一起用于解释本公开的原理。
[0053]图1是根据一示例性实施例示出的一种基于随机森林分类器的分类方法的流程图；
[0054]图2是根据一示例性实施例示出的一种基于随机森林分类器的分类方法的流程图；
[0055]图3是根据一示例性实施例示出的一种随机森林分类器的决策树的示意图；
[0056]图4是根据一示例性实施例示出的一种基于随机森林分类器的分类装置的框图；
[0057]图5是根据一示例性实施例示出的一种基于随机森林分类器的分类装置的框图；
[0058]图6是根据一示例性实施例示出的一种基于随机森林分类器的分类装置的框图；
[0059]图7是根据一示例性实施例示出的一种基于随机森林分类器的分类装置的框图。
【具体实施方式】
[0060]为使本公开的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本公开做进一步详细说明。在此，本公开的示意性实施方式及其说明用于解释本公开，但并不作为对本公开的限定。
[0061]本公开实施例提供一种基于随机森林分类器的分类方法及装置，以下结合附图对本公开进行详细说明。
[0062]图1是根据一示例性实施例示出的一种基于随机森林分类器的分类方法的流程图，如图1所示，基于随机森林分类器的分类方法用于测试装置中，包括以下步骤:
[0063]在步骤101中，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。
[0064]其中，该分裂维度索引用于唯一确定分裂维度，该分裂维度和该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。
[0065]在步骤102中，根据该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，得到该样本图像在该第一节点的分裂维度上的特征值。
[0066]在步骤103中，根据该第一节点的分裂条件对该特征值进行判断，根据判断结果从该第一节点的分支节点中确定待遍历的第二节点。
[0067]在步骤104中，根据当前所确定节点的分裂维度索引和分裂条件，继续提取该样本图像的特征值并确定待遍历的下一节点，直至获取到该样本图像的分类结果。
[0068]随机森林分类器由多个决策树组成，而每个决策树中包括多个节点，多个节点之间具有层级关系。
[0069]其中，对于每个节点来说，该节点可以与上一层的某一节点连接，作为上一层节点的分支节点，且该节点可以与下一层的至少一个分支节点连接。除最后一层节点之外的节点具有分裂维度和分裂条件，该分裂维度和分裂条件用于从节点的分支节点中确定样本图像需遍历的下一个节点，即确定样本图像应进入下一层的哪个节点。而最后一层节点具有对应的分类结果。
[0070]在相关技术中，对图像进行分类时，通常先对该图像的每个区域进行特征提取，得到该图像所有区域的特征向量，再将所有区域的特征向量进行组合，得到该图像的特征向量，将该特征向量输入到随机森林分类器中每个决策树的第一层节点中，根据该特征向量以及每一层节点的分裂维度和分裂条件进行判断，确定待遍历的下一个节点，在下一个节点中继续进行判断，以此类推，直至确定随机森林分类器的最后一层节点，从而确定该图像在每个决策树中的分类结果，根据多个决策树的分类结果确定图像的最终分类结果。
[0071]其中，计算样本图像的特征向量时，需要对样本图像中的每个区域进行特征提取，得到每个区域的特征向量，再将所有区域的特征向量组成一个特征向量，输入到随机森林分类器中。而如果提取的特征维度很高，则每个区域的特征维度都很高，会导致计算量过大，测试速度很慢。
[0072]而且，由于随机森林分类器具有特征选择性，在每个节点处只需对样本图像在分裂维度上的特征值进行判断，而无需关注样本图像在其他维度上的特征值，则预先计算出样本图像在所有维度上的特征值会造成不必要的计算量。
[0073]因此，为了减小计算量，提高测试速度，本实施例中不会预先计算出样本图像在所有维度上的特征值，而是当样本图像到达当前的第一节点时，确定该第一节点的分裂维度，从而在对该样本图像进行特征提取时，只需对该分裂维度所在的区域进行特征提取，仅提取该样本图像在该分裂维度上的特征值，直接根据第一节点的分裂条件对该特征值进行判断即可。也即是，每当到达一个节点时，只需对该节点的分裂维度所对应的一个区域进行特征提取，而无需对其他区域进行特征提取，减小了特征维度的数目，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。
[0074]本实施例提供的方法，通过根据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。
[0075]在另一实施例中，该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:
[0076]获取已训练的随机森林分类器的模型文件，该模型文件中至少包括该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。
