CN105608476A - 基于随机森林分类器的分类方法及装置 - Google Patents
基于随机森林分类器的分类方法及装置 Download PDFInfo
- Publication number
- CN105608476A CN105608476A CN201610086598.XA CN201610086598A CN105608476A CN 105608476 A CN105608476 A CN 105608476A CN 201610086598 A CN201610086598 A CN 201610086598A CN 105608476 A CN105608476 A CN 105608476A
- Authority
- CN
- China
- Prior art keywords
- node
- index
- dimension
- division
- random forest
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种基于随机森林分类器的分类方法及装置,属于分类领域。该方法包括: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***维度索引和***条件;根据第一节点的***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***维度上的特征值;根据该第一节点的***条件对该特征值进行判断,确定待遍历的第二节点;根据当前所确定节点的***维度索引和***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。本公开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。
Description
技术领域
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装置。
背景技术
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。
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:
1、根据多个训练样本,训练出随机森林分类器:
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***维度和***条件,该多个决策树即可组成随机森林分类器。
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:
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***维度,从该测试样本的特征向量中提取在该***维度上的特征值,根据该节点的***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***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
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:
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:
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***维度索引和***条件,所述***维度索引用于唯一确定***维度,所述***维度和所述***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;
根据所述随机森林分类器中第一节点的***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***维度上的特征值;
根据所述第一节点的***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;
根据当前所确定节点的***维度索引和***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。
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***维度索引和***条件,包括:
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***维度索引和***条件。
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***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***维度上的特征值,包括:
根据所述随机森林分类器中第一节点的***维度索引,确定所述***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***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***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;
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***维度上的特征值。
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***维度索引,确定所述***维度索引对应的区域位置索引和偏置位置索引,包括:
对所述***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1后得到的数值作为所述***维度索引对应的区域位置索引;
根据所述***维度索引,对所述总维度数目进行取余运算,得到所述***维度索引对应的偏置位置索引。
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:
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。
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:
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。
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。
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:
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***维度索引和***条件,所述***维度索引用于唯一确定***维度,所述***维度和所述***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;
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***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***维度上的特征值;
***模块,用于根据所述第一节点的***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;
循环模块,用于根据当前所确定节点的***维度索引和***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。
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***维度索引和***条件。
在另一实施例中,所述特征提取模块包括:
确定单元,用于根据所述随机森林分类器中第一节点的***维度索引,确定所述***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***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***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;
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***维度上的特征值。
在另一实施例中,所述确定单元还用于对所述***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1后得到的数值作为所述***维度索引对应的区域位置索引;根据所述***维度索引,对所述总维度数目进行取余运算,得到所述***维度索引对应的偏置位置索引。
