专利名称：基于拒识的随机子空间的ecoc编码分类方法
技术领域：
本发明属于智能图像分析领域，具体涉及一种基于拒识的随机子空间的ECOC编码分类方法。
背景技术：
车型识别系统是智能交通系统的重要组成部分，同时也是计算机视觉、图像处理和模式识别等交叉学科研究的热门课题，因此对车型识别领域相关技术的研究正受到普遍关注。在近些年的模式识别领域中，主要是以提高分类准确率作为系统性能的标准。目前广泛使用的车型识别方法是利用分类器来区分各种车型，其成功的关键首先是对于各种类型的车辆图像集进行特征描述，其次选择合适的分类器来学习训练样本从而得到模型。一般来说，对于车辆等具有丰富边缘特征的样本，一般是以HOG (边缘梯度直方图)、类HAAR特征、Gabor特征等来进行描述。基于本图片集的实际情况，以HOG作为提取车辆图像特征的方法，以SVM(支持向量机)作为分类器，而目前SVM解决多类分类问题的算法主要有:1-V-R SVMs (One-versus-Rest) > 1-V-1 SVMs (one-versus-One) > ECOC (errorcorrect of coding)。相比较其他多类分类，ECOC方法具有纠错的功能,可以提高分类的准确率，因此被广泛应用到SVM的多类分类问题中。在基于误差编码分类提出之后，科学家在ECOC中编码与解码的研究中提出了新的方法。例如:影响ECOC分类器因素、连续码来进行ECOC分类等。在目前的车型分类系统中，很多人只把分类正确率作为唯一的评判标准，然而，在很多实际问题中，更为重要的是分类的结果的可靠性。例如，在追捕嫌疑车辆中，如果我们把嫌疑车辆识别为非嫌疑车辆，就会造成犯罪分子逃脱法律的制裁。因此我们应该将无法可靠评估和分类的案例拒绝分类，交给其他工具或专家处理，这样，可以降低错误分类造成的严重后果。本发明因此而来
发明内容
本发明目的在于提供一种基于拒识的随机子空间的ECOC编码分类方法，解决了现有技术中汽车图像分类可靠性不高、错误分类容易造成的严重后果等问题。为了解决现有技术中的这些问题，本发明提供的技术方案是:一种基于拒识的随机子空间的ECOC编码分类方法，其特征在于所述方法包括以下步骤:(I)获取待分类目标的形状特征；利用ECOC对待分类目标的形状特征进行编码，为每一类待分类目标集合构建一组编码，在每一个编码位上通过随机子空间和支持向量机(SVM)构建若干个SVM分类器；所述SVM分类器设置内部拒绝分类机制对基本分类器无法分类的待分类目标予以拒绝分类；(2)使用ECOC编码方法在每一个编码位中构建若干个SVM分类器的集成分类器，在集成分类器外部设置外部拒绝分类机制，所述集成分类器中基本分类器的分类结果经投票(majority voting)的方法进行决策融合，如果最终结果无法判定该编码位分类目标，通过外部拒绝分类机制予以拒绝分类；按照检测样本与编码矩阵的汉明距离或欧式距离来判断所属分类类别。优选的，所述方法步骤(I)中构造若干个SVM分类器的具体方法包括以下步骤:1)在训练样本的D维的特征空间中随机选择K维的子空间作为训练样本；2)利用得到的K维特征训练SVM分类器；3)重复步骤1) -2)在每一位得到L个不同的SVM分类器；其中D、K、L为自然数。本发明技术方案在实际应用中，由于利用HOG提取车辆特征是324维，因此在在324维特征中随即抽取其中的260维作为训练样本。根据实验结果，当分类器的个数为11时整体分类器的效果最佳。因此本发明参数选择为D=324，K=260, L=ll。优选的，所述方法中ECOC编码方法是假设L是不同类Wi (i=l，2，...N)的编码长度，N为class的个数，存在NXL的编码矩阵C = IchJ,其中Chk e {-1, I}, ^ (1,2...L)是编码矩阵中的第i列即第i个分类位，编码矩阵C定义了 L个两类分类问题；把检测样本输入到每一个两类分类器中，得到一个输出向量(output vector)，通过比较输出向量和编码矩阵的码字之间的最小汉明距离或欧氏距离得到最终的分类结果(label)。优选的，所述方法中在对每一个编码位上所有的分类器进行训练时，采用随机子空间方法(Random Subspace)随机抽取一定比例的特征向量进行训练。优选的，所述方法步骤(I)中内部拒绝分类机制为:假设:参数￥a (+1类)和￥b (-1类)是两类分类SVM的验后概率,且满足Va+Vb=1 ( ￥a e [O, I], ￥b e
);其中Va越靠近I则表明属于+1类的概率越大，反之则亦然；参数V作为衡量分类的信度指标，V = I ￥a-￥b ; 是拒识门限，hu是指编码矩阵中第i位(第i个两类分类)的第j个分类器的输出的结果；如果分类器拒绝分类之后将该分类器的输出标记“*”，则:
权利要求
1.一种基于拒识的随机子空间的ECOC编码分类方法，其特征在于所述方法包括以下步骤: (1)获取待分类目标的形状特征；利用ECOC对待分类目标的形状特征进行编码，为每一类待分类目标集合构建一组编码，在每一个编码位上通过随机子空间和支持向量机(SVM)构建若干个SVM分类器；所述SVM分类器设置内部拒绝分类机制对基本分类器无法分类的待分类目标予以拒绝分类； (2)使用ECOC编码方法在每一个编码位中构建若干个SVM分类器的集成分类器，在集成分类器外部设置外部拒绝分类机制，所述集成分类器中基本分类器的分类结果经投票(majority voting)的方法进行决策融合，如果最终结果无法判定该编码位分类目标，通过外部拒绝分类机制予以拒绝分类；按照检测样本与编码矩阵的汉明距离或欧式距离来判断所属分类类别。
2.根据权利要求1所述的ECOC编码分类方法，其特征在于所述方法步骤(I)中构造若干个SVM分类器的具体方法包括以下步骤: 1)在训练样本的D维的特征空间中随机选择K维的子空间作为训练样本； 2)利用得到的K维特征训练SVM分类器； 3)重复步骤I)-2)在每一位得到L个不同的SVM分类器； 其中D、K、L为自然数。
3.根据权利要求1所述的ECOC编码分类方法，其特征在于所述方法中ECOC编码方法是假设L是不同类Wi (i=l,2,...N)的编码长度，N为class的个数，存在NX L的编码矩阵C= IchJ，其中Chk e {-1, Il^hi (1，2..上)是编码矩阵中的第1列即第1个分类位，编码矩阵C定义了 L个两类分类问题；把检测样本输入到每一个两类分类器中，得到一个输出向量(output vector)，通过比较输出向量和编码矩阵的码字之间的最小汉明距离或欧氏距离得到最终的分类结果(label)。
4.根据权利要求3所述的ECOC编码分类方法，其特征在于所述方法中在对每一个编码位上所有的分类器进行训练时，采用随机子空间方法(Random Subspace)随机抽取一定比例的特征向量进行训练。
5.根据权利要求3所述的ECOC编码分类方法，其特征在于所述方法步骤(I)中内部拒绝分类机制为: 假设:参数Va (+1类)和Vb (-1类)是两类分类SVM的验后概率，且满足Iira+Fb =I( Va e [O, I], ￥b e
);其中Va越靠近I则表明属于+1类的概率越大,反之则亦然；参数V作为衡量分类的信度指标，V = I ￥a-￥b ; 是拒识门限，hu是指编码矩阵中第i位(第i个两类分类)的第j个分类器的输出的结果；如果分类器拒绝分类之后将该分类器的输出标记“*”，则:.{rejectψ <θ€ h =<ifο (argmax(!//[(,ii/,)ψ > 9C
6.根据权利要求3所述的ECOC编码分类方法，其特征在于所述方法步骤(2)中外部拒绝分类机制为在每一个编码位中将若干个基本分类器的分类结果利用投票的方法进行融合后，如果满足:
7.—种权利要求1 6任意一项所述的ECOC编码分类方法在汽车图像分类中的应用。
8.根据权利要求7所述的应用，其特征在于所述应用包括以下步骤: (1)获取待分类的汽车图像，采用边缘梯度直方图方法进行特征提取，获取待分类的汽车图像中汽车的形状特征； (2)利用ECOC对待分类的汽车图像进行编码，为每一类汽车图像集合构建一组编码，在每一个编码位上通过随机子空间和支持向量机(SVM)构建若干个SVM分类器；所述SVM分类器设置内部拒绝分类机制对基本分类器无法分类的待分类目标予以拒绝分类； (2)使用ECOC编码方法在每一个编码位中构建若干个SVM分类器的集成分类器，在集成分类器外部设置外部拒绝分类机制，所述集成分类器中基本分类器的分类结果经投票(majority voting)的方法进行决策融合，如果最终结果无法判定该编码位汽车图像，通过外部拒绝分类机制予以拒绝分类；按照检测样本与编码矩阵的汉明距离或欧式距离来判断所属分类类别。
全文摘要
本发明公开了一种基于拒识的随机子空间的ECOC编码分类方法，包括以下步骤(1)利用ECOC对待分类目标的形状特征进行编码，为每一类待分类目标集合构建一组编码，在每一个编码位上通过随机子空间和支持向量机(SVM)构建若干个SVM分类器；(2)使用ECOC编码方法在每一个编码位中构建若干个SVM分类器的集成分类器，在集成分类器外部设置外部拒绝分类机制，所述集成分类器中基本分类器的分类结果经投票的方法进行决策融合，如果最终结果无法判定该编码位分类目标，通过外部拒绝分类机制予以拒绝分类；按照检测样本与编码矩阵的汉明距离或欧式距离来判断所属分类类别。实验表明，在合理的拒分率范围内，此设计体系可显著提高车型分类的可靠性和准确率。
文档编号G06K9/66GK103246893SQ20131008880
公开日2013年8月14日 申请日期2013年3月20日 优先权日2013年3月20日
发明者张百灵, 潘皓 申请人:西交利物浦大学