CN105825224A - 分类器族的获取方法和装置 - Google Patents
分类器族的获取方法和装置 Download PDFInfo
- Publication number
- CN105825224A CN105825224A CN201610137041.4A CN201610137041A CN105825224A CN 105825224 A CN105825224 A CN 105825224A CN 201610137041 A CN201610137041 A CN 201610137041A CN 105825224 A CN105825224 A CN 105825224A
- Authority
- CN
- China
- Prior art keywords
- grader
- race
- current class
- class device
- data sets
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Abstract
本发明提供一种分类器族的获取方法和装置。该方法包括：步骤A：获取样本数据集合、分类器族中预设的分类器数目和分类器类型；步骤B：计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器；步骤C：将所述下一个分类器添加至所述当前分类器族中，并将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中；步骤D：重复执行步骤B和步骤C，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。本发明的方法，可以对所有行为各异的样本进行有效识别，提高了用户样本的识别准确度。
Description
技术领域
本发明涉及人机交互技术，尤其涉及一种分类器族的获取方法和装置。
背景技术
随着计算机技术、网络通信技术的发展，人们的生活水平有了巨大的提高，居住条件得到了极大的改善，智能家居系统的发展是我国住宅技术创新的必然趋势，是现代住宅的必然选择。手势识别技术以自然而直观的人手作为输入方式，提供给用户更加和谐、自然的交互方式，是人机交互的热点，把手势应用到智能家居中无疑给生活带来巨大的便利。通过对用户的目标手势进行跟踪识别，可以根据所识别到的手势进行相应的触发或者控制。
现有技术中是从总的样本集(该样本集中包括不同的个体的不同手势)训练出一个统一的通用分类器,来识别不同的用户的手势操作。
但是，现有技术所训练的分类器，在应用时难以适应于所有用户,识别准确度不高。
发明内容
本发明提供一种分类器族的获取方法和装置，用以解决现有技术所训练的分类器，在应用时难以适应于所有用户,识别准确度不高的技术问题。
第一方面，本发明提供一种分类器族的获取方法，包括：
步骤A：获取样本数据集合、分类器族中预设的分类器数目和分类器类型；所述样本数据集合包括多个个体以及多个个体提供的不同样本；
步骤B：计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器；其中，所述当前分类器族包括至少一个分类器；
步骤C：将所述下一个分类器添加至所述当前分类器族中，并将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中；
步骤D：重复执行步骤B和步骤C，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。
进一步地，所述在步骤B之前，还包括：
根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，其中，所述当前分类器族对应的分类器族参数集合包括所述第一个分类器所使用的参数。
更进一步地，所述根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，具体包括：
根据所述样本数据集合所述预设的分类器数目、所述分类器类型和公式初始化所述当前分类器族，获得所述第一个分类器；其中，所述为所述第一个分类器所使用的参数，所述为样本特征，所述为样本所属的类型，S为所述样本数据集合中提供样本的个体的个数，K为每个个体s所提供的样本的个数。
可选的，所述计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器，具体包括：
根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；
根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述为第t个分类器所使用的参数。
可选的，所述计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器，具体包括：
根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；
根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
可选的，所述计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器，具体包括：
根据公式计算所述每个个体以及所述每个个体的不同样本与所述当前分类器族的匹配度；其中，所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；