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。
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。
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。
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:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
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***维度索引和***条件,所述***维度索引用于唯一确定***维度,所述***维度和所述***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;
根据所述随机森林分类器中第一节点的***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***维度上的特征值;
根据所述第一节点的***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;
根据当前所确定节点的***维度索引和***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。
本公开的实施例提供的技术方案可以包括以下有益效果:
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***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***维度上的特征值,根据该第一节点的***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。
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
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,并与说明书一起用于解释本公开的原理。
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;
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;
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;
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;
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;
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;
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
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。
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。
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:
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***维度索引和***条件。
其中,该***维度索引用于唯一确定***维度,该***维度和该***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。
在步骤102中,根据该随机森林分类器中第一节点的***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***维度上的特征值。
在步骤103中,根据该第一节点的***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。
在步骤104中,根据当前所确定节点的***维度索引和***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。
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。
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***维度和***条件,该***维度和***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。
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***维度和***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。
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。
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***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。
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***维度,从而在对该样本图像进行特征提取时,只需对该***维度所在的区域进行特征提取,仅提取该样本图像在该***维度上的特征值,直接根据第一节点的***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***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。
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***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***维度上的特征值,根据该第一节点的***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。
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***维度索引和***条件,包括:
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***维度索引和***条件。
在另一实施例中,该根据该随机森林分类器中第一节点的***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***维度上的特征值,包括:
根据该随机森林分类器中第一节点的***维度索引,确定该***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***维度对应的提取区域的位置,该偏置位置索引用于确定该***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;
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***维度上的特征值。
在另一实施例中,该根据该随机森林分类器中第一节点的***维度索引,确定该***维度索引对应的区域位置索引和偏置位置索引,包括:
对该***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1后得到的数值作为该***维度索引对应的区域位置索引;
根据该***维度索引,对该总维度数目进行取余运算,得到该***维度索引对应的偏置位置索引。
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:
确定该样本图像中与该区域位置索引对应的提取区域;
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。
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:
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。
在另一实施例中,该预设特征提取算法为HOG(HistogramofOrientedGradient,方向梯度直方图)特征提取算法。
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,在此不再一一赘述。
