[发明专利]基于AdaBoost算法的绝缘子图像识别方法

摘要

本发明公开了基于Adaboost算法的绝缘子图像识别方法,本发明采用了扩大检测窗口的方法在检测的最初，检测窗口和样本大小一致，然后按照一定的尺度参数进行移动，遍历整个图像，标出可能的目标区域。遍历完以后按照指定的放大的倍数参数放大检测窗口，然后再进行一次图像遍历；这样不停的放大检测窗口对检测图像进行遍历，直到检测窗口超过原图像的一半以后停止遍历；本发明的优点是有效地提升了绝缘子的识别效果,为后续的故障检测工作提供了良好的铺垫，并大大地提高了目标的检测速度。

主权项

基于AdaBoost算法的绝缘子图像识别方法，其特征在于，采用AdaBoost算法的同时进行特征的选择和分类器的训练；所述AdaBoost算法采用了扩大检测窗口的方法，在检测的最初，检测窗口和样本大小一致，然后按照一定的尺度参数进行移动，遍历整个图像，标出可能的目标区域，遍历完以后，按照指定的放大的倍数参数放大检测窗口，然后再进行一次图像遍历；这样不停的放大检测窗口对检测图像进行遍历，直到检测窗口超过原图像的一半以后停止遍历；AdaBoost算法是一种样本权重的迭代更新过程，可以将一组弱分类器自适应地提升为强分类器，为每个训练样本引入一个权重，训练通过迭代过程实现；每次迭代训练一弱分类器，使其在当前的权重分布下错误率最低；每次迭代结束后增大分类错误样本的权重，降低分类正确样本的权重，从而使得下次迭代弱分类器的选择更加重视错误的样本，具体步骤如下：(1)初始化每个样本的权值，S代表样本空间训练集，xi表示第i个样本的样本空间，yi表示第i个样本的类别标识集合，Dt表示第t轮训练后的样本分布，对每一个(xi,yi)∈S，令Dt＝(xi,yi)＝1/N,i＝1,2,...,N，表示初始的样本分布为均匀分布；(2)对于第i个样本空间xi，选择弱分类器，以h表示，ht表示第t轮训练后产生的弱分类器，即ht(xi)=1,λixi<λiθi0,λixi≥λiθi]]>式中：阈值θi一般取第i个样本所属特征类的特征值的中值，λi∈{‑1,1}表示第i个样本不等号的偏置方向，根据第t轮训练后产生的样本权重分布Dt进行学习，获得该轮的弱分类器ht，计算错误率εt，即εt＝∑Dt(xi,yi)，若εt＜0.5，令αt满足：αt是第t轮训练后产生的弱分类器ht(x)的性能评价因子；若εt≥0.5，删除本轮生成的弱分类器，t＝t+1，返回(1)；(3)更新样本权值，Dt+1(xi,yi)=Dt(xi,yi)e-αtyiht(xi)Zt]]>式中：Zt是第t轮训练后产生的归一化因子，归一化使得(4)输出强分类器H(x)=sgn[Σt=1Tαtht(x)]]]>式中，H(x)代表样本x强分类器，αt是第t轮训练后产生的弱分类器ht(x)的性能评价因子，由弱分类器ht(x)作用于样本集产生的分类错误的样本权重之和εt来决定，αt是εt的减函数，εt越小，则ht(x)的重要性越大，强分类器H(x)由所有的弱分类器h1(x),h2(x),...,hT(x)通过加权求和得到，即这个强分类器对待一幅待检测图像时，相当于让所有弱分类器投票，再对投票结果按照弱分类器的错误率加权求和，将投票加权求和的结果与平均投票结果比较得出最后的结果。