根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
第二方面，本发明提供一种分类器族的获取装置，包括：
第一获取模块，用于获取样本数据集合、分类器族中预设的分类器数目和分类器类型；所述样本数据集合包括多个个体以及多个个体提供的不同样本；
第二获取模块，用于计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器；其中，所述当前分类器族包括至少一个分类器；
添加模块，用于将所述下一个分类器添加至所述当前分类器族中，并将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中；
循环模块，用于指示所述第二获取模块和所述添加模块继续获取新的下一个分类器，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。
进一步地，所述装置还包括：
初始化模块，用于根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，其中，所述当前分类器族对应的分类器族参数集合包括所述第一个分类器所使用的参数。
更进一步地，所述初始化模块，具体用于根据所述样本数据集合所述预设的分类器数目、所述分类器类型和公式初始化所述当前分类器族，获得所述第一个分类器；其中，所述为所述第一个分类器所使用的参数，所述为样本特征，所述为样本所属的类型，S为所述样本数据集合中提供样本的个体的个数，K为每个个体s所提供的样本的个数。
可选的，所述第二获取模块，具体用于根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数，所述为第t个分类器所使用的参数。
可选的，所述第二获取模块，具体用于根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
可选的，所述第二获取模块，具体用于根据公式计算所述每个个体以及所述每个个体的不同样本与所述当前分类器族的匹配度，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
本发明提供的分类器族的获取方法和装置，通过根据样本数据集合、分类器族中预设的分类器数据和分类器类型，得到样本数据集合的每个个体与当前分类器族的匹配度，从而根据该匹配度获知当前分类器族对样本数据集合中的样本的识别程度，进而针对当前分类器族无法有效识别或者识别不准确的样本、结合上述预设的分类器数目和分类器类型，重新训练出下一个分类器，进而将下一个分类器添加至当前分类器族中，使得该下一个分类器能够对上述分类器族无法有效识别或者识别不准确的样本进行识别，依次类推，得到完整的分类器族，该分类器族能够针对样本数据集合中所有行为各异的样本进行有效识别，提高了用户样本的识别准确度。
附图说明
图1为本发明提供的分类器族的获取方法实施例一的流程示意图；
图2为本发明提供的分类器族的获取方法实施例二的流程示意图；
图3为本发明提供的分类器族的获取方法实施例三的流程示意图；
图4为本发明提供的分类器族的获取方法实施例四的流程示意图；
图5为本发明提供的分类器族的获取方法实施例五的流程示意图；
图6为本发明提供的分类器族的获取装置实施例一的结构示意图；
图7为本发明提供的分类器族的获取装置实施例二的结构示意图。
具体实施方式
本发明所涉及的分类器族的获取方法，可以适用于不同的目标识别系统中的目标识别，例如，可以适用于手势识别系统中，还可以适用于人脸表情识别系统中。本申请所涉及的分类器族可以包括多个分类器，且每个分类器之间具有一定的关联。以手势识别系统为例，该手势识别系统可以应用于家电控制、智能导航、游戏娱乐等相关的嵌入式智能设备中，采用本申请所涉及的方法所获取的分类器族可以更好的识别手势。以被识别的目标为手势为例，该分类器族的获取方法可以集合到手势识别系统中，通过跟踪和识别用户的手势，实现相应的操作控制，例如，用于家电控制(例如通过手势控制电视机的开关、换台、调音，或者通过手势控制空调温度、风向，或者通过手势控制电磁炉操作选项、时间，等等)、鼠标操作(即用手势代替鼠标操作电脑)、空中手书(对用户空中书写进行字体识别，了解用户操作意图)。
可选的，本发明所涉及的方法实施例的执行主体可以为分类器族的获取装置，该分类器族的获取装置可以是单独的目标识别系统，还可以是集成在目标识别系统中的装置。该分类器族的获取装置可以通过软件、硬件或者软硬结合的方式实现。
本发明提供的分类器族的获取方法，旨在解决现有技术中由于训练数据集来自于操作行为各异的用户，导致类内差异大，因此难以训练出有较好性能的通用分类器，即旨在解决现有技术所训练的分类器在应用时难以适应于所有用户，识别目标的准确度不高的技术问题。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本发明提供的分类器族的获取方法实施例一的流程示意图。本实施例涉及的是目标识别系统针对目标的分类问题训练出一族分类器(即分类器族)的具体过程。该目标可以是手势、人脸表情等类型，分类器中的每个分类器彼此相关，能够更好的识别目标。如图1所示，该方法可以包括如下步骤：
步骤A：获取样本数据集合、分类器族中预设的分类器数目和分类器类型；所述样本数据集合包括多个个体以及多个个体提供的不同样本。