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:
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***维度索引和***条件。
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。
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***维度索引和***条件,该多个决策树即可组成随机森林分类器。
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***维度索引和***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***维度索引和***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。
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。
其中,该***维度索引用于唯一确定***维度,可以为维度的序号或者ID(Identity,序列号)等,该***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。
每个节点的***维度和***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***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***条件可以包括***函数,根据该***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。
在步骤202中,根据该随机森林分类器中第一节点的***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***维度上的特征值。
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。
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***维度索引,从而确定该第一节点的***维度是哪一个维度,再计算出样本图像在该***维度上的特征值。例如,该步骤202可以包括以下步骤1至2:
1、根据该随机森林分类器中第一节点的***维度索引,确定该***维度索引对应的区域位置索引和偏置位置索引。
其中,该区域位置索引用于确定该第一节点的***维度对应的提取区域的位置,该偏置位置索引用于确定该***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。
该测试装置可以确定每个提取区域中的细胞单元数目,以及每个细胞单元的维度数目,计算细胞单元数目与每个细胞单元的维度数目的乘积,即为每个提取区域的总维度数目。
之后,该测试装置可以对该***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1后得到的数值作为该***维度索引对应的区域位置索引,从而确定该样本图像的提取区域。并计算该总维度数目与该整数商值之间的乘积,将该***维度索引与该乘积之间的差值作为该***维度索引对应的偏置位置索引。
举例来说,采用预设特征提取算法时,每个细胞单元的特征的维度数目为10,相邻的2*2个细胞单元构成一个提取区域,即提取区域中的细胞单元数目为4,提取区域的维度总数目为40,而且提取区域的步长为2,则如果该第一节点的***维度索引为1000,表示***维度为第1001个维度,通过计算可以确定区域位置索引为26,偏置位置索引为0,表示该***维度对应于第26个提取区域中提取出的第1个特征值。
2、根据该区域位置索引,对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。
该测试装置可以根据该区域位置索引,确定该样本图像中与该区域位置索引对应的提取区域,并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,即采用预设特征提取算法,对该提取区域中的每个细胞单元分别进行特征提取,得到每个细胞单元的特征向量,按照每个细胞单元的位置顺序,将每个细胞单元的特征向量进行组合,得到该提取区域的特征向量。
则该测试装置即可根据该偏置位置索引,从该特征向量中提取该偏置位置索引对应的特征值,即为该样本图像在该***维度上的特征值。
其中,该测试装置可以确定预设对应关系,该预设对应关系包括每个提取区域对应的区域位置索引,根据预设对应关系即可确定该样本图像中与该区域位置索引对应的提取区域。另外,该预设特征提取算法为HOG特征提取算法,或者其他类型的特征提取算法,该预设特征提取算法与该随机森林分类器在训练过程中采用的特征提取算法相同。该预设对应关系可以根据该预设特征提取算法所确定的提取区域的尺寸确定,本实施例对此不做限定。
参见上述步骤1的举例,该测试装置可以对该样本图像中的第26个提取区域进行特征提取,得到一个4维的特征向量,并提取出该特征向量中的第1个特征值,即为该样本图像在第1001个维度上的特征值。
在步骤203中,根据该第一节点的***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。
本实施例中,每个节点的***条件用于对样本图像在该节点的***维度上的特征值进行判断,判断结果不同时,待遍历的下一节点也不同。
当计算得到该样本图像在该第一节点的***维度上的特征值时,该测试装置可以根据第一节点的***条件对该特征值进行判断,得到判断结果,并从该第一节点的分支节点中获取与该判断结果对应的节点,即为待遍历的第二节点。
例如,第一节点的***条件包括与该第一节点的多个分支节点对应的多个条件,当该特征值满足该***条件中的某一条件时,该特征值所满足的条件对应的分支节点即为待遍历的第二节点。
又如,该第一节点的***条件包括***函数,且根据该***函数进行计算得到的计算结果为0时对应的分支节点为节点A,计算结果为1时对应的分支节点为节点B,则当根据该***函数对该特征值进行计算得到的计算结果为1时,将节点B确定为待遍历的第二节点。
在步骤204中,继续执行步骤202至203,直至获取到该样本图像在每个决策树中的分类结果,根据样本图像在每个决策树中的分类结果确定该样本图像的分类结果。
确定第二节点后,该测试装置即可针对第二节点继续执行上述步骤202至203。
也即是,该测试装置根据该第二节点的***维度索引,对该样本图像进行特征提取,得到该样本图像在第二节点的***维度上的特征值,并根据第二节点的***条件对该特征值进行判断,根据判断结果从该第二节点的分支节点中确定待遍历的第三节点,以此类推,直至遍历到决策树的最后一层节点,即可将遍历到的最后一层节点的分类结果作为该样本图像在该决策树中的分类结果。
仅以随机森林分类器中的一个决策树为例,用于划分人脸图像的决策树可以如图3所示,影响分类结果的维度包括f1和f2。应用该决策树对样本图像进行分类时,首先将该样本图像输入至该决策树的节点1。
节点1的***维度为f1,节点1的***条件为:特征值是否符合预设条件1,如果符合则***至节点2,如果不符合则确定为非人脸。因此,计算该样本图像在维度f1上的特征值n1,判断n1是否符合预设条件1,如果n1符合预设条件1,则遍历至节点2。
节点2的***维度为f2,节点2的***条件为:特征值是否符合预设条件2,如果符合则确定为人脸,如果不符合则确定为非人脸。因此,计算该样本图像在维度f2上的特征值n2,判断n2是否符合预设条件2,如果n2符合预设条件2,则确定该样本图像是人脸图像。
由于该随机森林分类器包括多个决策树,该测试装置可以确定该样本图像在多个决策树中的分类结果,并将在多个决策树中出现最多的分类结果作为该样本图像的分类结果。
需要说明的是,本实施例仅是以待测试的一张样本图像为例进行说明,而在实际进行训练时,可以采用上述步骤对多张样本图像分别进行上述分类过程,得到每张样本图像的分类结果。而且针对多张样本图像,采用本实施例所采用的方法进行测试时,可以减小更多的计算量,保证该随机森林分类器的测试速度很快。
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***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***维度上的特征值,根据该第一节点的***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。
