【技术实现步骤摘要】
本专利技术涉及一种,属于图像 检测
技术介绍
在基于机器学习识别方法中,基于类Haar特征与AdaBoost分类器的识别方法由 于其识别性能好、检测速度快、能够满足实时性应用要求在车辆识别、人脸检测等领域获得 了成功应用,但AdaBoost分类器相比较SVM(Support Vector Machines,支持向量机)等分 类器,其训练过程非常耗时,而学习机的识别性能是一个累积提升的过程,增量学习是提高 学习机性能的最直接、最有效的方式,然而,基于类Haar特征与AdaBoost分类器的方法本 身具有计算量大、耗时长,其传统增量学习方法是将上一次学习完毕的学习机对新增加的 训练样本集进行识别,将未正确识别的样本集与上一次学习所用训练样本集混合在一起作 为新的训练样本训练集重新进行学习,使得训练所需时间越来越长,导致学习机不能灵活 的扩展,大大限制了该识别方法的应用前景。
技术实现思路
本专利技术的所要解决的技术问题是针对现有基于类Haar特征与AdaBoost分类器的 方法AdaBoost方法增量学习过程中存在的计算量大、耗时长问题,提出一种快速增量学习 方法本专利技术为实现上述专利技术目的采用如下技术方案一种,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,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η,基于原始训练样本集合得到的 关键类Ha ...
【技术保护点】
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u↓[1](i)=1/m↓[i])表示样本x↓[i]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(∑α↓[t]f↓[t](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。,其中i=1,2,…,m;样本并集Ω的初始权值为v↓[1](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:v↓[t](i′)=v↓[t](i′)/*v↓[t](i′);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: ...
【技术特征摘要】
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 <mrow><msub> <mi>v</mi> <mi>t</mi></msub><mrow> <mo>(</mo> <msup><mi>i</mi><mo>′</mo> </msup> <mo>)</mo></mrow><mo>=</mo><msub> <mi>v</mi> <mi>t</mi></msub><mrow> <mo>(</mo> <msup><mi>i</mi><mo>′</mo> </msup> <mo>)</mo></mrow><mo>/</mo><munderover> <mi>Σ</mi> <mrow><mi>t</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msub> <mi>v</mi> <mi>t</mi></msub><mrow> <mo>(</mo> <msup><mi>i</mi><mo>′</mo> </msup> <mo>)</mo></mrow><mo>;</mo> </mrow>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, <mrow><msub> <mi>ϵ</mi> <mi>t</mi></msub><mo>=</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>m</mi></munderover><msub> <mi>u</mi> <mi>t</mi></msub><mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo></mrow><mo>|</mo><msub> <mi>φ</mi> <mi>t</mi></msub><mrow> <mo>(</mo> <mi>δ</mi> <mrow><mo>(</mo><msub> <mi>x</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mo>)</mo></mrow><mo>-</mo><msub> <mi>y</mi> <mi>i</mi></msub><mo>|</mo><...
【专利技术属性】
技术研发人员:文学志,方巍,郑钰辉,
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。