基于随机森林分类器的分类方法及装置的制造方法
【技术领域】
[0001]本公开是关于分类领域，具体来说是关于一种基于随机森林分类器的分类方法及
目.0
【背景技术】
[0002]随机森林分类器由多个决策树构成，具有分类结果准确、训练过程快速等特点，可以广泛应用于图像分类。
[0003]实际应用中，为了保证随机森林分类器的准确率，通常会在训练出随机森林分类器之后，应用该随机森林分类器对测试样本进行分类测试，得到测试样本的分类结果，根据该测试样本的分类结果和该测试样本实际所属的类别，对该随机森林分类器进行调整。也即是，获取随机森林分类器的过程通常可以包括以下步骤:
[0004]1、根据多个训练样本，训练出随机森林分类器:
[0005]对多个训练样本进行特征提取，得到多个训练样本的特征向量，再采用随机森林算法，对多个特征向量进行训练，得到模型文件，该模型文件中包括多个决策树以及每个决策树中每个节点的分裂维度和分裂条件，该多个决策树即可组成随机森林分类器。
[0006]2、应用训练出的随机森林分类器，对测试样本进行分类，得到分类结果:
[0007]对该测试样本的每个区域进行特征提取，得到该测试样本所有区域的特征向量，将所有区域的特征向量组合成一个特征向量，则组合得到的特征向量中包括该测试样本在所有维度上的特征值。之后，在该随机森林分类器中的每个节点上，根据该节点的分裂维度，从该测试样本的特征向量中提取在该分裂维度上的特征值，根据该节点的分裂条件对该特征值进行判断，从而确定该测试样本需要进入的下一层节点，在下一层节点中继续进行上述计算特征值及根据分裂条件进行判断的过程，直至进入该随机森林分类器的最后一层，得到该测试样本的分类结果。
【发明内容】
[0008]为了解决相关技术中存在的问题，本公开提供了一种基于随机森林分类器的分类方法及装置。所述技术方案如下:
[0009]根据本公开实施例的第一方面，提供了一种基于随机森林分类器的分类方法，所述方法包括:
[0010]获取已训练的随机森林分类器中的多个决策树以及每个决策树中至少一层节点的分裂维度索引和分裂条件，所述分裂维度索引用于唯一确定分裂维度，所述分裂维度和所述分裂条件用于从对应节点的分支节点中确定待遍历的下一节点；
[0011]根据所述随机森林分类器中第一节点的分裂维度索引，对待测试的样本图像进行特征提取，得到所述样本图像在所述第一节点的分裂维度上的特征值；
[0012]根据所述第一节点的分裂条件对所述特征值进行判断，根据判断结果从所述第一节点的分支节点中确定待遍历的第二节点；
[0013]根据当前所确定节点的分裂维度索引和分裂条件，继续提取所述样本图像的特征值并确定待遍历的下一节点，直至获取到所述样本图像的分类结果。
[0014]在另一实施例中，所述获取已训练的随机森林分类器中的多个决策树以及每个决策树中节点的分裂维度索引和分裂条件，包括:
[0015]获取已训练的随机森林分类器的模型文件，所述模型文件中至少包括所述多个决策树以及每个决策树中至少一层节点的分裂维度索引和分裂条件。
[0016]在另一实施例中，所述根据所述随机森林分类器中第一节点的分裂维度索引，对待测试的样本图像进行特征提取，得到所述样本图像在所述第一节点的分裂维度上的特征值，包括:
[0017]根据所述随机森林分类器中第一节点的分裂维度索引，确定所述分裂维度索引对应的区域位置索引和偏置位置索引，所述区域位置索引用于确定所述第一节点的分裂维度对应的提取区域的位置，所述偏置位置索引用于确定所述分裂维度对应的细胞单元在所述提取区域中的位置，每个提取区域包括多个细胞单元；
[0018]根据所述区域位置索引，对所述样本图像中与所述区域位置索引对应的提取区域进行特征提取，得到特征向量，并从所述特征向量中提取所述偏置位置索引对应的特征值，作为所述样本图像在所述第一节点的分裂维度上的特征值。
[0019]在另一实施例中，所述根据所述随机森林分类器中第一节点的分裂维度索引，确定所述分裂维度索引对应的区域位置索引和偏置位置索引，包括:
[0020]对所述分裂维度索引与提取区域的总维度数目之间的商值进行取整运算，得到整数商值，将所述整数商值加I后得到的数值作为所述分裂维度索引对应的区域位置索引；[0021 ]根据所述分裂维度索引，对所述总维度数目进行取余运算，得到所述分裂维度索引对应的偏置位置索引。
[0022]在另一实施例中，所述根据所述区域位置索引，对所述样本图像中与所述区域位置索引对应的提取区域进行特征提取，得到特征向量，包括:
[0023]确定所述样本图像中与所述区域位置索引对应的提取区域；
[0024]采用预设特征提取算法，对所述提取区域进行特征提取，得到特征向量。
[0025]在另一实施例中，所述确定所述样本图像中与所述区域位置索引对应的提取区域，包括:
[0026]根据预设对应关系，确定所述样本图像中与所述区域位置索引对应的提取区域，所述预设对应关系包括每个提取区域对应的区域位置索引。
[0027]在另一实施例中，所述预设特征提取算法为方向梯度直方图HOG特征提取算法。
[0028]根据本公开实施例的第二方面，提供了一种基于随机森林分类器的分类装置，所述装置包括:
[0029]获取模块，用于获取已训练的随机森林分类器中的多个决策树以及每个决策树中至少一层节点的分裂维度索引和分裂条件，所述分裂维度索引用于唯一确定分裂维度，所述分裂维度和所述分裂条件用于从对应节点的分支节点中确定待遍历的下一节点；
[0030]特征提取模块，用于根据所述随机森林分类器中第一节点的分裂维度索引，对待测试的样本图像进行特征提取，得到所述样本图像在所述第一节点的分裂维度上的特征值；[0031 ]分裂模块，用于根据所述第一节点的分裂条件对所述特征值进行判断，根据判断结果从所述第一节点的分支节点中确定待遍历的第二节点；
[0032]循环模块，用于根据当前所确定节点的分裂维度索引和分裂条件，继续提取所述样本图像的特征值并确定待遍历的下一节点，直至获取到所述样本图像的分类结果。
[0033]在另一实施例中，所述获取模块还用于获取已训练的随机森林分类器的模型文件，所述模型文件中至少包括所述多个决策树以及每个决策树中至少一层节点的分裂维度索引和分裂条件。
[0034]在另一实施例中，所述特征提取模块包括:
[0035]确定单元，用于根据所述随机森林分类器中第一节点的分裂维度索引，确定所述分裂维度索引对应的区域位置索引和偏置位置索引，所述区域位置索引用于确定所述第一节点的分裂维度对应的提取区域的位置，所述偏置位置索引用于确定所述分裂维度对应的细胞单元在所述提取区域中的位置，每个提取区域包括多个细胞单元；
[0036]提取单元，用于根据所述区域位置索引，对所述样本图像中与所述区域位置索引对应的提取区域进行特征提取，得到特征向量，并从所述特征向量中提取所述偏置位置索引对应的特征值，作为所述样本图像在所述第一节点的分裂维度上的特征值。
[0037]在另一实施例中，所述确定单元还用于对所述分裂维度索引与提取区域的总维度数目之间的商值进行取整运算，得到整数商值，将所述整数商值加I后得到的数值作为所述分裂维度索引对应的区域位置索引；根据所述分裂维度索引，对所述总维度数目进行取余运算，得到所述分裂维度索引对应的偏置位置索引。
[0038]在另一实施例中，所述提取单元还用于确定所述样本图像中与所述区域位置索引对应的提取区域;采用预设特征提取算法，对所述提取区域进行特征提取，得到特征向量。
[0039]在另一实施例中，所述提取单元还用于根据预设对应关系，确定所述样本图像中与所述区域位置索引对应的提取区域，所述预设对应关系包括每个提取区域对应的区域位置索引。
[0040]在另一实施例中，所述预设特征提取算法为方向梯度直方图HOG特征提取算法。[0041 ]根据本公开实施例的第三方面，提供了一种基于随机森林分类器的分类装置，所述装置包括:
[0042]处理器；
[0043]用于存储处理器可执行指令的存储器；
[0044]其中，所述处理器被配置为:
[0045]获取已训练的随机森林分类器中的多个决策树以及每个决策树中至少一层节点的分裂维度索引和分裂条件，所述分裂维度索引用于唯一确定分裂维度，所述分裂维度和所述分裂条件用于从对应节点的分支节点中确定待遍历的下一节点；
[0046]根据所述随机森林分类器中第一节点的分裂维度索引，对待测试的样本图像进行特征提取，得到所述样本图像在所述第一节点的分裂维度上的特征值；
[0047]根据所述第一节点的分裂条件对所述特征值进行判断，根据判断结果从所述第一节点的分支节点中确定待遍历的第二节点；
[0048]根据当前所确定节点的分裂维度索引和分裂条件，继续提取所述样本图像的特征值并确定待遍历的下一节点，直至获取到所述样本图像的分类结果。
[0049]本公开的实施例提供的技术方案可以包括以下有益效果:
[0050]本实施例提供的方法及装置，通过根据随机森林分类器中第一节点的分裂维度索弓I，对待测试的样本图像进行特征提取，得到该样本图像在该第一节点的分裂维度上的特征值，根据该第一节点的分裂条件对该特征值进行判断，从而确定待遍历的第二节点，以此类推，直至获取到该样本图像的分类结果，无需预先计算出样本图像在所有维度上的特征值，避免了进行不必要的计算，大大减小了计算量，提高了测试速度。
[0051]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
【附图说明】
[0052]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书