一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法

暫無

一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法\n技術(shù)領(lǐng)域\n[0001] 本發(fā)明涉及視頻監(jiān)控領(lǐng)域，具體涉及一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法。\n背景技術(shù)\n[0002] HOG(Histogram?of?Oriented?Gradient)：即方向梯度直方圖，是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測的特征描述子。\n[0003] SVM(Support?Vector?Machine)：即支持向量機(jī)，是一種可訓(xùn)練的機(jī)器學(xué)習(xí)方法。\n[0004] HSV(Hue,Saturation,Value)：是根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間，該模型中顏色的參數(shù)分別是：色調(diào)(H)，飽和度(S)，亮度(V)。\n[0005] 在施工工地中，工作人員佩戴安全帽是一項(xiàng)非常重要的要求，其直接關(guān)系到工作人員的人身安全，所以有必要對施工工地上所有的工作人員是否按要求佩戴安全帽進(jìn)行嚴(yán)格的監(jiān)控。\n[0006] 在現(xiàn)有技術(shù)中，針對安全帽的檢測技術(shù)非常少：\n[0007] 有一種專門針對安全帽檢測的方法，重點(diǎn)研究運(yùn)動人員的背景減除檢測方法并提出了加權(quán)時(shí)間均值背景模型，其次在特征選取部分嘗試了多種不同的特征，最終給出一組較為有效的特征。之后針對大小、顏色、磨損程度均不完全一樣的各種安全帽，提出一種基于十六方向Gabor的HOG特征(方向梯度直方圖)提取方法，經(jīng)過SVM訓(xùn)練得到多項(xiàng)式分類器，能夠在目標(biāo)與背景灰度相似的情況下識別出安全帽，最后基于顏色直方圖的Mean?Shift安全帽跟蹤算法，實(shí)現(xiàn)視頻中未佩戴安全帽頭部的跟蹤。這種方法的缺點(diǎn)是：背景模型學(xué)習(xí)速率較低，在檢測頭部時(shí)，膚色和發(fā)色的顏色閾值固定，無法自適應(yīng)，安全帽識別算法時(shí)間計(jì)算復(fù)雜度高，搜索效率較低下。\n[0008] 還有一種用高斯函數(shù)模擬安全帽四方向邊緣特征的安全帽檢測算法，通過對安全帽進(jìn)行建模，獲取安全帽圖像，提取四方向邊緣特征，用高斯函數(shù)模擬特征分布，采用線性分段函數(shù)區(qū)分視頻中窗口為安全帽區(qū)域和非安全帽區(qū)域?qū)崿F(xiàn)安全帽的檢測。這種方法主要是用來進(jìn)行煤礦井下目標(biāo)人員的檢測，煤礦井下環(huán)境特殊，全天候人工照明，加上粉塵和潮濕等因素的影響，導(dǎo)致井下視頻具有以下特點(diǎn)：照度低，光照分布不均勻，所有的圖像以黑、灰、白顏色為主，處理圖像時(shí)沒有色彩信息可利用，不適用于一般的戶外場合。\n[0009] 另一種安全帽定位方法，其選取Haar-like特征，使用adaboost算法訓(xùn)練級聯(lián)分類器。將待檢測圖像預(yù)處理后，送入分類器，由分類器輸出安全帽在圖像中的位置坐標(biāo)。這種方法在訓(xùn)練分類器時(shí)比較復(fù)雜，且分類器的準(zhǔn)確率受訓(xùn)練樣本的影響。\n[0010] 綜上所述，這些方法均不能夠同時(shí)保證準(zhǔn)確率和低復(fù)雜度，另外，上述方法只是檢測圖像中是否存在安全帽，無法檢測出只是隨身攜帶而并未按規(guī)定佩戴安全帽的情況。\n發(fā)明內(nèi)容\n[0011] 本發(fā)明的目的在于提供一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法，解決現(xiàn)有技術(shù)對施工工地中工作人員是否按要求佩戴安全帽的監(jiān)控精度不夠,準(zhǔn)確率低，而且監(jiān)控過程和計(jì)算復(fù)雜的問題。\n[0012] 為解決上述的技術(shù)問題，本發(fā)明采用以下技術(shù)方案：\n[0013] 一種融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法，包括以下步驟：\n[0014] 步驟一，獲取HOG正負(fù)樣本特征、SVM分類函數(shù)和高斯核函數(shù)的參數(shù) 值；\n[0015] 步驟二，提取監(jiān)視框：\n[0016] 在作業(yè)人員進(jìn)入施工現(xiàn)場的必經(jīng)通道處設(shè)置攝像頭，設(shè)置與工作人員體形相適應(yīng)的監(jiān)視框；\n[0017] 步驟三，運(yùn)動目標(biāo)檢測：\n[0018] 在監(jiān)視框范圍內(nèi)選取前幾幀無目標(biāo)圖像的像素值作為背景單高斯分布的初始均值向量u0和協(xié)方差矩陣 其中I是單位矩陣, 是t時(shí)刻方差,初始值一般賦予一個(gè)較大的值,如\n[0019] 抓取待檢測圖像，將獲取的待檢測圖像的像素值和背景單高斯分布進(jìn)行匹配檢驗(yàn)，當(dāng)像素值與背景單高斯分布均值的距離小于其標(biāo)準(zhǔn)差的δ倍時(shí)(δ一般取2.5-3)，則該像素點(diǎn)判決為背景點(diǎn)，并取值為0，否則為前景點(diǎn)，取值為1，得到運(yùn)動目標(biāo)的二值圖像；\n[0020] 對被判斷為背景的像素點(diǎn)，更新該像素點(diǎn)的均值向量ut和協(xié)方差矩陣更新公式為：\n[0021] ut＝(1-ρ)ut-1+ρXt\n[0022]\n[0023] Xt為t時(shí)刻的像素值，ut為t時(shí)刻高斯分布的均值向量，ut-1是t-1時(shí)刻高斯分布的均值向量, 是t-1時(shí)刻方差，更新率ρ取值為0＜ρ＜1，其值越大，更新越快。\n[0024] 運(yùn)用形態(tài)學(xué)濾波的方法對得到的二值圖像進(jìn)行后續(xù)處理，除去干擾點(diǎn)，形成較為完整的目標(biāo)圖像；\n[0025] 步驟四，HOG特征匹配：\n[0026] 提取待測目標(biāo)圖像的HOG特征，將待測目標(biāo)圖像的HOG特征和已獲取HOG正負(fù)樣本特征進(jìn)行匹配,若待測目標(biāo)圖像判斷為負(fù)樣本，認(rèn)為待測目標(biāo)圖像中沒有人體目標(biāo)，重新獲取新的圖像，返回步驟二，若待測目標(biāo)圖像判斷為正樣本,則認(rèn)為圖像中有人體目標(biāo)，進(jìn)一步判斷是否佩戴安全帽；\n[0027] 步驟五，判斷是否佩戴安全帽：\n[0028] 截取上一步中目標(biāo)人體的頭部圖像，提取該圖像的顏色特征向量x，代入最優(yōu)SVM分類函數(shù)f(x)計(jì)算得到一個(gè)函數(shù)值，若該值大于0，則判斷為佩戴了安全帽，若該值小于0，則判斷為未佩戴安全帽，給出報(bào)警提示。\n[0029] 更進(jìn)一步的技術(shù)方案是所述步驟一中，HOG正負(fù)樣本特征的獲取方法是：\n[0030] ①，先獲取有完整的人體目標(biāo)的正樣本圖像和非人體目標(biāo)的負(fù)樣本圖像各m張(m可取值為20-30)；\n[0031] ②，計(jì)算m張正樣本圖像和m張負(fù)樣本圖像中每個(gè)像素點(diǎn)(x,y)的梯度幅值G(x,y)和梯度方向α(x,y)，形成圖像矩陣；\n[0032] ③，圖像矩陣分為小的細(xì)胞單元，每個(gè)細(xì)胞單元為6*6像素,每3*3個(gè)細(xì)胞單元構(gòu)成一個(gè)塊，將0°～180°的角度平均分成9個(gè)通道；\n[0033] ④，對細(xì)胞單位中的每個(gè)像素點(diǎn)的梯度幅值和方向統(tǒng)計(jì)出梯度方向直方圖；\n[0034] ⑤，梯度方向直方圖的橫坐標(biāo)選取9個(gè)方向通道，梯度方向直方圖的縱坐標(biāo)為屬于\n9個(gè)方向通道中一個(gè)通道的像素的梯度大小的累加和，最終得到一組由各個(gè)通道像素梯度累加和構(gòu)成的向量；\n[0035] ⑥，以向量對應(yīng)的像素所在的小塊為單位，對向量進(jìn)行歸一化處理；將經(jīng)過歸一化處理后所有的向量連接起來，形成HOG正負(fù)樣本特征。\n[0036] 圖像中某點(diǎn)像素(x,y)的梯度公式如下：\n[0037] Gx(x,y)＝H(x+1,y)-H(x-1,y)\n[0038] Gy(x,y)＝H(x,y+1)-H(x,y-1)\n[0039] 式中Gx(x,y)，Gy(x,y)，H(x,y)分別為輸入圖像中像素點(diǎn)(x,y)處的水平方向梯度、垂直方向梯度和像素值。\n[0040] 像素點(diǎn)(x,y)處的梯度幅值G(x,y)和梯度方向α(x,y)按照下式計(jì)算：\n[0041]\n[0042]\n[0043] SVM分類函數(shù)是通過SVM分類器訓(xùn)練得到，獲取的方法是：\n[0044] ①，分別選取n幀(n的最佳范圍為5000-10000)佩戴安全帽和n幀未佩戴安全帽的工作人員頭部矩形圖像；得出到上述2n幀圖片中像素點(diǎn)的色調(diào)H分量的統(tǒng)計(jì)直方圖；將實(shí)際得到的色調(diào)H值范圍均勻劃分成100個(gè)小塊，統(tǒng)計(jì)圖像中像素點(diǎn)的色調(diào)H值落入各個(gè)小塊內(nèi)的像素個(gè)數(shù)，得到對應(yīng)的2n個(gè)1*100的特征向量，形成一個(gè)100*2n的矩陣，提取向量維數(shù)龐大的顏色特征；\n[0045] ②，將上述矩陣按列歸一化，即矩陣中每一個(gè)單獨(dú)的數(shù)除以該列最大的數(shù)，得到每個(gè)數(shù)取值范圍都在0到1之間的矩陣；取矩陣的某一行向量，它由n個(gè)正樣本的色調(diào)H值和n個(gè)負(fù)樣本的色調(diào)H值構(gòu)成，假設(shè)這正樣本的平均數(shù) 和負(fù)樣本的平均數(shù) 之間無顯著差異；\n通過正樣特征向量x1和負(fù)樣本x2，以及正樣本的平均數(shù) 和負(fù)樣本的平均數(shù) 構(gòu)造出統(tǒng)計(jì)量T，該統(tǒng)計(jì)量T是用來判斷正樣本的平均數(shù) 和負(fù)樣本的平均數(shù) 有無顯著差異的；根據(jù)自由度n1+n2-2(n1、n2分別是正負(fù)樣本的個(gè)數(shù)，這里它們相等，均為n)和顯著水平α，再經(jīng)過查詢T界值表，得到理論值；比較計(jì)算得到的統(tǒng)計(jì)量T值和理論值，如果計(jì)算得到的統(tǒng)計(jì)量T值小于理論值，則正樣本和負(fù)樣本差異不顯著，剔除該行向量；如果計(jì)算得到的統(tǒng)計(jì)量T值大于理論值，則兩樣本差異顯著，保留該行向量，記錄行號；更換另一行向量，重復(fù)差異檢驗(yàn)步驟，如此循環(huán)直到構(gòu)成每個(gè)行向量的正樣本和負(fù)樣本都進(jìn)行過一次差異是否顯著的檢驗(yàn)，最后所有保留下來的行向量構(gòu)成一個(gè)d*2n的特征矩陣(d≤100)，該矩陣的每一列xi是d維空間中的向量；\n[0046] 統(tǒng)計(jì)量T構(gòu)造公式如下:\n[0047]\n[0048] 其中x1,x2分別是正負(fù)樣本的特征向量, 分別是正負(fù)樣本的平均數(shù)，n1、n2分別是正負(fù)樣本的個(gè)數(shù)。\n[0049] ③，根據(jù)已知類別的樣本集s＝{(xi,yi)|i＝1,...,2n}求取最優(yōu)SVM分類函數(shù)來解決未知樣本的分類問題，其中xi∈Rd是經(jīng)過降維后的d維空間中的向量，yi＝{+1,-1}為xi對應(yīng)的類別標(biāo)號，由于該樣本集s線性不可分，故使用高斯核函數(shù)將其映射到高維使其線性可分，即將SVM分類函數(shù)中的xix用K(xi,x)代替，其中高斯核函數(shù)的參數(shù) 通過下述高斯核函數(shù)的參數(shù) 值的獲取方法獲得，根據(jù)Karush-Kuhn-Tucker(KKT)條件，引入拉格朗日函數(shù)求解得到關(guān)于色調(diào)H值的最優(yōu)SVM分類函數(shù)f(x)(f為符號函數(shù)，x為待分類樣本的特征向量)，[0050] 分類函數(shù)公式\n[0051]\n[0052]\n[0053] ys＝1，\n[0054] 其中sgn為符號函數(shù)，x為待測樣本，s＝{(xi,yi)|i＝1,...,2n}是樣本集，yi＝{+\n1,-1}，yi＝1時(shí)表示為ys，xs是與ys相對于的特征樣本，ai為最優(yōu)的拉格朗日乘子，ai通過下式求解：\n[0055]\n[0056] 是xi的轉(zhuǎn)置，\n[0057] 約束條件：\n[0058]\n[0059] ai≥0。\n[0060] 高斯核函數(shù)的參數(shù) 值的獲取方法是：\n[0061] ①，首先給定一組 需要遍歷的值，取 為其中某一值 將上述已知分類的2n個(gè)樣本特征向量均勻分成k份(k一般取10)，編號為1-k，任取1份作為測試數(shù)據(jù)，其它k-1份作為訓(xùn)練數(shù)據(jù)，代入已經(jīng)求取得到的SVM分類函數(shù)，得到該測試數(shù)據(jù)的類別，判斷其是否分類正確；\n[0062] ②，共進(jìn)行k次交叉驗(yàn)證，其中部分樣本分類正確，部分樣本分類錯(cuò)誤，將分類正確的次數(shù)除以k,可得到該 下的分類錯(cuò)誤率，改變 的值，重復(fù)交叉驗(yàn)證過程，當(dāng)遍歷完所有給定的 值，將分類錯(cuò)誤率最小的 作為最終的高斯核函數(shù)的參數(shù)\n[0063] 高斯核函數(shù)公式如下:\n[0064]\n[0065] 其中xi,xj分別是樣本的特征向量。\n[0066] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：本發(fā)明能夠?qū)κ┕すさ刂泄ぷ魅藛T是否按要求佩戴安全帽進(jìn)行精確的監(jiān)控，算法原理簡單，具有實(shí)時(shí)性和較高的準(zhǔn)確率，不僅可以有效區(qū)分人體目標(biāo)和非人體目標(biāo)，克服背景中出現(xiàn)的干擾因素，而且能夠適應(yīng)室外多變的光照條件和安全帽顏色的變化，具有較強(qiáng)的魯棒性。\n具體實(shí)施方式\n[0067] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。\n[0068] 根據(jù)本發(fā)明一種利用融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法一個(gè)實(shí)施例：一種利用融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法，包括以下步驟：\n[0069] 步驟一，獲取HOG正負(fù)樣本特征、高斯核函數(shù)的參數(shù) 值和SVM分類函數(shù)；\n[0070] 步驟二，提取監(jiān)視框：\n[0071] 在作業(yè)人員進(jìn)入施工現(xiàn)場的必經(jīng)通道處設(shè)置攝像頭，設(shè)置與工作人員體形相適應(yīng)的監(jiān)視框；\n[0072] 步驟三，運(yùn)動目標(biāo)檢測：\n[0073] 在監(jiān)視框范圍內(nèi)選取前幾幀無目標(biāo)圖像的像素值作為背景單高斯分布的初始均值向量u0和協(xié)方差矩陣 其中I是單位矩陣, 是t時(shí)刻方差,初始值一般賦予一個(gè)較大的值,如\n[0074] 抓取待檢測圖像，將獲取的待檢測圖像的像素值和背景單高斯分布進(jìn)行匹配檢驗(yàn)，當(dāng)像素值與背景單高斯分布均值的距離小于其標(biāo)準(zhǔn)差的δ倍時(shí)(δ一般取2.5-3)，則該像素點(diǎn)判決為背景點(diǎn)，并取值為0，否則為前景點(diǎn)，取值為1，得到運(yùn)動目標(biāo)的二值圖像；\n[0075] 對被判斷為背景的像素點(diǎn)，更新該像素點(diǎn)的初始均值向量u0和協(xié)方差矩陣[0076] 更新公式為：\n[0077] ut＝(1-ρ)ut-1+ρXt\n[0078]\n[0079] Xt為t時(shí)刻的像素值，ut為t時(shí)刻高斯分布的均值向量，ut-1是t-1時(shí)刻高斯分布的均值向量, 是t-1時(shí)刻方差，更新率ρ取值為0＜ρ＜1，其值越大，更新越快。\n[0080] 運(yùn)用形態(tài)學(xué)濾波的方法對得到的二值圖像進(jìn)行后續(xù)處理，除去干擾點(diǎn)，形成較為完整的目標(biāo)圖像；\n[0081] 步驟四，HOG特征匹配：\n[0082] 提取待測目標(biāo)圖像的HOG特征，將待測目標(biāo)圖像的HOG特征和已獲取HOG正負(fù)樣本特征進(jìn)行匹配,若待測目標(biāo)圖像判斷為負(fù)樣本，認(rèn)為待測目標(biāo)圖像中沒有人體目標(biāo)，重新獲取新的圖像，返回步驟二，若待測目標(biāo)圖像判斷為正樣本,則認(rèn)為圖像中有人體目標(biāo)，進(jìn)一步判斷是否佩戴安全帽；\n[0083] 步驟五，判斷是否佩戴安全帽：\n[0084] 截取上一步中目標(biāo)人體的頭部圖像，提取該圖像的顏色特征向量x，代入最優(yōu)SVM分類函數(shù)f(x)計(jì)算得到一個(gè)函數(shù)值，若該值大于0，則判斷為佩戴了安全帽，若該值小于0，則判斷為未佩戴安全帽，給出報(bào)警提示。\n[0085] 根據(jù)本發(fā)明一種利用融合HOG人體目標(biāo)檢測和SVM分類器的安全帽識別方法的一個(gè)優(yōu)選實(shí)施例，所述步驟一中，HOG正負(fù)樣本特征的獲取方法是：\n[0086] ①，先獲取有完整的人體目標(biāo)的正樣本圖像和非人體目標(biāo)的負(fù)樣本圖像各m張(m可取值為20-30)；\n[0087] ②，計(jì)算m張正樣本圖像和m張負(fù)樣本圖像中每個(gè)像素點(diǎn)(x,y)的梯度幅值G(x,y)和梯度方向α(x,y)，形成圖像矩陣；\n[0088] ③，圖像矩陣分為小的細(xì)胞單元，每個(gè)細(xì)胞單元為6*6像素,每3*3個(gè)細(xì)胞單元構(gòu)成一個(gè)塊，將0°～180°的角度平均分成9個(gè)通道；\n[0089] ④，對細(xì)胞單位中的每個(gè)像素點(diǎn)的梯度幅值和方向統(tǒng)計(jì)出梯度方向直方圖；\n[0090] ⑤，梯度方向直方圖的橫坐標(biāo)選取9個(gè)方向通道，梯度方向直方圖的縱坐標(biāo)為屬于\n9個(gè)方向通道中一個(gè)通道的像素的梯度大小的累加和，最終得到一組由各個(gè)通道像素梯度累加和構(gòu)成的向量；\n[0091] ⑥，以向量對應(yīng)的像素所在的小塊為單位，對向量進(jìn)行歸一化處理；將經(jīng)過歸一化處理后所有的向量連接起來，形成HOG正負(fù)樣本特征。\n[0092] 圖像中某點(diǎn)像素(x,y)的梯度公式如下：\n[0093] Gx(x,y)＝H(x+1,y)-H(x-1,y)\n[0094] Gy(x,y)＝H(x,y+1)-H(x,y-1)\n[0095] 式中Gx(x,y)，Gy(x,y)，H(x,y)分別為輸入圖像中像素點(diǎn)(x,y)處的水平方向梯度、垂直方向梯度和像素值。\n[0096] 像素點(diǎn)(x,y)處的梯度幅值G(x,y)和梯度方向α(x,y)按照下式計(jì)算：\n[0097]\n[0098]\n[0099] SVM分類函數(shù)是通過SVM分類器訓(xùn)練得到，獲取的方法是：\n[0100] ①，分別選取n幀(n的最佳范圍為5000-10000)佩戴安全帽和n幀未佩戴安全帽的工作人員頭部矩形圖像；得出到上述2n幀圖片中像素點(diǎn)的色調(diào)H分量的統(tǒng)計(jì)直方圖；將實(shí)際得到的色調(diào)H值范圍均勻劃分成100個(gè)小塊，統(tǒng)計(jì)圖像中像素點(diǎn)的色調(diào)H值落入各個(gè)小塊內(nèi)的像素個(gè)數(shù)，得到對應(yīng)的2n個(gè)1*100的特征向量，形成一個(gè)100*2n的矩陣，提取向量維數(shù)龐大的顏色特征；\n[0101] ②，將上述矩陣按列歸一化，即矩陣中每一個(gè)單獨(dú)的數(shù)除以該列最大的數(shù)，得到每個(gè)數(shù)取值范圍都在0到1之間的矩陣；取矩陣的某一行向量，它由n個(gè)正樣本的色調(diào)H值和n個(gè)負(fù)樣本的色調(diào)H值構(gòu)成，假設(shè)這正樣本的平均數(shù) 和負(fù)樣本的平均數(shù) 之間無顯著差異；\n通過正樣特征向量x1和負(fù)樣本x2，以及正樣本的平均數(shù) 和負(fù)樣本的平均數(shù) 構(gòu)造出統(tǒng)計(jì)量T，該統(tǒng)計(jì)量T是用來判斷正樣本的平均數(shù) 和負(fù)樣本的平均數(shù) 