由于SVM分类器(SupportVectorMachine,支持向量机)的模型文件要保存所有的支持向量,因此会随着训练样本的增加而变大,而随机森林分类器与SVM分类器不同,随机森林分类器的模型文件的大小与训练样本的多少并无直接关系,而是更依赖于随机森林中每个决策树的结构,在保证很高识别率的同时,还可以更自由地控制模型文件大小以及增加训练集。
对HOG特征来说,如果进行特征提取时提取的角度区间较多,或者提取窗口较大,会导致提取到的特征维度较高,甚至能达到几千维。那么,在对分类器进行测试的过程中,如果只针对一张样本图像,算出该样本图像几千维的特征值,然后输入到分类器中,其测试速度还可以接受,但是如果测试的样本图像很多,就会导致计算量非常大,测试速度很慢。
而针对随机森林分类器来说,整个随机森林中的每个节点在进行分类时,只会用到一小部分特征,而不会用到所有的特征,即真正分类时用到的维度数目远小于总的维度数目,随机森林分类器具有特征选择性。因此,与其在进行分类之前计算出所有的特征值,还不如将特征提取融入到分类器中,在分类的过程中遇到当前节点时,实时计算出当前节点需要的特征值,这样就可以少算大部分维度上的特征值,节省计算时间,提高速度。
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。参见图4,该装置包括获取模块401,特征提取模块402,***模块403和循环模块404。
获取模块401被配置为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***维度索引和***条件,该***维度索引用于唯一确定***维度,该***维度和该***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;
特征提取模块402被配置为用于根据该随机森林分类器中第一节点的***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***维度上的特征值;
***模块403被配置为用于根据该第一节点的***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;
循环模块404被配置为用于根据当前所确定节点的***维度索引和***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。
本实施例提供的装置,通过根据随机森林分类器中第一节点的***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***维度上的特征值,根据该第一节点的***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。
在另一实施例中,该获取模块401还被配置为用于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***维度索引和***条件。
参见图5,在另一实施例中,该特征提取模块402包括:
确定单元4021被配置为用于根据该随机森林分类器中第一节点的***维度索引,确定该***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***维度对应的提取区域的位置,该偏置位置索引用于确定该***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;
提取单元4022被配置为用于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***维度上的特征值。
在另一实施例中,该确定单元4021还被配置为用于对该***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1后得到的数值作为该***维度索引对应的区域位置索引;根据该***维度索引,对该总维度数目进行取余运算,得到该***维度索引对应的偏置位置索引。
在另一实施例中,该提取单元4022还被配置为用于确定该样本图像中与该区域位置索引对应的提取区域;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。
在另一实施例中,该提取单元4022还被配置为用于根据预设对应关系,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。
在另一实施例中,该预设特征提取算法为方向梯度直方图HOG特征提取算法。
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,在此不再一一赘述。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是:上述实施例提供的基于随机森林分类器的分类装置在进行分类测试时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将测试装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于随机森林分类器的分类装置与基于随机森林分类器的分类方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
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600的框图。例如,装置600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理组件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理***,一个或多个电源,及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当装置600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为装置600提供各个方面的状态评估。例如,传感器组件614可以检测到装置600的打开/关闭状态,组件的相对定位,例如所述组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600一个组件的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述基于随机森林分类器的分类方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由装置600的处理器620执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种基于随机森林分类器的分类方法,所述方法包括:
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***维度索引和***条件,该***维度索引用于唯一确定***维度,该***维度和该***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;
根据该随机森林分类器中第一节点的***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***维度上的特征值;
根据该第一节点的***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;
根据当前所确定节点的***维度索引和***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。
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***维度索引和***条件,包括:
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***维度索引和***条件。
在另一实施例中,该根据该随机森林分类器中第一节点的***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***维度上的特征值,包括:
根据该随机森林分类器中第一节点的***维度索引,确定该***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***维度对应的提取区域的位置,该偏置位置索引用于确定该***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;
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***维度上的特征值。
在另一实施例中,该根据该随机森林分类器中第一节点的***维度索引,确定该***维度索引对应的区域位置索引和偏置位置索引,包括:
对该***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1后得到的数值作为该***维度索引对应的区域位置索引;