具体的，目标识别系统可以通过摄像头采集样本数据集合，还可以通过其他的外部设备采集样本数据集合，该样本数据集合可以用来表示，即该样本数据集合表示样本总共来自S个人,每人提供K个样本。另外，上述分类器族中预设的分类器数目可以是人为配置给目标识别系统的，还可以是目标识别系统根据样本数据集合的大小确定的。需要说明的是，上述分类器族中的分类器的类型均相同。
步骤B：计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器；其中，所述当前分类器族包括至少一个分类器。
具体的，当目标识别系统获得样本数据集合、分类器族中预设分类器数据以及分类器类型之后，结合当前分类器族中已有的分类器，计算样本数据集合中每个个体S与当前分类器族中的每个分类器的匹配度，进而从所计算出的多个匹配度中确定出一个最大匹配度，作为每个个体与当前分类器族的匹配度。可选的，当前分类器族对应一个分类器族参数集合，该分类器族参数集合包括当前分类器族中的每个分类器所使用的参数。
在目标识别系统获取到上述每个个体与当前分类器族的匹配度之后，可以获知当前分类器族中的分类器对样本数据集合中哪部分样本识别的较好，对于哪部分样本识别的较差，例如，设当前分类器族中的分类器对样本数据集合中A部分样本识别的较好，对于B部分样本识别的较差。因而，目标识别系统就会针对B部分样本，结合上述预设的分类器数目和分类器类型，训练出下一个分类器，使得所述下一个分类器能较好的识别B部分样本的部分样本或者全部样本。
步骤C：将所述下一个分类器添加至所述当前分类器族中，并将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中。
具体的，在目标识别系统获得下一个分类器后，更新当前分类器族，即将该下一个分类器添加至当前分类器族中，并且将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中。可选的，这里的“添加”可以理解为将当前分类器族与所述下一个分类器取并集，得到一个新的分类器族，重新作为当前分类器族。
步骤D：重复执行步骤B和步骤C，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。
具体的，在目标识别系统更新当前分类器族之后，继续根据样本数据集合计算样本数据集合中的每个个体与新的当前分类器族的匹配度，并根据该匹配度、上述样本数据集合、预设的分类器数目和分类器类型，获取下下一个分类器，进而再次将所述下下一个分类器与当前分类器族取并集，得到一个新的分类器族，将该新的分类器族重新作为当前分类器族，以此类推，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。这样，最后得到的分类器族中就包括了和预设的分类器数目个数相等的分类器。
现有技术中，其是针对样本数据集合训练一个通用的分类器，该通用分类器无法有效且良好的识别样本数据集合中行为各异的用户样本，例如，一个样本数据集合中包括A、B两部分样本，假设该通用分类器只能很好的处理A部分样本，对于B部分样本，其无法精确识别，因此，通用分类器在处理整个样本数据集合时识别准确度不高；但是，在本发明中，其是根据样本数据集合的每个个体与当前分类器族的匹配度获知当前分类器族对样本数据集合中的样本的识别程度，假设当前分类器族中只有一个分类器，目标识别系统根据样本数据集合的每个个体与当前分类器族的匹配度获知其处理A部分样本较好，对于B部分样本，其无法精确识别，因此，针对B部分样本，目标识别系统结合该B部分样本、上述预设的分类器数目和分类器类型，重新训练出下一个分类器，进而将下一个分类器添加至当前分类器族中(即当前分类器族此时包括了两个分类器)，使得该下一个分类器能够对B部分样本进行一定程度的识别(该一定程度可以是很好的识别或者只能识别一部分)。当下一个分类器只能对B部分样本中的部分样本进行很好的识别(假设下一个分类器对B部分样本中的C部分样本处理的不好)，目标识别系统也会再次根据每个个体与当前分类器族的匹配度确定当前分类器族对C部分样本处理的不好，然后目标识别系统会进一步针对该C部分样本、结合上述预设的分类器数目和分类器类型，重新训练出下下一个分类器，进而将该下下一个分类器添加至当前分类器族中(即当前分类器族此时包括了三个分类器)，使得该下下一个分类器能够对C部分样本进行一定程度的识别，依次类推，得到完整的分类器族，该分类器族能够针对样本数据集合中所有行为各异的样本进行有效识别，提供了用户样本的识别准确度。
本发明提供的分类器族的获取方法，通过根据样本数据集合、分类器族中预设的分类器数据和分类器类型，得到样本数据集合的每个个体与当前分类器族的匹配度，从而根据该匹配度获知当前分类器族对样本数据集合中的样本的识别程度，进而针对当前分类器族无法有效识别或者识别不准确的样本、结合上述预设的分类器数目和分类器类型，重新训练出下一个分类器，进而将下一个分类器添加至当前分类器族中，使得该下一个分类器能够对上述分类器族无法有效识别或者识别不准确的样本进行识别，依次类推，得到完整的分类器族，该分类器族能够针对样本数据集合中所有行为各异的样本进行有效识别，提高了用户样本的识别准确度。
图2为本发明提供的获取分类器族的方法实施例二的流程示意图。本实施例涉及的是在目标识别系统启动之后，当前分类器族为空时，目标识别系统初始化当前分类器族，以得到当前分类器族中的第一个分类器的具体过程。在上述实施例一的基础上，进一步地，在上述步骤B之前，该方法还可以包括：
