一种基于浮动分类阈值的分类器集成方法

摘要

本发明公开了一种基于浮动分类阈值的分类器集成方法，该方法通过迭代T次，训练得到T个最佳弱分类器，然后组合T个最佳弱分类器得到最佳组合分类器。当针对二分类问题时，训练T个最佳弱分类器包括：(3.1)基于有权值的训练样本集S训练弱分类器，t＝1，...，T；(3.2)根据步骤(3.1)的结果调整样本权值(3.3)判断t是否小于T，若是，则令t＝t+1，并返回(3.1)，直至t＝T；当针对多分类问题时，训练T个最佳弱分类器包括：(3.1)基于有权值的训练样本集S训练弱分类器，t＝1，...，T；(3.2)根据步骤(3.1)的结果调整样本权值(3.3)判断t是否小于T，若是，则令t＝t+1，并返回(3.1)，直至t＝T。本发明相对于现有技术，能克服固定分类阈值分类器对分类边界附近点分类不稳定的这一缺点。

主权项

1.一种基于浮动分类阈值的分类器集成方法，用于人脸检测，所述方法包括如下步骤：（1）获取训练样本集S，所述训练样本集S为人脸检测数据集；（2）初始化样本权值并赋初值，i=1,...,m；（3）迭代T次，训练得到T个最佳弱分类器；（4）组合T个最佳弱分类器得到最佳组合分类器，其特征在于，当针对二分类问题时，所述步骤（3）包括如下步骤：（3.1）基于有权值的训练样本集S训练弱分类器，t=1,...,T，通过如下步骤实现：①对应训练样本集S的划分，定义一个区间i=1,...,m；②定义弱分类器h_t(x)，令$h_t\left(x_i\right)=0.5\times \ln (p_t^{i,1}/p_t^{i,-1}),p_t^{i,l}=\underset{i:(x_i\in S_i^t,y_i=l)}{\Sigma }{\omega }_i^t,$l=1,-1，其中x_i代表第i个样本的具体值，y_i代表第i个样本的类别，代表中l类样本权值之和，l代表二分类问题中类别为1和-1的类，即与为包含x_i，以x_i为中心样本空间的一个子集的正类样本累积权值与反类样本累积权值，每一个x_i得到样本空间S的一个子集但i≠j时，允许③选取弱分类器h_t(x)，使最小，其中Z_t代表样本权值调整后的归一化因子；（3.2）根据步骤（3.1）的结果调整样本权值（3.3）判断t是否小于T，若是，则令t=t+1，并返回步骤（3.1），若否，则进入步骤（4）。