一种改进的AdaBoost分类器构造方法

摘要

本发明提供一种改进的AdaBoost分类器构造方法，属于图像检测技术领域。本发明首先将样本的类Haar特征值与其类别标签结合起来生成候选分类位置集，从候选分类位置集中寻找使分类错误最小的位置，基于此位置构造弱分类器，并同时提供一种自适应的弱分类器阈值构造方法。本发明较好地解决了AdaBoost分类器训练准备时间过长以及性能的提升问题，将其结合类Haar特征用于车辆图像检测实验，与传统AdaBoost分类器方法相比，明显减少了分类器的训练所需时间，同时还提升了其识别性能。

主权项

一种改进的AdaBoost分类器构造方法，包括：步骤(1)、获取图像感兴趣区域；步骤(2)、计算积分图；步骤(3)、获得弱分类器；步骤(4)、将步骤(3)得到的弱分类器组合成强分类器；其特征在于：所述步骤(3)中获得弱分类器的步骤为：(3)‑Ⅰ、设所有类Haar特征在训练样本集S上得到的特征值集合为矩阵A： A = a 11 a 12 · · · a 1 j · · · a 1 n a 21 a 21 · · · a 2 j · · · a 2 n · · · · · · · · · · · · a i 1 a i 2 · · · a ij · · · a in · · · · · · · · · · · · a m 1 a m 2 · · · a mj · · · a mn 其中n表示训练样本集中样本的个数，m代表一张归一化为32×32的灰度图中构造的类Haar特征的个数，a11表示第1个类Haar特征在第1个样本上的值；aij表示第i个类Haar特征在第j个样本上的值，其中i∈{1，2，…，m}，j∈{1，2，…，n}，依此类推；(3)‑Ⅱ、进行迭代训练；Ⅱ‑1，采用基于计算积分图的方法求第i个类Haar特征在训练样本集S上的特征值，设对应的特征值构成的向量为Vec，样本xj的权值为wj，类型为yj，yj∈{‑1，+1}，其中1表示车，‑1表示非车，Vec[j]的值为在样本xj上的特征值；Ⅱ‑2，生成候选分类位置集：Ⅱ‑2.1，对特征向量排序：将对应的特征值构成的向量Vec中的元素由小到大排序得到新的向量SortVec，设排完序后对应的类别标签向量变为Lab；Ⅱ‑2.2，构造候选分类位置集：从左向右察看所有类别标签出现变化的位置对，判断所述出现变化的位置对所对应的特征值是否相同；若特征值不同，将所述位置对的第一个位置放入候选分类位置集中；若特征值相同，首先向左查找与所述相同特征值不同的第一个特征值，判断该特征值对应的位置是否已包含在候选分类位置集中，若该特征值对应的位置没有包含在候选分类位置集中，则将该特征值对应的位置加入候选分类位置集中；然后再向右查找与所述相同特征值不同的第一个特征值，断该特征值对应的位置是否已包含在候选分类位置集中，若该特征值对应的位置没有包含在候选分类位置集中，则将该特征值对应的位置加入候选分类位置集中；记得到的候选分类位置集为L＝{l1，l2，…，lk′}，其中k′为候选分类位置的个数，每一个候选分类位置用特征值对{SortVec(j‑1)，SortVec(j)}来表示，记为li′，i′＝1，2，…，k′；Ⅱ‑3，求最佳分类位置：从步骤Ⅱ‑2.2得到的候选分类位置集L中选取一个使得分类错误最小的分类位置作为最佳分类位置τ，τ∈L；Ⅱ‑4，设置分类阈值：Ⅱ‑4.1，设当特征值小于等于SortVec[τ‑1]时，类别输出为Label；设当特征值大于等于SortVec[τ]时，类别输出为‑Label，其中，Label∈{‑1，+1}；当特征值小于等于SortVec[τ‑1]时，类别输出为Label的先验概率P1为： P 1 ( Label | SortVec [ j ] ≤ SortVec [ τ - 1 ] ) = Σ y j = Label w j Σ j ≤ τ - 1 w j - - - ( 2 ) 当特征值大于等于SortVec[τ]时，类别输出为‑Label的先验概率P2为： P 2 ( - Label | SortVec [ j ] ≥ SortVec [ τ ] ) = Σ y j = - Label w j Σ j ≥ τ w j - - - ( 3 ) 其中，wj为第j个训练样本的权值，yj为第j个训练样本的真实类别；Ⅱ‑4.2，当P1＝0或P2＝0，直接进入(3)‑Ⅲ步骤；Ⅱ‑4.3，当P1≠0并且P2≠0时，分类阈值θi，即第i个类Haar特征所对应的弱分类器分类阈值，设置方法如下： θ i = SortVec [ τ - 1 ] + P 1 * | SortVec [ τ - 1 ] - SortVec [ τ ] | P 1 + P 2 - - - ( 4 ) Ⅱ‑5，根据以上的阈值，在给定的样本权重分布下构造弱分类器如下： f i = 1 pSortVec j < p θ i - 1 otherwise - - - ( 5 ) 其中SortVecj为第i个类Haar特征在第j个样本上相应的特征值，p∈{‑1，+1}表示分类方向；Ⅱ‑6，计算每个弱分类器对样本集的分类错误率： e i = Σ j=1 n w j | f i ( x j ) - y j | , 其中wj代表样本xj的权值，fi(xj)表示基于第i个类Haar特征构造的弱分类器fi对样本xj的分类结果；Ⅱ‑7，选取分类错误最小的弱分类器，并根据其分类效果对样本的权值进行更新：即分类错误的样本权值升高，而分类正确的样本权值降低；(3)‑Ⅲ、反复进行步骤(3)‑Ⅱ的迭代训练过程，直至分类错误趋近于零。