面向在线不确定图像识别的多示例加权包学习方法
【技术领域】
[0001] 本发明涉及在线图像识别技术领域，特别是涉及一种基于多示例的图像识别技 术。
【背景技术】
[0002] 随着物联网+的快速发展，在线图像识别，例如人脸识别等，得到了广泛的应用。 在此应用过程中，由于在线拍摄设备、数据传输、拍摄场景等因素的影响，在线获得的图像 经常包含噪声或不确定数据，这从而严重影响了在线图像识别技术的应用。因此研究面向 在线不确定图像识别的多示例加权包学习方法具有一定的研究意义。
[0003] 现有面向图像数据的多示例方法是假设包内不存在噪声的。而当今现实世界的数 据极易受到噪声干扰。现实中由于获取数据的环境和传输过程等存在不确定因素，使数据 受到噪声污染是不可避免的，且在多示例学习中，正包中不仅包含正示例，同样可能含有负 示例噪声，而这些噪声会影响分类结果，造成挖掘结果的偏差，因此如何减少甚至是消除噪 声是需要研究的问题。
[0004] 传统的多示例学习中，训练集由若干个包组成，每个包包含若干个示例，包示例标 签未知。现实世界的数据因为获取数据的环境和传输过程等不确定因素的影响，极易受到 噪声的干扰，且在多示例学习中，正包中不仅存在正示例，同样可能包含负示例噪声，这些 噪声会影响分类效果。
【发明内容】
[0005] 本发明的目的在于提供一种解决在线不确定的图像数据，而基于单示例的技术无 法对其进行有效表达和学习，从而降低图像识别的精度的问题的一种面向在线不确定图像 识别的多示例加权包学习方法。
[0006] 为了实现上述目的，本发明采取了如下的技术方案：
[0007] 面向在线不确定图像识别的多示例加权包学习方法，包括如下步骤，
[0008] 第一步、获取图像帧，并进行特征提取：通过在线技术获得某一时间段的图像，把 图像按照时间进行帧划分，并对帧中的图像进行特征提取，同时获得有可能包含不确定或 噪声数据的帧区域；
[0009] 第二步、从数据集合中选择图像进行标记，并确定该标记的代表示例；
[0010] 第三步、针对包示例存在噪声的情况，赋予包内示例不同权值降噪，迭代的训练分 类器，训练示例权值，改进包表示；
[0011] 第四步、获得多示例分类器，对图像进行分类识别。
[0012]本发明针对包内噪声，通过对示例加权，赋予包中每个示例不同的权值，降低噪声 示例对分类预测的影响。设包中的示例权值为[Q11SQ12S...，Ql|Bl|t]
[0014] 在示例空间中，Q1/表示第i个包Bi中的第j个示例B在第t次迭代时的权 值，Q1/ 1为示例B在第t-1次迭代时的权值，示例Bu的输出ylj=sign(?(MBj+b)， YiG{+1，-1}表示包B;的标签，a为调节参数。当Y;=+1时，公式⑴表示如下：
[0016] 此时，Q1/表示正包示例权值。根据多示例学习定义，正包中至少包含一个正示例 同时也可能存在负示例。对于正包Bi中的示例Bu，若Yu= +1，则表示该示例为正示例，此 时，公式（3)表不为
[0017] Q1Z=Q1/1 ⑶
[0018] 即不改变此类示例的权值；若y1] = - 1，那么该示例可能是负示例噪声，缩小此类 示例的权值，即Q1/=QUtk2/°，来降低噪声示例对分类结果的影响。当Y1 = - 1时，公式 (3)表示为：
[0020] 此时，Q1/表示负包示例权值，而根据多示例学习定义，负包中只含有负示例，不包 含正示例。对于负包&中的示例Blj，若该包存在yij= +1的示例，Blj可能受到了噪声的影 响，此时，公式（4)表示为Q1/=Qk2/a，用以缩小这类噪声的权值，降低对预测结果的影 响；若y^ = - 1，说明该示例可能是负示例，此时，Qi/=Qi/S即保持此类示例权值不变。
[0021] 权值初始值设为Q1/=IzlB11，实验中a-般设为1。MB1)表示包&在特征空 间映射，本发明为降低噪声的干扰，赋予了包内示例不同的权值，并重新表示^HB1):
[0026] 公式（6)实现了基于示例加权解决正包和负包中存在示例噪声的多示例学习问 题，其中，IXpI表示正包集合Xp内包含的正包个数，IXn|表示负包集合Xn内包含的负包 个数，4+和fr为误差项。公式（6)赋予了正包和负包中每个示例不同的权值Q1]t，以改变噪 声示例和非噪声示例对包的表示和对分类的影响。限制条件中不仅对正包示例加权降噪， 同样对负包示例加权降噪。
[0027] 本发明通过改进多示例学习算法，降低在线图像识别中噪声数据对分类结果的影 响，同时提出赋予包示例不同的权值，不断更新分类器，调整权值，以提高分类精度。本发 明算法通过示例加权，降低了噪声示例对分类预测的干扰，迭代的训练分类器，训练示例权 值，表示包，并达到了更高的分类精度。
【附图说明】
[0028] 图1为本发明的流程图；
[0029] 图2为算法分类精度比较图。
【具体实施方式】
[0030] 现结合附图详细说明本发明。
[0031] 参照附图1，面向在线不确定图像识别的多示例加权包学习方法，包括如下步骤，
[0032] (1)获取图像帧，并进行特征提取；
[0033] (2)从数据集合中选择图像进行标记，并确定该标记的代表示例；
[0034] (3)针对包示例存在噪声的情况，赋予包内示例不同权值降噪，迭代的训练分类 器，训练示例权值，改进包表示，降低噪声对分类结果影响，提高分类精度。
[0035] (4)获得多示例分类器，对图像进行分类识别。
[0036] 现有面向图像数据的多示例方法是假设包内不存在噪声的。而当今现实世界的数 据极易受到噪声干扰。现实中由于获取数据的环境和传输过程等存在不确定因素，使数据 受到噪声污染是不可避免的，且在多示例学习中，正包中不仅包含正示例，同样可能含有负 示例噪声，而这些噪声会影响分类结果，造成挖掘结果的偏差，因此如何减少甚至是消除噪 声是需要研究的问题。
[0037] 本发明针对包内噪声，通过对示例加权，赋予包中每个示例不同的权值，降低噪声 示例对分类预测的影响。设包中的示例权值为[Q11SQ12S...，Qi1bi1I
[0039] 在示例空间中，Q1/表示第i个包Bi中的第j个示例B在第t次迭代时的权 值，Q1/ 1为示例B在第t-1次迭代时的权值，示例Bu的输出ylj=sign(?(MBj+b)，YiG{+1，-1}表示包B;的标签，a为调节参数。当Y;=+1时，公式⑴表示如下：
[0041] 此时，Q1/表示正包示例权值。根据多示例学习定义，正包中至少包含一个正示例 同时也可能存在负示例。对于正包Bi中的示例Bu，若Yu= +1，则表示该示例为正示例，此 时，公式（3)表不为
[0042] Qi/=Q^1(3)
[0043] 即不改变此类示例的权值；若y1] = - 1