一种基于AdaBoost的弱分类器内部结构调整方法

摘要

本发明公开了一种基于AdaBoost的弱分类器内部结构调整方法，首先是训练弱分类器，通过加权训练样本决定训练的弱分类器的融合权重，每个弱分类器对输入样本输出一个弱假设，所有弱分类器组成一个强分类器并输出最终结果；其次是内部结构调整、最佳弱分类器参数选择和调整验证，然后利用遗传算法来解决最优化问题，最后是训练样本重新加权，根据训练样本的错误率高低来重新确定样本的权重。本发明在场景分类问题上有非常好的表现，分辨率高，误判率低。

主权项

一种基于AdaBoost的弱分类器内部结构调整方法，其特征在于包括以下步骤：步骤一：训练弱分类器，通过加权训练样本决定训练的弱分类器的融合权重，每个弱分类器对输入样本输出一个弱假设，所有弱分类器组成一个强分类器并输出最终结果；步骤二：对弱分类器进行内部结构调整，每个弱分类器的调整是由一个调整向量β和一个偏移向量η决定的，它们的维数都是1×N维，N为多级弱分类器的数目，按y∈Y＝{1,...,N}进行调整；步骤三：对内部结构调整后的弱分类器进行最佳参数选择，利用遗传算法来选取最佳参数；步骤四：调整过的弱分类器进行验证，即满足一个设定的阈值，具体为对于m个样本，调整验证计算方式如下：其中是弱分类器对于m个样本的分类表现，${\theta }_q=\{{\theta }_q^0,{\theta }_q^1,...,{\theta }_q^K\},$代表未经内部结构调整，${\theta }_q^0=<{\eta }_q^0,{\beta }_q^0>;{\eta }_q^0=0,{\beta }_q^0=1;$代表调整过的弱分类器对m个样本的分类表现，其中：${\theta }_q^{*}=<{\eta }_q^{*},{\beta }_q^{*}>=\arg \underset{{\theta }_q}{max}f\left({\theta }_q\right)$其中f(θ_q)是加权向量样本正确分辨率，$f\left({\theta }_q\right)=\frac{1}{m}\underset{i=1}{\overset{m}{\Sigma }}\left[h_q(x_i,y_i)\right]$其中i＝1,...,m，M为强分类器个数，m为训练样本集中样本数量；如果不成立，那么使用步骤一训练后的弱分类器；步骤五：训练样本重新加权，使用训练样本测试调整过的弱分类器，根据步骤一再次确定样本的权值，并计算每个强分类器的输出，最后将M个强分类器串联得到最终的级联分类器；所述步骤二中的内部结构调整方法为：最终的分类器由M个强分类器级联组成，每个强分类器由N个弱分类器组成，代表第q级强分类器对输入样本的响应向量，代表第q级强分类器中相对应的第k2级弱分类器对输入样本的响应，其中，q＝1,...,M，k2＝1,…,N，C_k代表每个强分类器中的第k2级弱分类器，内部结构调整向量最佳偏移向量假设h_t(x,y)是第t级内部结构调整过的弱分类器的分类，t＝1,...,M，则$h_t(x,y)={\beta }_t^y\left(R_t^y\right(x)-{\eta }_t^y),y\in Y=\{1,...,N\}$由N个弱分类器组成的强分类器的输出为$H\left(x\right)=\arg \underset{y\in Y}{max}\underset{i=1}{\overset{M}{\Sigma }}{\alpha }_t\times h_t(x,y)=\arg \underset{y\in Y}{max}\underset{i=1}{\overset{M}{\Sigma }}{\alpha }_t\times \left[{\beta }_t^y\left(R_t^y\right(x)-{\eta }_t^y)\right]$其中Y＝{1,...,N}。