根据该***维度索引,对该总维度数目进行取余运算,得到该***维度索引对应的偏置位置索引。
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:
确定该样本图像中与该区域位置索引对应的提取区域;
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。
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:
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。
在另一实施例中,该预设特征提取算法为方向梯度直方图HOG特征提取算法。
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700的框图。例如,装置700可以被提供为一服务器。参照图7,装置700包括处理组件722,其进一步包括一个或多个处理器,以及由存储器732所代表的存储器资源,用于存储可由处理组件722的执行的指令,例如应用程序。存储器732中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件722被配置为执行指令,以执行上述基于随机森林分类器的分类方法。
装置700还可以包括一个电源组件726被配置为执行装置700的电源管理,一个有线或无线网络接口750被配置为将装置700连接到网络,和一个输入输出(I/O)接口758。装置700可以操作基于存储在存储器732的操作***,例如WindowsServerTM,MacOSXTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (15)
1.一种基于随机森林分类器的分类方法,其特征在于,所述方法包括:
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***维度索引和***条件,所述***维度索引用于唯一确定***维度,所述***维度和所述***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;
根据所述随机森林分类器中第一节点的***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***维度上的特征值;
根据所述第一节点的***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;
根据当前所确定节点的***维度索引和***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。
2.根据权利要求1所述的方法,其特征在于,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***维度索引和***条件,包括:
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***维度索引和***条件。
3.根据权利要求1所述的方法,其特征在于,所述根据所述随机森林分类器中第一节点的***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***维度上的特征值,包括:
根据所述随机森林分类器中第一节点的***维度索引,确定所述***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***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***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;
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***维度上的特征值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述随机森林分类器中第一节点的***维度索引,确定所述***维度索引对应的区域位置索引和偏置位置索引,包括:
对所述***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1后得到的数值作为所述***维度索引对应的区域位置索引;
根据所述***维度索引,对所述总维度数目进行取余运算,得到所述***维度索引对应的偏置位置索引。
5.根据权利要求3所述的方法,其特征在于,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:
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。
6.根据权利要求5所述的方法,其特征在于,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:
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。
7.根据权利要求5所述的方法,其特征在于,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。
8.一种基于随机森林分类器的分类装置,其特征在于,所述装置包括:
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***维度索引和***条件,所述***维度索引用于唯一确定***维度,所述***维度和所述***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;
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***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***维度上的特征值;
***模块,用于根据所述第一节点的***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;
循环模块,用于根据当前所确定节点的***维度索引和***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。
9.根据权利要求8所述的装置,其特征在于,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***维度索引和***条件。
10.根据权利要求8所述的装置,其特征在于,所述特征提取模块包括:
确定单元,用于根据所述随机森林分类器中第一节点的***维度索引,确定所述***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***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***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;
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***维度上的特征值。
11.根据权利要求10所述的装置,其特征在于,所述确定单元还用于对所述***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1后得到的数值作为所述***维度索引对应的区域位置索引;根据所述***维度索引,对所述总维度数目进行取余运算,得到所述***维度索引对应的偏置位置索引。
12.根据权利要求10所述的装置,其特征在于,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。
13.根据权利要求12所述的装置,其特征在于,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。
14.根据权利要求12所述的装置,其特征在于,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。
15.一种基于随机森林分类器的分类装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
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***维度索引和***条件,所述***维度索引用于唯一确定***维度,所述***维度和所述***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;
根据所述随机森林分类器中第一节点的***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***维度上的特征值;