步骤E：根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，其中，所述当前分类器族对应的分类器族参数集合包括所述第一个分类器所使用的参数。
具体的，在目标识别系统还未训练分类器时，目标识别系统需要获取样本数据集合，并根据样本数据集合、预设非分类器数目和分类器类型，初始化当前分类器族，即预先训练出分类器族中的第一个分类器，可选的，可以根据公式初始化所述当前分类器族，获得所述第一个分类器所使用的参数进而根据该获得第一个分类器；其中，样本数据集合为所述为样本特征，所述为样本所属的类型，S为所述样本数据集合中提供样本的个体的个数，K为每个个体s所提供的样本的个数。可选的，还可以采用现有的方式训练出分类器族中的第一个分类器，本申请对此并不做限制。当目标识别系统初始化当前分类器族之后，可以执行上述步骤B，即基于第一个分类器的基础，训练下一个分类器。
在上述实施例二的基础上，下述实施例主要介绍目标识别系统训练分类器族的具体过程。可以分为三个不同的实施例进行描述：
图3为本发明提供的分类器族的获取方法实施例三的流程示意图。本实施例涉及的目标识别系统获取分类器族的具体过程。在上述实施例的基础上，进一步地，上述步骤B包括如下步骤：
S101：根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数。
具体的，上述Θ*为所述分类器族参数集合，该Θ*中包括当前分类器族中的所有分类器所使用的参数θ。这里需要说明的是，本实施例涉及的是每个个体与当前分类器族的匹配度Ls(Θ*)，这里的每个个体指的是不同的用户，由于样本数据集合中包括不同的个体、以及不同的个体的不同样本，因此，这里的匹配度仅针对的是不同的个体与当前分类器族的匹配度Ls(Θ*)。可选的，上述Ps(θ)可以采用多种具体的函数形式,比如可以是softmax模型、随机森林等，本发明对此并不做限定。
可选的，上述Θ*的选取原则可以通过公式
来进行学习和选择。
S102：根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述为第t个分类器所使用的参数。
具体的，在目标识别系统获得每个个体与当前分类器族的匹配度Ls(Θ*)之后，目标识别系统根据上述公式并结合预设的分类器数目和所述分类器类型，获取下一个分类器，并在获得下一个分类器之后，将下一个分类器添加至当前分类器族中。然后，重复执行上述S101和S102，并在当前分类器族中的分类器数目达到预设的分类器数目之后，退出循环过程。
本发明提供的分类器族的获取方法，在应用时可以适应于所有用户,识别目标的准确度高；并且无需要求用户长时间的练习，本发明的分类器族在使用阶段仅需要采集少量的用户样本,就可以从分类器族中获取适合该样本的分类器，从而作为该用户的特用分类器，大大提高了识别效率。并且，该分类器族的学习过程,实现了对样本数据集合的隐形分类，无需人工对数据集分类，大大提高了分类器族的学习效率。
图4为本发明提供的分类器族的获取方法实施例四的流程示意图。本实施例涉及的目标识别系统获取分类器族的另一具体过程。本实施例所获取的分类器族可以避免分类器族在处理样本数据集合时的不同分类器出现过拟合问题。这里的过拟合问题，可以通过一个例子来说明，例如：假设当前分类器族处理样本数据集合中的A部分样本的效果较好，处理B部分样本的效果不好，即对于属于A部分的样本(s∈A)，Ls(Θ*)的取值都比较大，对于属于B部分的样本(s∈B)，Ls(Θ*)的取值都比较小，这样就使得在计算下一个分类器时所选择的参数存在不合适的问题。因此，针对该问题，可以通过下述步骤来解决，即上述步骤B包括如下步骤：
S201：根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数。
具体的，该S201的具体描述可以参见上述S101的描述，在此不再赘述。
S202：根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器。
其中，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
具体的，在目标识别系统获得每个个体与当前分类器族的匹配度Ls(Θ*)之后，目标识别系统根据上述公式并结合预设的分类器数目和所述分类器类型，获取下一个分类器，并在获得下一个分类器之后，将下一个分类器添加至当前分类器族中。然后，重复执行上述S101和S102，并在当前分类器族中的分类器数目达到预设的分类器数目之后，退出循环过程。
需要说明的是，通过令这样当样本数据集合中的某部分样本与分类器族的Ls特别大(即分类器族对这个个体的拟合效果好)时，可以通过min{v,Ls(Θ*)}修正ws，这样ws(该部分样本的权重)的作用就比较明显，就可以折中公式中的值，从而得到合适的下一个分类器的参数确保下一个分类器在处理好当前分类器族处理不好的那部分样本之外，不致于在当前分类器处理较好的那部分样本上表现太差.
本发明提供的分类器族的获取方法，在应用时可以适应于所有用户,识别目标的准确度高；并且无需要求用户长时间的练习，本发明的分类器族在使用阶段仅需要采集少量的用户样本,就可以从分类器族中获取适合该样本的分类器，从而作为该用户的特用分类器，大大提高了识别效率；另外也避免在训练分类器族时出现单个分类器对部分样本过拟合的问题，使得所训练出的分类器中的所有分类器能够更好的适用于所有用户。
