| 主权项 |
1.基于冗余特征消减AdaBoost分类器的物体检测方法，其特征在于包括以下步骤：（1）分类器训练：在初次使用AdaBoost分类器之前，使用基于权重的冗余特征消减对传统训练过程进行改进，对分类器进行训练，同时进行特征选择；（2）物体特征提取：使用特征提取算法提取需要检测的物体的特征；（3）输入特征：将在步骤（2）中得到的特征输入步骤（1）训练完毕的分类器；（4）得到检测结果：分类器对输入的特征进行二元分类，确定输入的特征是否属于待检测的物体，输出检测结果；其中，所述步骤（1）基于冗余特征消减AdaBoost分类器的分类器训练方法如下：1)输入：一个特征集合F={f<sub>1</sub>,...,f<sub>K</sub>}以及S={(x<sub>1</sub>,y<sub>1</sub>),.....,(x<sub>N</sub>,y<sub>N</sub>)}这是一个带有标签的训练集合，其中y<sub>i</sub>={0,1}分别对应正样本与负样本，一个组合分类器h和一个给定的循环次数T，消除系数λ，以及关联阈值γ；2)初始化：数据集<img file="FDA00003022741400011.GIF" wi="156" he="87" />初始化训练样本权重:当y<sub>i</sub>=0，<img file="FDA00003022741400012.GIF" wi="311" he="150" />当y<sub>j</sub>=1时，<img file="FDA00003022741400013.GIF" wi="213" he="126" />其中m和l分别代表负样本和正样本的个数，特征权重D：d<sub>1,i</sub>=1.0，特征阈值θ=0.0，以及消除速率<img file="FDA00003022741400014.GIF" wi="236" he="120" />3)进行T次循环，每次循环过程如下：①归一化权重：<img file="FDA00003022741400021.GIF" wi="590" he="104" />使w<sub>t</sub>成为概率分布；②对每个在F中且权值d<sub>j</sub>>θ的特征f<sub>j</sub>，训练分类器h<sub>j</sub>；估计w<sub>t</sub>的错误率ε<sub>j</sub>=∑<sub>i</sub>w<sub>t,i</sub>h<sub>j</sub>(x<sub>i</sub>)-y<sub>i</sub>；③用最小错误率ε<sub>t</sub>选择分类器h<sub>t</sub>,同时G←G∪{f<sub>t</sub>}；④执行elimination_redundance(F,S,D<sub>t</sub>,w<sub>t</sub>,G<sub>t</sub>,f<sub>t</sub>,h,l,θ,γ)过程，即执行冗余特征消减过程；⑤在e<sub>i</sub>=0处，更新权值<img file="FDA00003022741400022.GIF" wi="334" he="80" />若样本x<sub>i</sub>分类正确，则e<sub>i</sub>=1，并且<maths num="0001"><![CDATA[<math><mrow><msub><mi>β</mi><mi>t</mi></msub><mo>=</mo><mfrac><msub><mi>ϵ</mi><mi>t</mi></msub><mrow><mn>1</mn><mo>-</mo><msub><mi>ϵ</mi><mi>t</mi></msub></mrow></mfrac><mo>;</mo></mrow></math>]]></maths>4)输出：强分类器<maths num="0002"><![CDATA[<math><mrow><mi>H</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><mfenced open='{' close=''><mtable><mtr><mtd><mn>1</mn></mtd><mtd><msubsup><mi>Σ</mi><mrow><mi>t</mi><mo>=</mo><mn>1</mn></mrow><mi>T</mi></msubsup><msub><mi>α</mi><mi>t</mi></msub><msub><mi>h</mi><mi>t</mi></msub><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>≥</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msubsup><mi>Σ</mi><mrow><mi>t</mi><mo>=</mo><mn>1</mn></mrow><mi>T</mi></msubsup><msub><mi>α</mi><mi>t</mi></msub></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>otherwise</mi></mtd></mtr></mtable></mfenced></mrow></math>]]></maths>其中<maths num="0003"><![CDATA[<math><mrow><msub><mi>α</mi><mi>t</mi></msub><mo>=</mo><mi>log</mi><mfrac><mn>1</mn><msub><mi>β</mi><mi>t</mi></msub></mfrac><mo>,</mo></mrow></math>]]></maths>同时选择了G中的T个特征；其中，所述步骤3）中的执行elimination_redundance(F,S,D<sub>t</sub>,w<sub>t</sub>,G<sub>t</sub>,f<sub>t</sub>,h,l,θ,γ)冗余特征消减过程如下：（1）输入：输入变量为elimination_redundance(F,S,D<sub>t</sub>,w<sub>t</sub>,G<sub>t</sub>,f<sub>t</sub>,h,l,θ,γ)，其中，F代表特征集合，S代表带有标签的训练集合，D<sub>t</sub>代表特征权重，w<sub>t</sub>代表样本权重，G是数据集，f<sub>t</sub>代表特征，h代表当前分类器，l代表正样本数，θ代表特征阈值，γ代表关联阈值；（2）初始化：将f<sub>t</sub>权值置为d<sub>t</sub>=0，置关联序列R为空，即<img file="FDA00003022741400027.GIF" wi="151" he="64" />（3）对<img file="FDA00003022741400028.GIF" wi="374" he="86" />权值d<sub>j</sub>>0的进行如下操作：①计算f<sub>t</sub>与f<sub>j</sub>的关联值，<maths num="0004"><![CDATA[<math><mrow><msub><mi>c</mi><mrow><mi>t</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><msubsup><mi>Σ</mi><mi>i</mi><mi>N</mi></msubsup><msub><mi>w</mi><mrow><mi>t</mi><mo>,</mo><mi>i</mi></mrow></msub><mo>|</mo><msub><mi>h</mi><mi>j</mi></msub><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>-</mo><msub><mi>h</mi><mi>t</mi></msub><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>;</mo></mrow></math>]]></maths>②将c<sub>t,j</sub>插入序列R中，并以升序排列；（4）当j<l，c<sub>t,j</sub>≤γ时将特征权值置为：d<sub>j</sub>=0，其中j是对应特征f<sub>j</sub>的序号。 |
