基于类Haar和AdaBoost分类器的快速增量学方法

摘要

本发明提供一种基于类Haar和AdaBoost分类器的快速增量学方法，属于图像检测技术领域。本发明对于新增加的未正确识别的训练样本集，在不损失已有学效果的前提下，增加一些关键的类Haar特征信息，而不是重新寻找关键类Haar特征信息，以提高训练的速度。本发明利用所提出的增量学方法较好地解决了快速提升基于类Haar特征和AdaBoost分类器方法的识别性能问题，将其应用于车辆图像检测实验，与传统增量学方法相比，在两者提升识别性能相近的情形下，明显减少了学机的学时间。

主权项

1.一种基于类Haar和AdaBoost分类器的快速增量学习方法，其特征在于：所述快速增量学习方法对于未正确识别的新增加的训练样本集，采用原始训练样本集所得到的关键类Haar特征集为基础，通过增加新的关键类Haar特征来完成学习机的增量学习，具体步骤如下：设新增加的未正确识别训练样本集合为Δ，样本集合Δ的样本数量为m，样本集合Δ与原始训练样本集合的并集为Ω，样本并集Ω的样本总数为n，基于原始训练样本集合得到的关键类Haar特征集为Γ；样本集合Δ的初始权值为u₁(i)＝1/m，其中i＝1，2，…，m；样本并集Ω的初始权值为v₁(i′)＝1/(n)，其中i′＝1，2，…，n；m、n均为自然数；A、归一化样本并集Ω的权值：$v_t\left(i^{\prime }\right)=v_t\left(i^{\prime }\right)/\underset{t=1}{\overset{n}{\Sigma }}{v}_t\left(i^{\prime }\right);$B、基于样本集合Δ寻找关键特征：1)归一化样本集合Δ的权值：其中t代表迭代次数，t＝1，2，…，T，T为自然数；2)在样本集合Δ上构造弱分类器集合，采用(1)式寻找分类误差最小的弱分类器φ_t和关键类Haar特征δ，${ϵ}_t=\frac{1}{2}\underset{i=1}{\overset{m}{\Sigma }}{u}_t\left(i\right)|{\phi }_t\left(\delta \left(x_i\right)\right)-y_i|,---\left(1\right)$其中ε_t代表分类误差，φ_t(δ(x_i))表示对样本x_i上的关键特征δ的分类结果，y_i代表样本x_i的真实类别；C、若关键类Haar特征δ属于采用原始训练样本集所得到的关键类Haar特征集；直接进入下一步骤；否则，则将所述关键类Haar特征δ添加进基于原始训练样本集所得到的关键类Haar特征集Γ，进入下一步骤；D、在所述样本并集Ω和C步骤得到的关键类Haar特征集Γ上，构造弱分类器集合，并采用(2)式寻找误差最小的弱分类器f_t和关键类Haar特征η，$E_t=\frac{1}{2}\underset{t=1}{\overset{m+n}{\Sigma }}{v}_t\left(i^{\prime }\right)|f_t\left(\eta \left(x_{i^{\prime }}\right)\right)-y_{i^{\prime }}|,---\left(2\right)$其中E_t代表分类误差，f_t(η(x_i′))表示弱分类器f_t对样本x_i′上的关键特征η的分类结果；E、在所述样本并集Ω上计算分类权值α_t代表分类权值；F、更新样本并集Ω的权值：f_t(x_i′)表示弱分类器f_t对样本x_i′的分类结果，e为自然对数底且e为常数；G、更新样本集合Δ的权值：u_t(i)＝exp(-y_iψ_t(x_i))，其中ψ_t(x_i)＝p_t(θ_t-δ(x_i))，p_t∈{-1，+1}表示分类方向，θ_t为弱分类器在类Haar特征δ上的分类阈值，δ(x_i)表示样本x_i上的关键类Haar特征；H、如果在样本并集Ω上由弱分类器组成的强分类器F(x)＝sign(∑α_tf_t(x))对样本并集Ω的识别效果达到期望值，则输出分类器以及所选取的关键类Haar特征集；否则，返回A步骤。