图5为本发明提供的分类器族的获取方法实施例五的流程示意图。本实施例涉及的目标识别系统获取分类器族的另一具体过程。本实施例可以适用于如下场景：两个用户在操作某一手势时具有较高的相似度，但是在操作其他手势时,却存在着较大差异，因此为了更加精确识别该场景下的不同用户的不同手势，在上述实施例的基础上，提出了本实施例的具体过程，即上述步骤B可以包括如下步骤：
S301：根据公式计算所述每个个体以及所述每个个体的不同样本与所述当前分类器族的匹配度。
具体的，与上述实施例不同的是，上述实施例计算的不同个体与当前分类器族的匹配度，本实施例计算的不同个体以及每个个体的不同样本与当前分类器族的匹配度，这样使得所得到的“匹配度”所参考的因素较多，因而其识别的准确率会更高。
S302：根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器。
其中，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
具体的，该S302的具体过程可以参见上述S202的描述，在此不再赘述。也就是说，本实施例所得到的分类器族不仅可以解决上述实施例二中所涉及的过拟合的问题，也可以在处理样本数据集合时更加准确的识别个体和个体的样本，使得识别的准确度更高。
本发明提供的分类器族的获取方法，在应用时可以适应于所有用户,能够精确识别不同个体的不同样本，识别目标的准确度更高；并且无需要求用户长时间的练习，本发明的分类器族在使用阶段仅需要采集少量的用户样本,就可以从分类器族中获取适合该样本的分类器，从而作为该用户的特用分类器，大大提高了识别效率；另外也避免在训练分类器族时出现的过拟合问题，使得所训练出的分类器中的所有分类器能够更好的适用于所有用户。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
图6为本发明提供的分类器族的获取装置实施例一的结构示意图。如图6所示，该分类器族装置可以包括：第一获取模块10、第二获取模块11、添加模块12和循环模块13。
第一获取模块10，用于获取样本数据集合、分类器族中预设的分类器数目和分类器类型；所述样本数据集合包括多个个体以及多个个体提供的不同样本；
第二获取模块11，用于计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器；其中，所述当前分类器族包括至少一个分类器；
添加模块12，用于将所述下一个分类器添加至所述当前分类器族中，并将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中；
循环模块13，用于指示所述第二获取模块11和所述添加模块12继续获取新的下一个分类器，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。
本发明提供的分类器族的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图7为本发明提供的分类器族的获取装置实施例二的结构示意图。在上述图6所示实施例的基础上，进一步地，如图7所示，该分类器族装置该可以包括：
初始化模块14，用于根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，其中，所述当前分类器族对应的分类器族参数集合包括所述第一个分类器所使用的参数。
进一步地，所述初始化模块14，具体用于根据所述样本数据集合所述预设的分类器数目、所述分类器类型和公式初始化所述当前分类器族，获得所述第一个分类器；其中，所述为所述第一个分类器所使用的参数，所述为样本特征，所述为样本所属的类型，S为所述样本数据集合中提供样本的个体的个数，K为每个个体s所提供的样本的个数。
作为本发明的一种可能的实施方式，所述第二获取模块11，具体用于根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数，所述为第t个分类器所使用的参数。
作为本发明的另一种可能的实施方式，所述第二获取模块11，具体用于根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
作为本发明的另一种可能的实施方式，所述第二获取模块11，具体用于根据公式计算所述每个个体以及所述每个个体的不同样本与所述当前分类器族的匹配度，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
本发明提供的分类器族的获取装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (12)
1.一种分类器族的获取方法，其特征在于，包括：
步骤A：获取样本数据集合、分类器族中预设的分类器数目和分类器类型；所述样本数据集合包括多个个体以及多个个体提供的不同样本；
步骤B：计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器；其中，所述当前分类器族包括至少一个分类器；
步骤C：将所述下一个分类器添加至所述当前分类器族中，并将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中；
步骤D：重复执行步骤B和步骤C，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。
2.根据权利要求1所述的方法，其特征在于，所述在步骤B之前，还包括：
根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，其中，所述当前分类器族对应的分类器族参数集合包括所述第一个分类器所使用的参数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，具体包括：
根据所述样本数据集合所述预设的分类器数目、所述分类器类型和公式初始化所述当前分类器族，获得所述第一个分类器；其中，所述为所述第一个分类器所使用的参数，所述为样本特征，所述为样本所属的类型，S为所述样本数据集合中提供样本的个体的个数，K为每个个体s所提供的样本的个数。
4.根据权利要求3所述的方法，其特征在于，所述计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器，具体包括：
根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；
根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述为第t个分类器所使用的参数。
5.根据权利要求3所述的方法，其特征在于，所述计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器，具体包括：
根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；
根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
6.根据权利要求3所述的方法，其特征在于，所述计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器，具体包括：
根据公式计算所述每个个体以及所述每个个体的不同样本与所述当前分类器族的匹配度；其中，所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；
根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
7.一种分类器族的获取装置，其特征在于，包括：
第一获取模块，用于获取样本数据集合、分类器族中预设的分类器数目和分类器类型；所述样本数据集合包括多个个体以及多个个体提供的不同样本；
第二获取模块，用于计算所述样本数据集合的每个个体与当前分类器族的匹配度，并根据所述匹配度、所述样本数据集合、所述预设的分类器数目和所述分类器类型，获取下一个分类器；其中，所述当前分类器族包括至少一个分类器；
添加模块，用于将所述下一个分类器添加至所述当前分类器族中，并将所述下一个分类器所使用的参数添加至所述当前分类器族对应的分类器族参数集合中；
循环模块，用于指示所述第二获取模块和所述添加模块继续获取新的下一个分类器，直至当前分类器族中的分类器数目达到所述预设的分类器数目为止。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
初始化模块，用于根据所述样本数据集合、所述预设的分类器数目和所述分类器类型，初始化所述当前分类器族，获得所述当前分类器族中的第一个分类器，其中，所述当前分类器族对应的分类器族参数集合包括所述第一个分类器所使用的参数。
9.根据权利要求8所述的装置，其特征在于，所述初始化模块，具体用于根据所述样本数据集合所述预设的分类器数目、所述分类器类型和公式初始化所述当前分类器族，获得所述第一个分类器；其中，所述为所述第一个分类器所使用的参数，所述为样本特征，所述为样本所属的类型，S为所述样本数据集合中提供样本的个体的个数，K为每个个体s所提供的样本的个数。
10.根据权利要求9所述的装置，其特征在于，所述第二获取模块，具体用于根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数，所述为第t个分类器所使用的参数。
11.根据权利要求9所述的装置，其特征在于，所述第二获取模块，具体用于根据公式计算所述每个个体与所述当前分类器族的匹配度Ls(Θ*)，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数；所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
12.根据权利要求9所述的装置，其特征在于，所述第二获取模块，具体用于根据公式计算所述每个个体以及所述每个个体的不同样本与所述当前分类器族的匹配度，并根据公式所述预设的分类器数目和所述分类器类型，获取所述下一个分类器；其中，所述Θ*为所述分类器族参数集合，所述θ为所述分类器族参数集合中的参数，所述为第t个分类器所使用的参数，所述所述v为预设阈值，所述τ为预配置参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610137041.4A CN105825224A (zh) | 2016-03-10 | 2016-03-10 | 分类器族的获取方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610137041.4A CN105825224A (zh) | 2016-03-10 | 2016-03-10 | 分类器族的获取方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105825224A true CN105825224A (zh) | 2016-08-03 |
