[发明专利]一种基于Haar分类器算法的果树剪枝评价方法

权利要求书

1.一种基于Haar分类器算法的果树剪枝评价方法，其特征在于：包括下述操作步骤：

S1、Haar-like特征检测：

先通过采集装置采集果树图片，再使用Haar-like特征做检测；

S2、积分图算法加速：

使用积分图算法对Haar-like特征求值进行加速；

S3、级联分类器：

使用AdaBoost算法训练来区分目标和非目标的强分类器，最后使用筛选式级联把强分类器级联到一起，保证对于剪枝效果判断的准确性和实时性。

2.根据权利要求1所述的一种基于Haar分类器算法的果树剪枝评价方法，其特征在于：所述S1步骤中，使用Haar-like特征做检测的具体公式如下:

Haar特征值归一化

计算检测窗口图像的灰度值和灰度值平方和：

sum＝∑i(x，y)

sq_sum＝∑i²(x，y)

计算平均值

计算归一化因子

归一化特征值

之后使用归一化的特征值normValue与阈值对比。

3.根据权利要求1所述的一种基于Haar分类器算法的果树剪枝评价方法，其特征在于：所述S2步骤中，积分图算法主要思想是将图片从起点开始到各个点所形成的矩阵区域像素之和作为一个数组的元素保存在内存中，当要计算某个区域的像素和时可以直接索引数组的元素，不用重复计算这个区域的像素和，从而加快了运算。

4.根据权利要求3所述的一种基于Haar分类器算法的果树剪枝评价方法，其特征在于：所述积分图算法是一种能够描述全局信息的矩阵表示方法，积分图的构造方式是位置(i，j)处的值ii(i，j)是原图像(i,j)左上角方向所有像素f(k,l)的和，公式如下：

积分图构造算法：

(1)、用s(i,j)表示行方向的累加和，初始化s(i,-1)＝0；

(2)、使用ii(i,j)表示一个积分图像，初始化ii(-1，i)＝0；

(3)、逐步扫描图像，递归计算每个像素(i,j)行方向的累加和s(i,j)和积分图像ii(i,j)的值。

s(i，j)＝s(i，j-1)+f(i，j)

ii(i，j)＝ii(i-1，j)+s(i，j)

(4)、扫描图像一遍，当到达图像右下角像素时，积分图像ii就构建好了。

积分图构造好之后，图像中任何矩阵区域累加和都可以通过简单运算得到。

5.根据权利要求1所述的一种基于Haar分类器算法的果树剪枝评价方法，其特征在于：所述S3步骤中，级联分类器包括弱分类器和强分类器；

最基本的弱分类器只包含一个Haar-like特征，也就是它的决策层只有一层，被称为树桩，直接利用AdaBoost训练，工作量及其庞大，所以必须有一个筛选的过程，筛选出T个优秀的特征值即最优弱分类器，然后把这个T个最优弱分类器传给AdaBoost进行训练；

在确定了矩阵特征数量和特征值后，需要对每一个特征f,训练一个弱分类器公式如下：

其中f为特征，为阈值，ρ指示不等号的方向，x代表一个检测子窗口，对每个特征f,训练一个弱分类器就是确定f的最优阈值，使得这个弱分类器对所有的训练样本分类误差最低。

弱分类器训练的具体步骤：

对于每个特征f,计算所有训练样本的特征值，并将其排序；

扫描一遍排好序的特征值，对排好序的表中的每个元素，计算下面四个值：

计算全部正例的权重和T⁺；

计算全部负例的权重和T^-；

计算该元素前之前的正例的权重和S⁺,

计算该元素前之前的负例的权重和S^-；

选取当前元素的特征值F_kj和它前面的一个特征值F_kj-1之间的数作为阈值，所得到的弱分类器就在当前元素处把样本分开，该阈值的分类误差为：

e＝min(S⁺+(T^--S^-)，S^-+(T⁺-S⁺))

于是，通过把这个排序表从头到尾扫描一遍就可以为弱分类器选择使分类误差最小的阈值即最优阈值，也就是选取了一个最佳弱分类器。

强分类器训练的具体步骤：

给定训练样本集(x_i，y_i)，i＝1，2，3....N，共N个样本，y_i取值为0为负样本或者1为正样本，假设正样本数量为n₁，负样本数量为n₂，T为训练的最大循环次数；

初始化样本权重为即为训练样本的初始概率分布；

fort＝1，…T：

(1)权重归一化

(2)对每个特征f_j，训练一个弱分类器h_j，每个分类器只使用一种Haar特征进行训练，分类误差为：

(3)从(2)确定的弱分类器中，找出一个具有最小分类误差的弱分类器h_t；

(4)更新每个样本对应的权重

在这里，如果样本x_i被正确分类，则e_i＝0，否则e_i＝1，而

最终形成的强分类器组成为：

其中

在使用Adaboost算法训练分类器之前，需要准备好正、负样本，根据样本特点选择和构造特征集，由算法的训练过程可知，当弱分类器对样本分类正确，样本的权重会减小；而分类错误时，样本的权重会增加，这样，后面的分类器会加强对错分样本的训练，最后，组合所有的弱分类器形成强分类器，通过比较这些弱分类器投票的加权和与平均投票结果来检测图像。