根据所述第一节点的***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;
根据当前所确定节点的***维度索引和***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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086598.XA CN105608476B (zh) | 2016-02-16 | 2016-02-16 | 基于随机森林分类器的分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610086598.XA CN105608476B (zh) | 2016-02-16 | 2016-02-16 | 基于随机森林分类器的分类方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105608476A true CN105608476A (zh) | 2016-05-25 |
CN105608476B CN105608476B (zh) | 2019-03-15 |
Family
ID=55988400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610086598.XA Active CN105608476B (zh) | 2016-02-16 | 2016-02-16 | 基于随机森林分类器的分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105608476B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN107122583A (zh) * | 2017-03-10 | 2017-09-01 | 深圳大学 | 一种中医证素的辨证方法及装置 |
CN108665293A (zh) * | 2017-03-29 | 2018-10-16 | 华为技术有限公司 | 特征重要性获取方法及装置 |
CN110716138A (zh) * | 2019-10-25 | 2020-01-21 | 中国矿业大学 | 一种笼型异步电机定子绕组匝间短路故障识别方法 |
CN111695693A (zh) * | 2019-03-13 | 2020-09-22 | 株式会社理光 | 学习装置及学习方法 |
US11544633B2 (en) | 2017-09-30 | 2023-01-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for cleaning up background application, storage medium, and electronic device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009271890A (ja) * | 2008-05-12 | 2009-11-19 | Toshiba Corp | 画像処理装置及びその方法 |
CN101916365A (zh) * | 2010-07-06 | 2010-12-15 | 北京竞业达数码科技有限公司 | 对***事件进行智能视频识别的方法 |
CN104715481A (zh) * | 2015-03-17 | 2015-06-17 | 西安交通大学 | 基于随机森林的多尺度印刷品缺陷检测方法 |
CN105282123A (zh) * | 2014-07-24 | 2016-01-27 | 亿阳安全技术有限公司 | 一种网络协议识别方法和装置 |
-
2016
- 2016-02-16 CN CN201610086598.XA patent/CN105608476B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009271890A (ja) * | 2008-05-12 | 2009-11-19 | Toshiba Corp | 画像処理装置及びその方法 |
CN101916365A (zh) * | 2010-07-06 | 2010-12-15 | 北京竞业达数码科技有限公司 | 对***事件进行智能视频识别的方法 |
CN105282123A (zh) * | 2014-07-24 | 2016-01-27 | 亿阳安全技术有限公司 | 一种网络协议识别方法和装置 |
CN104715481A (zh) * | 2015-03-17 | 2015-06-17 | 西安交通大学 | 基于随机森林的多尺度印刷品缺陷检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN106197424B (zh) * | 2016-06-28 | 2019-03-22 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
CN107122583A (zh) * | 2017-03-10 | 2017-09-01 | 深圳大学 | 一种中医证素的辨证方法及装置 |
CN108665293A (zh) * | 2017-03-29 | 2018-10-16 | 华为技术有限公司 | 特征重要性获取方法及装置 |
CN108665293B (zh) * | 2017-03-29 | 2021-08-31 | 华为技术有限公司 | 特征重要性获取方法及装置 |
US11544633B2 (en) | 2017-09-30 | 2023-01-03 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for cleaning up background application, storage medium, and electronic device |
CN111695693A (zh) * | 2019-03-13 | 2020-09-22 | 株式会社理光 | 学习装置及学习方法 |
CN111695693B (zh) * | 2019-03-13 | 2024-04-26 | 株式会社理光 | 学习装置及学习方法 |
CN110716138A (zh) * | 2019-10-25 | 2020-01-21 | 中国矿业大学 | 一种笼型异步电机定子绕组匝间短路故障识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105608476B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608476A (zh) | 基于随机森林分类器的分类方法及装置 | |
CN106548145A (zh) | 图像识别方法及装置 | |
CN105512685B (zh) | 物体识别方法和装置 | |
CN105631408A (zh) | 基于视频的面孔相册处理方法和装置 | |
CN105608425B (zh) | 对照片进行分类存储的方法及装置 | |
CN106295566A (zh) | 人脸表情识别方法及装置 | |
CN107133576A (zh) | 用户年龄识别方法及装置 | |
CN107454465A (zh) | 视频播放进度展示方法及装置、电子设备 | |
CN107239535A (zh) | 相似图片检索方法及装置 | |
CN106295511A (zh) | 人脸跟踪方法及装置 | |
CN105426867A (zh) | 人脸识别验证方法及装置 | |
CN106204435A (zh) | 图像处理方法及装置 | |
CN105488527A (zh) | 图像分类方法及装置 | |
CN105631403A (zh) | 人脸识别方法及装置 | |
CN105224924A (zh) | 活体人脸识别方法和装置 | |
CN106547338A (zh) | 指令生成方法及装置 | |
CN106295515A (zh) | 确定图像中的人脸区域的方法及装置 | |
CN105631406A (zh) | 图像识别处理方法和装置 | |
CN104408404A (zh) | 人脸识别方法及装置 | |
CN106169075A (zh) | 身份验证方法及装置 | |
CN105354560A (zh) | 指纹识别方法及装置 | |
CN107766820A (zh) | 图像分类方法及装置 | |
CN106339695A (zh) | 人脸相似检测方法、装置及终端 | |
CN107463903A (zh) | 人脸关键点定位方法及装置 | |
CN106203306A (zh) | 年龄的预测方法、装置及终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |