[发明专利]一种基于Ransac算法的鲁棒AdaBoost分类器构建方法

摘要

本发明提出了一种基于Ransac算法的鲁棒AdaBoost分类器构建方法，包括以下步骤：根据Ransac算法，构建立样本子集；抽取样本；利用AdaBoost算法训练强分类器；计算分类模型对应分类精度；构建分类器模型Ci；判断满足该新构建分类器模型的全部训练样本；重复上述步骤，直到基于Ransac算法估计下的一个模型Ci和其对应的一致集；判断已建立的不同分类器模型数量是否已超过Nmax；确定为最终选取的分类器模型，计算对应分类精度。本发明构建方法由含有外点的样本建立了最佳的分类器模型，并且利用Ransac算法的迭代过程去除了外点对分类器模型构建的影响。

主权项

1.一种基于Ransac算法的鲁棒AdaBoost分类器构建方法，其特征在于，包括以下步骤：(1)根据Ransac算法，设置每次初始构建分类器的样本子集为R，样本个数为n；(2)从训练样本集中随机抽取n个样本，作为样本子集R；(3)基于这些样本，利用AdaBoost算法训练强分类器，使得分类器模型最符合当前样本；(4)基于AdaBoost算法用新构建的分类器模型Ci分类剩余的样本，并计算分类模型对应分类精度；(5)用所有这些正确的样本重新基AdaBoost算法构建分类器模型Ci；(6)用这个新构建的分类器模型再次判断满足该新构建分类器模型的全部训练样本，即样本子集为R的一致集，并更新当前迭代次数j＝j+1；(7)重复上述步骤4到步骤6直到满足分类器模型Ci的样本数量m不再增加或迭代次数已经超过了Tmax，则这m个样本构成内点集，重新训练分类器模型，至此可以获得基于Ransac算法估计下的一个模型Ci和其对应的一致集；(8)更新i＝i+1，判断已建立的不同分类器模型数量是否已超过Nmax，如未超过转回步骤(2)；(9)比较全部分类器模型对应的正确分类样本数，基于Ransac算法寻找最大一致集，即具有最多分类正确样本数的分类器模型，并将其确定为最终选取的分类器模型，计算对应分类精度。