一种基于光滑多示例学习的目标识别方法技术

本发明专利技术涉及一种基于光滑多示例学习的目标识别方法，包括样本训练步骤和目标识别步骤，样本训练步骤为：提取训练图片的示例特征；根据示例特征，进行光滑处理得到示例相关的连续概率模型；根据示例相关的连续概率模型进行训练，得到训练权重w；目标识别步骤为：提取待检测图片的示例特征；根据待检测图片的示例特征和训练权重，计算确定待检测图片中是否存在需要识别的目标。与现有技术相比，本发明专利技术具有识别效率高、识别准确率高以及识别效果好等优点。

【技术实现步骤摘要】
一种基于光滑多示例学习的目标识别方法
本专利技术涉及图像识别领域，尤其是涉及一种基于光滑多示例学习的目标识别方法。
技术介绍
多示例学习是1997年由Dietterich等人提出来的，当时主要用在药物活性预测上面。在那之后由于多示例学习在机器学习和机器视觉上的广泛应用，大量的多示例学习方法被提了出来。1998年DD(DiverseDensity)被提出来，这种方法通过在许多不同正包和少量负包中寻找区块的方式来处理多示例学习问题，之后此方法又被发展成DD-SVM。2002年和2005年有S.Andrews和C.Zhang等人分别提出了miSVM和MILBoost方法，他们通过训练SVM和boosting分类器进行示例分类。最近2015年J.Wu等人建立了一个深度学习框架和用Bag-of-word模型来解决大规模的多示例学习问题。目前，通过多示例学习来进行图像中目标识别的方法主要有以下三种：(1)有监督的图像目标识别严重依赖于人工的参与，需要人工对图像是否含有目标物体进行标记，还要对含有物体的图片中物体的位置进行标记。在样本量很大的情况下，这是非常费时费力的，还有一定的局限性。(2)并不本文档来自技高网...

【技术保护点】
一种基于光滑多示例学习的目标识别方法，其特征在于，所述方法包括样本训练步骤和目标识别步骤，所述样本训练步骤具体为：A1)提取训练图片的示例特征；A2)根据步骤A1)提取的示例特征，进行光滑处理得到示例相关的连续概率模型；A3)根据步骤A2)得到的示例相关的连续概率模型进行训练，得到训练权重w；所述目标识别步骤具体为：B1)提取待检测图片的示例特征；B2)根据步骤B1)得到的待检测图片的示例特征和步骤A3)得到的训练权重，计算确定待检测图片中是否存在需要识别的目标。

【技术特征摘要】
1.一种基于光滑多示例学习的目标识别方法，其特征在于，所述方法包括样本训练步骤和目标识别步骤，所述样本训练步骤具体为：A1)提取训练图片的示例特征；A2)根据步骤A1)提取的示例特征，进行光滑处理得到示例相关的连续概率模型；A3)根据步骤A2)得到的示例相关的连续概率模型进行训练，得到训练权重w；所述目标识别步骤具体为：B1)提取待检测图片的示例特征；B2)根据步骤B1)得到的待检测图片的示例特征和步骤A3)得到的训练权重，计算确定待检测图片中是否存在需要识别的目标。2.根据权利要求1所述的基于光滑多示例学习的目标识别方法，其特征在于，所述步骤A1)具体为：A11)以每张训练图片作为一个训练包，产生与每一个训练包相对应的示例；A12)对步骤A11)产生的所有示例进行特征提取，得到每一个示例的特征值xij。3.根据权利要求2所述的基于光滑多示例学习的目标识别方法，其特征在于，所述特征提取包括颜色特征提取、形状特征提取和纹理特征提取。4.根据权利要求3所述的基于光滑多示例学习的目标识别方法，其特征在于，所述步骤A2)具体为：A21)根据步骤A1)得到的示例特征，计算得到每一个示例的标签的连续概率模型pij；A22)根据步骤A21)得到的每一个示例的标签的连续概率模型pij，计算得到每一个训练图片的连续概率模型Pi。5.根据权利要求4所述的基于光滑多示例学习的目标识别方法，其特征在于，所述每一个示例的标签的连续概率模型pij具体为：pij＝Pr(yij＝1|xij；w)＝Φ(wTxij)其中，yij为第i个图片中的第j个示例。6.根据权利要求4所述的基于光滑多示例学习的目标识别方法，其特征在于，所述每一个训练图片的连续概率模型Pi具体为：其中，mi为第i张图片包含的示例总量。7.根据权利要求1所述的基于光滑多示例学习的目标识别方法，其特征在于，所述根据步骤A2)得到的示例相关的连续概率模型进行...

【专利技术属性】
技术研发人员：黄德双，李大元，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海,31