文件包括文本、图片、动画和视频。3.根据权利要求1所述的一种基于集成支持向量机对深度特征进行分类的方法，其特征在于：执行步骤S2之前，根据待分类的深度特征文件类型，生成第一预定值。4.根据权利要求1所述的一种基于集成支持向量机对深度特征进行分类的方法，其特征在于：执行步骤S2时，采用主成分分析方法进行不同维度的降维。5.根据权利要求1所述的一种基于集成支持向量机对深度特征进行分类的方法，其特征在于：执行...

【专利技术属性】
技术研发人员：张黎，邹开红，宗旭，蒋娟，
申请(专利权)人：杭州闪捷信息科技股份有限公司，
类型：发明
国别省市：浙江,33