[发明专利]一种基于集成支持向量机对深度特征进行分类的方法

说明书

本发明提供一种基于集成支持向量机对深度特征进行分类的方法，涉及数字信号处理技术领域，一种基于集成支持向量机对深度特征进行分类的方法，包括以下步骤：S1：输入待分类的深度特征文件；S2：建立第一预定值种降维维度；S3：建立第二预定值种核函数；S4：依次获取上述任一降维维度和任一核函数组合下的分类器输出信息；S5：将每一个分类器输出信息通过组合投票，得出待分类的深度特征文件的分类结果。本发明一种基于集成支持向量机对深度特征进行分类的方法的深度特征信息提取精确度高，多个降维维度获取信息，分类预测的结果准确性高，可以有效对深度特征的分类和分级。

技术领域

本发明涉及数字信号处理技术领域，

尤其是，本发明涉及一种基于集成支持向量机对深度特征进行分类的方法。

背景技术

科技的发展使得摄像设备得到了普及，数量巨大的视频数据等数字信号数据也随之产生。同时，针对数字信号的应用也应运而生：智能视频监控、视频数据分类、高级人机交互等。在这些应用中，针对人的动作进行理解是最核心的关注点，也是人们研究的核心内容。

由于人体动作识别有很大的潜在价值，所以此课题作为一个研究热点已经持续了至少十年时间，近些年，受益于图像识别所取得的巨大进展，视频识别也同样取得了很大的进展。其中大多数动作识别方法都是针对动作分类任务而被提出，许多传统的动作分类方法提取的特征多是采用手工特征提取法，即直接能从图像中提取的特征。如颜色特征、纹理特征以及直方图特征，这些特征针对内容简单的图像，能有很好的效果，但是遇到内容复杂图像时，手工特征不能有效表征图像性质，无法对这些深度特征进行有效的分类。

例如中国专利发明申请CN107844795A公开了一种基于主成分分析的卷积神经网络特征提取方法，该方法首先选取了在Imagenet数据集上已经训练好的卷积神经网络，将该网络作为图像的特征提取器，然后从该卷积神经网络的每个池化层的输出中提取特征映射图，最后将提取的每层所有特征映射图做为图像的深度特征，利用了主成分分析，对其进行了降维，并利用双线性插值法，将最后的结果特征映射图重置到原图像大小，得到了高效的图像深度特征。本发明得到的深度特征，含有图像丰富的语义信息，且特征维度低，数据量小，可用于图像的各种识别和分类任务。

然而，上述方法依然存在以下缺点：1、仅仅进行降维之后的低维度特征数据读取，无法多维度共同获取信息，特征读取精确度不够；2、深度特征提取识别过程复杂，读取之后无分类分析过程，无法进行深度特征的有效分类。

发明内容

本发明的目的在于提供一种深度特征信息提取精确度高，多个降维维度获取信息，分类预测的结果准确性高，可以有效对深度特征的分类和分级的基于集成支持向量机对深度特征进行分类的方法。

为解决上述问题，本发明采用如下技术方案得以实现的：

一种基于集成支持向量机对深度特征进行分类的方法，包括以下步骤：

S1：输入待分类的深度特征文件；

S2：建立第一预定值种降维维度；

S3：建立第二预定值种核函数；

S4：依次获取上述任一降维维度和任一核函数组合下的分类器输出信息；

S5：将每一个分类器输出信息通过组合投票，得出待分类的深度特征文件的分类结果。

优选地，执行步骤S1时，待分类的深度特征文件包括文本、图片、动画和视频。

优选地，执行步骤S2之前，根据待分类的深度特征文件类型，生成第一预定值。

优选地，执行步骤S2时，采用主成分分析方法进行不同维度的降维。