Family
ID=56987582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610137041.4A Pending CN105825224A (zh) | 2016-03-10 | 2016-03-10 | 分类器族的获取方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105825224A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778791A (zh) * | 2017-03-01 | 2017-05-31 | 成都天衡电科科技有限公司 | 一种基于多重感知器的木材视觉识别方法 |
| CN109145151A (zh) * | 2018-06-20 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种视频的情感分类获取方法及装置 |
| CN111582359A (zh) * | 2020-04-28 | 2020-08-25 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964059A (zh) * | 2009-07-24 | 2011-02-02 | 富士通株式会社 | 构建级联分类器的方法、识别对象的方法及装置 |
| CN103377378A (zh) * | 2012-04-26 | 2013-10-30 | 富士通株式会社 | 生成组合分类器的方法和装置以及图像检索方法和装置 |
| CN103824051A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于局部区域匹配的人脸搜索方法 |
| US20150138078A1 (en) * | 2013-11-18 | 2015-05-21 | Eyal Krupka | Hand pose recognition using boosted look up tables |
| CN104778474A (zh) * | 2015-03-23 | 2015-07-15 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
| US20150235073A1 (en) * | 2014-01-28 | 2015-08-20 | The Trustees Of The Stevens Institute Of Technology | Flexible part-based representation for real-world face recognition apparatus and methods |
-
2016
- 2016-03-10 CN CN201610137041.4A patent/CN105825224A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101964059A (zh) * | 2009-07-24 | 2011-02-02 | 富士通株式会社 | 构建级联分类器的方法、识别对象的方法及装置 |
| CN103377378A (zh) * | 2012-04-26 | 2013-10-30 | 富士通株式会社 | 生成组合分类器的方法和装置以及图像检索方法和装置 |
| US20150138078A1 (en) * | 2013-11-18 | 2015-05-21 | Eyal Krupka | Hand pose recognition using boosted look up tables |
| US20150235073A1 (en) * | 2014-01-28 | 2015-08-20 | The Trustees Of The Stevens Institute Of Technology | Flexible part-based representation for real-world face recognition apparatus and methods |
| CN103824051A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于局部区域匹配的人脸搜索方法 |
| CN104778474A (zh) * | 2015-03-23 | 2015-07-15 | 四川九洲电器集团有限责任公司 | 一种用于目标检测的分类器构建方法及目标检测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778791A (zh) * | 2017-03-01 | 2017-05-31 | 成都天衡电科科技有限公司 | 一种基于多重感知器的木材视觉识别方法 |
| CN109145151A (zh) * | 2018-06-20 | 2019-01-04 | 北京达佳互联信息技术有限公司 | 一种视频的情感分类获取方法及装置 |
| CN109145151B (zh) * | 2018-06-20 | 2021-05-18 | 北京达佳互联信息技术有限公司 | 一种视频的情感分类获取方法及装置 |
