[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

说明书

技术领域

本发明涉及的是一种图像识别技术领域的方法，具体是一种基于训练自适应增强(Adaboost)和支持矢量机(SVM)的目标识别方法。

背景技术

目标识别方法的研究和应用是计算机视觉、智能视频分析领域的一个活跃的分支，在视频监控、安全检查、自动控制等系统中具有重要的地位。在复杂环境下，高效且准确的识别出目标将为后续的目标跟踪以及行为分析等处理环节提供了坚实而有效的保障。

目前的基于监督学习的目标识别技术通常为了取得较高的识别率而设计结构复杂的分类器，这些分类器的识别速度往往较慢，以至于很难对后续目标跟踪及行为分析等处理环节提供实时有效的结果和数据。复杂环境下高效、高精度的目标识别作为模式识别的难点之一，受到广泛的研究和关注，设计一种高效率、高精度的目标识别方法具有重要的意义。

Adaboost学习方法是通过一种自适应的学习方法选择出一系列分类能力较强并且相互之间冗余性较小的弱分类器。每次选择新的弱分类器的时候，都对学习样本的权重进行更新，使得那些能够被现有已经选出的弱分类器正确识别的样本的权重降低，而那些不能被现有的弱分类器正确识别的样本的权重增加。通过这样的自适应的权重更新过程，每次新选择出的弱分类器都更关注于那些还没有被正确识别的样本。由于每个弱分类器对应于一个哈尔特征，因此Adaboost学习过程可以看成是一个特征选择的过程。

支持矢量机是一种计算复杂度较低并且高效的算法，通常应用于小样本的学习过程中。在本方法中，将支持矢量机用于学习新增的分类器。在支持矢量机的学习过程中，用{x_i，y_i}，i＝1，2，...n来标记样本图像，假设这些样本是线性可分的，则存在某个分隔面H能够将正样本与负样本最优的分隔开来。

现有的基于监督学习的目标识别方法主要分为：支持矢量机，级联Adaboost分类器。

支持矢量机的方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。但支持矢量机的方法在大量样本条件下效率会变的很低，将消耗大量的机器内存和运算时间，并且难以应用到多类分类领域。因此，支持矢量机的方法通常应用于有少量样本的情况下。