[0077]在另一实施例中，该根据该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，得到该样本图像在该第一节点的分裂维度上的特征值，包括:
[0078]根据该随机森林分类器中第一节点的分裂维度索引，确定该分裂维度索引对应的区域位置索引和偏置位置索引，该区域位置索引用于确定该第一节点的分裂维度对应的提取区域的位置，该偏置位置索引用于确定该分裂维度对应的细胞单元在该提取区域中的位置，每个提取区域包括多个细胞单元；
[0079]根据该区域位置索引，对该样本图像中与该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，并从该特征向量中提取该偏置位置索引对应的特征值，作为该样本图像在该第一节点的分裂维度上的特征值。
[0080]在另一实施例中，该根据该随机森林分类器中第一节点的分裂维度索引，确定该分裂维度索引对应的区域位置索引和偏置位置索引，包括:
[0081]对该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，将该整数商值加I后得到的数值作为该分裂维度索引对应的区域位置索引；
[0082]根据该分裂维度索引，对该总维度数目进行取余运算，得到该分裂维度索引对应的偏置位置索引。
[0083]在另一实施例中，该根据该区域位置索引，对该样本图像中与该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:
[0084]确定该样本图像中与该区域位置索引对应的提取区域；
[0085]采用预设特征提取算法，对该提取区域进行特征提取，得到特征向量。
[0086]在另一实施例中，该确定该样本图像中与该区域位置索引对应的提取区域，包括:
[0087]根据预设对应关系，确定该样本图像中与该区域位置索引对应的提取区域，该预设对应关系包括每个提取区域对应的区域位置索引。
[0088]在另一实施例中，该预设特征提取算法为H0G(Hi stogram of OrientedGradient，方向梯度直方图)特征提取算法。
[0089]上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再
--赘述。
[0090]图2是根据一示例性实施例示出的一种基于随机森林分类器的分类方法的流程图，如图2所示，基于随机森林分类器的分类方法用于测试装置中，包括以下步骤:
[0091]在步骤201中，获取已训练的随机森林分类器的模型文件，该模型文件中至少包括该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。
[0092]其中，该测试装置用于根据样本图像对随机森林分类器进行测试，可以为计算机、服务器等设备，本实施例对此不做限定。
[0093]该测试装置可以根据多张图像进行训练，获取到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，该多个决策树即可组成随机森林分类器。
[0094]或者，还可以由该测试装置或者其他设备训练得到随机森林分类器后，根据该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，生成模型文件。该测试装置可以获取该模型文件，从该模型文件中获取该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。本实施例对该测试装置获取随机森林分类器的方式不做限定。
[0095]其中，可以采用随机森林算法训练随机森林分类器，具体训练过程在此不再赘述。
[0096]其中，该分裂维度索引用于唯一确定分裂维度，可以为维度的序号或者ID(Identity，序列号)等，该分裂维度索引所属的范围为[0，N-1]，N为最大维度数目。本实施例对此不做限定。
[0097]每个节点的分裂维度和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，可以通过训练确定。其中，节点的分裂条件可以包括与该节点的多个分支节点分别对应的多个条件，或者该分裂条件可以包括分裂函数，根据该分裂函数算出的不同计算结果分别对应于该节点的多个分支节点。本实施例对此不做限定。
[0098]在步骤202中，根据该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，得到该样本图像在该第一节点的分裂维度上的特征值。
[0099]当要对样本图像进行测试分类时，需要将样本图像输入到每个决策树的第一层节点中，并依次确定待遍历的下一层节点，直至遍历到最后一层节点时，可以确定该样本图像的分类结果。
[0100]则对于当前遍历到的第一节点，该测试装置可以获取该第一节点的分裂维度索弓丨，从而确定该第一节点的分裂维度是哪一