| CN111582359A (zh) * | 2020-04-28 | 2020-08-25 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
| CN111582359B (zh) * | 2020-04-28 | 2023-04-07 | 新疆维吾尔自治区烟草公司 | 一种图像识别方法、装置、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110362677B (zh) | 文本数据类别的识别方法及装置、存储介质、计算机设备 | |
| US9818032B2 (en) | Automatic video summarization | |
| US9448636B2 (en) | Identifying gestures using gesture data compressed by PCA, principal joint variable analysis, and compressed feature matrices | |
| EP3198373A1 (en) | Tracking hand/body pose | |
| US11727265B2 (en) | Methods and apparatus to provide machine programmed creative support to a user | |
| US11645546B2 (en) | System and method for predicting fine-grained adversarial multi-agent motion | |
| US20210049989A1 (en) | Techniques for learning effective musical features for generative and retrieval-based applications | |
| CN112036261A (zh) | 手势识别方法、装置、存储介质、电子装置 | |
| Ding et al. | An adaptive hidden Markov model-based gesture recognition approach using Kinect to simplify large-scale video data processing for humanoid robot imitation | |
| CN104932681A (zh) | 触觉效果的自动调整 | |
| CN105825224A (zh) | 分类器族的获取方法和装置 | |
| US11481558B2 (en) | System and method for a scene builder | |
| US10762902B2 (en) | Method and apparatus for synthesizing adaptive data visualizations | |
| CN110850982B (zh) | 基于ar的人机交互学习方法、系统、设备及存储介质 | |
| Zhu et al. | Diffusion models for reinforcement learning: A survey | |
| EP3654205A1 (en) | Systems and methods for generating haptic effects based on visual characteristics | |
| CN113039561A (zh) | 通过生成数据项的编码表示来对齐序列 | |
| El-Baz et al. | An efficient algorithm for 3D hand gesture recognition using combined neural classifiers | |
| GB2572164A (en) | Artificial neural networks | |
| Gao et al. | Face tracking based on differential harmony search | |
| CN110047509B (zh) | 一种两级子空间划分方法及装置 | |
| US20140324767A1 (en) | Provisioning storage resources based on an expert system | |
| Lamberti et al. | Adding pluggable and personalized natural control capabilities to existing applications | |
| US11676050B2 (en) | Systems and methods for neighbor frequency aggregation of parametric probability distributions with decision trees using leaf nodes | |
| CN103984415A (zh) | 一种信息处理方法及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |