[发明专利]基于差分进化算法-深度森林算法的废旧手机识别方法

权利要求书

1.一种基于差分进化算法-深度森林算法的废旧手机识别方法，其特征在于，包括以下步骤：

步骤1、基于经验选择多尺度特征参数和对识别结果影响较大的DF参数作为寻优对象；

步骤2、将DF废旧手机识别准确率作为适应度函数，通过DE算法找出上述寻优对象的最优解集；

步骤3、将寻优所得最优参数集应用于手机识别模型中进行识别。

2.如权利要求1所述基于差分进化算法-深度森林算法的废旧手机识别方法，其特征在于，首先，DE对多尺度特征提取参数和DF识别过程所用参数Win¹,Win²,J,M^j进行编码；接着，初始化DE算法参数NP,F,CR；DE算法中种群将根据解码后的结果，将各参数值传入DF模型并根据训练集数据获得适应度函数f_acc；最后，DE算法多次迭代“变异”，“交叉”，“选择”步骤，获得多尺度特征DF模型最优参数集J_best,

3.如权利要求2所述基于差分进化算法-深度森林算法的废旧手机识别方法，其特征在于，以废旧手机识别准确率f_acc为适应度函数，当前染色体的DF识别率表示为

其中，F_UMPR(·)表示多尺度DF手机识别模型，

种群解码后将每条染色体中的数据传入DF模型中，DF模型会根据输入的训练集Z_train获得当前参数下的模型准确率；

计算当前参数适合度后，将根据f_acc划分为两种情况。若f_acc满足设定条件，则得出最优参数集合，结束差分进化过程；若不满足设定条件则进入DE算法进行寻优，DE进化操作如下所示：

①.变异：使用DE/current-to-best/1作为DE算法的变异算子，该算子表达式如下所示：

V_i(t)＝W_i(t)+F(W_best(t)-W_i(t))+F(W_r1(t)-W_r2(t))

其中，W_r1,W_r2表示当前种群染色体组{W₁,W₂,…,W_i,…,W_NP}中随机选择的两条染色体，W_best表示当前表现最优的染色体；

②.交叉：第t代种群第i条新染色体U_i(t)＝{u_i,1(t),u_i,1(t)…u_i,5(t)}根据变异前后第i条染色体各变量交叉获得。交叉规则如下式：

其中，k_rand是在[1,5]区间内随机生成的整数，当前交叉概率小于设定的CR值或参数编号k与k_rand相同才进行交叉操作，否则保持原变量值；

③.选择：将DF识别准确率作为评价父代W_i(t)和子代U_i(t)的适应度函数，根据优胜劣汰的原则，选择父代和子代中适应度高的个体传入下一代种群，即：

。

4.如权利要求3所述基于差分进化算法-深度森林算法的废旧手机识别方法，其特征在于，

在种群染色体执行进化操作后，DE将根据当前最优染色体的适应度值和规定的最大迭代次数判断是否终止进化操作；进化操作多次迭代后，DE算法将获得最优解集J_best,将训练数据Z_train和测试数据Z_test以及最终参数输入DF模型，得到训练集的正确率和测试集的正确率

DF手机识别模型对手机进行识别过程将分为图像剪裁、多尺度HOG特征提取、DF模型识别三个部分，具体过程如下：

①图像剪裁

初始化背景区域和前景区域高斯混合模型(GMM)，用户通过设定矩形框，将矩形框外像素设置为背景T_b，矩形框内像素设置为待定像素T_u；初始化T_b内所有像素点α_n设定标签为0，T_u内所有像素点α_n设定标签为1；通过k-means聚类分别把属于目标和背景的像素聚类为K类，即GMM中的K个高斯模型，混合高斯模型概率D(α)计算公式如下所示:

其中，α表示当前手机图片像素RGB三通道向量，π_j表示第j个高斯分量的权重，g_j表示第j个高斯模型的概率模型公式，μ_j表示第j个高斯分量的均值向量，∑_j表示协方差矩阵(|∑_j|表示模值，表示协方差逆矩阵)，D表示数据维度；

对图像中每个像素分配GMM模型的高斯分量，针对给定数据集学习GMM参数，通过最小能量得到初始前景背景分割，多次迭代后完成对前景像素点提取，获得只含手机信息的图像数据集X_grabcut；

基于边界跟踪的数字化二值图像拓扑结构分析对手机图像轮廓进行检测，并标记轮廓坐标。首先将数据图像进行二值化处理，将黑白手机图片原始边界标记为0，接着从图片边界开始查找非0像素，将最先寻找到的非0像素标记为外轮廓；

最后对X_grabcut进行剪裁，去除无关区域，获取手机图像数据集X'；

②多尺度HOG特征提取：

根据上述DE寻优过程，最佳多尺度HOG特征由表示；

③DF识别模型：

DF模型的核心思想是利用级联森林(决策树集成)方法生成模型，该模型由多粒度扫描(Multi-Grained Scanning)和级联森林(Cascade Forest)两部分构成；

(1)多粒度扫描

以HOG特征提取后的序列数据为例，假设输入特征是720维，扫描窗口大小是10维，可得到711个10维的特征向量，其中：每个10维的特征向量对应一个6分类的类向量，即得到711个6维类向量，最终每个森林得到4266维的衍生特征变量，随机森林特征拼接后得到级联森林输入特征其中，k由扫描窗口数量决定；

(2)级联森林

级联森林是DF模型中的核心部分，每层级联森林由若干决策树森林构成，在级联森模型中每层森林由两个极端随机森林和两个普通随机森林构成；

首先，训练样本通过10折交叉验证对第一层级联森林中各随机森林进行训练，每个随机森林会输出一个预测类别概率向量；接着，第一层中所有森林输出的类别概率向量与原始输入特征向量拼接后作为级联森林下一层的输入特征，每层结束后都会通过测试集对当前识别准确率ACC₁进行检测，若ACC₁增长小于前一层识别准确率ACC₀则停止生成下一层级联森林。