[发明专利]基于训练自适应增强和支持矢量机的目标识别方法

权利要求书

1.一种基于训练自适应增强和支持矢量机的目标识别方法，其特征在于，通过提取原始样本的哈尔特征，并用于训练得到基于Adaboost和SVM的级联分类器，然后用该级联分类器对待识别图像进行目标识别并得到最终的识别结果。

2.根据权利要求1所述的基于训练自适应增强和支持矢量机的目标识别方法，其特征是，所述的哈尔特征包括：基本哈尔特征以及扩展哈尔特征。

3.根据权利要求1所述的基于训练自适应增强和支持矢量机的目标识别方法，其特征是，所述的基本哈尔特征通过以下方式获得：将待识别图像沿水平或竖直方向划分不同大小的矩形小块，然后计算每个矩形小块的像素值的和并组成该待识别图像的矩形特征，然后将相邻的两个或者三个矩形小块的像素值的和相减作为该矩形特征的特征值；所述的扩展哈尔特征通过以下方式获得：将待识别图像沿水平或竖直方向划分不同大小的矩形小块，再沿着待识别图像的45度方向取一系列的斜矩阵，通过计算这些矩形小块的像素值的和并相减，得到这些扩展特征的特征值。

4.根据权利要求1所述的基于训练自适应增强和支持矢量机的目标识别方法，其特征是，所述的像素值为其中：ii(x，y)代表积分图像的像素值，i(x′，y′)代表原始图像的像素值，(x，y)为待识别图像的内部坐标。

5.根据权利要求1所述的基于训练自适应增强和支持矢量机的目标识别方法，其特征是，所述的级联分类器由多个Adaboost分类器以及SVM分类器级联组成，其中：各个Adaboost分类器按照复杂程度从小到大依次排序，前一级Adaboost分类器的输出被用作后一级Adaboost的输入，并且每个后一级Adaboost的分类器只使用那些能够通过前面分类器的样本进行训练，同时在每级Adaboost分类器后附带一个SVM分类器，该SVM分类器以它前面两级Adaboost分类器的输出置信值作为输入，根据前面两级Adaboost的检测结果决定是跳一级Adaboost分类器进行检测还是停止进行检测还是逐级进行Adaboost检测，以此在保证分类器整体识别率和误检率的同时提高分类器的检测速度。

6.根据权利要求1所述的基于训练自适应增强和支持矢量机的目标识别方法，其特征是，所述的级联分类器的整体识别率和误检率是指：和其中：D表示整个级联分类器的正样本检测率，F表示整个级联分类器的负样本的误检率，d_i，f_i分别表示第i级分类器的正样本的检测率和负样本的误检率。

7.根据权利要求1所述的基于训练自适应增强和支持矢量机的目标识别方法，其特征是，所述的训练是指：

1.1)设定每个哈尔特征分别对应一个弱分类器；

1.2)利用Adaboost的学习方法从全体弱分类器中选择出分类性能最优，并且相互之间冗余度最低的若干个弱分类器组成强分类器，并将这个Adaboost强分类器作为级联分类器的一级；

1.3)在每级Adaboost级联分类器后面新增一个SVM分类器，将训练样本通过前两级Adaboost分类器得到的输出置信值作为其后面SVM分类器学习的输入数据样本，用径向基核函数将对其进行映射，并且对SVM学习的正样本和负样本设定不同的惩罚系数以构建初始拒绝分隔面和初始跳跃分隔面这两个SVM线性分隔面，根据分隔面的检测率指标训练得到该级SVM分类器的最优拒绝分隔面和跳跃分隔面；

1.4)逐级训练分类器，直至各级级联分类器训练完毕。

8.根据权利要求1所述的基于训练自适应增强和支持矢量机的目标识别方法，其特征是，所述的弱分类器是指：弱分类器函数为其中：x代表待识别图像，f_j(x)代表特征j对应的哈尔特征值，α₁，α₂代表分类结果，θ_j代表分类器的阈值，通过选择分类性能最优的特征构建弱分类器，对于每个特征由弱分类器计算出一个对应阈值，该阈值能够保证被错误识别的样本数目最少。