有無顯著差異的；根據(jù)自由度n1+n2-2(n1、n2分別是正負(fù)樣本的個(gè)數(shù)，這里它們相等，均為n)和顯著水平α，再經(jīng)過查詢T界值表，得到理論值；比較計(jì)算得到的統(tǒng)計(jì)量T值和理論值，如果計(jì)算得到的統(tǒng)計(jì)量T值小于理論值，則正樣本和負(fù)樣本差異不顯著，剔除該行向量；如果計(jì)算得到的統(tǒng)計(jì)量T值大于理論值，則兩樣本差異顯著，保留該行向量，記錄行號；更換另一行向量，重復(fù)差異檢驗(yàn)步驟，如此循環(huán)直到構(gòu)成每個(gè)行向量的正樣本和負(fù)樣本都進(jìn)行過一次差異是否顯著的檢驗(yàn)，最后所有保留下來的行向量構(gòu)成一個(gè)d*2n的特征矩陣(d≤100)，該矩陣的每一列xi是d維空間中的向量；\n[0102] 統(tǒng)計(jì)量T構(gòu)造公式如下:\n[0103]\n[0104] 其中x1,x2分別是正負(fù)樣本的特征向量, 分別是正負(fù)樣本的平均數(shù)，n1、n2分別是正負(fù)樣本的個(gè)數(shù)。\n[0105] ③，根據(jù)已知類別的樣本集s＝{(xi,yi)|i＝1,...,2n}求取最優(yōu)SVM分類函數(shù)來解決未知樣本的分類問題，其中xi∈Rd是經(jīng)過降維后的d維空間中的向量，yi＝{+1,-1}為xi對應(yīng)的類別標(biāo)號，由于該樣本集s線性不可分，故使用高斯核函數(shù)將其映射到高維使其線性可分，即將SVM分類函數(shù)中的xix用K(xi,x)代替，其中高斯核函數(shù)的參數(shù) 通過下述高斯核函數(shù)的參數(shù) 值的獲取方法獲得，根據(jù)Karush-Kuhn-Tucker(KKT)條件，引入拉格朗日函數(shù)求解得到關(guān)于色調(diào)H值的最優(yōu)SVM分類函數(shù)f(x)(f為符號函數(shù)，x為待分類樣本的特征向量)，[0106] 分類函數(shù)公式\n[0107]\n[0108]\n[0109] ys＝1，\n[0110] 其中sgn為符號函數(shù)，x為待測樣本，s＝{(xi,yi)|i＝1,...,2n}是樣本集，yi＝{+\n1,-1}，yi＝1時(shí)表示為ys，xs是與ys相對于的特征樣本，ai為最優(yōu)的拉格朗日乘子，ai通過下式求解：\n[0111]\n[0112] 是xi的轉(zhuǎn)置，\n[0113] 約束條件：\n[0114]\n[0115] ai≥0。\n[0116] 高斯核函數(shù)的參數(shù) 值的獲取方法是：\n[0117] ①，首先給定一組 需要遍歷的值，取 為其中某一值 將上述已知分類的2n個(gè)樣本特征向量均勻分成k份(k一般取10)，編號為1-k，任取1份作為測試數(shù)據(jù)，其它k-1份作為訓(xùn)練數(shù)據(jù)，代入已經(jīng)求取得到的SVM分類函數(shù)，得到該測試數(shù)據(jù)的類別，判斷其是否分類正確；\n[0118] ②，共進(jìn)行k次交叉驗(yàn)證，其中部分樣本分類正確，部分樣本分類錯(cuò)誤，將分類正確的次數(shù)除以k,可得到該 下的分類錯(cuò)誤率，改變 的值，重復(fù)交叉驗(yàn)證過程，當(dāng)遍歷完所有給定的 值，將分類錯(cuò)誤率最小的 作為最終的高斯核函數(shù)的參數(shù)\n[0119] 高斯核函數(shù)公式如下:\n[0120]\n[0121] 其中xi,xj分別是樣本的特征向量。\n[0122] 盡管這里參照本發(fā)明的多個(gè)解釋性實(shí)施例對本發(fā)明進(jìn)行了描述，但是，應(yīng)該理解，本領(lǐng)域技術(shù)人員可以設(shè)計(jì)出很多其他的修改和實(shí)施方式，這些修改和實(shí)施方式將落在本申請公開的原則范圍和精神之內(nèi)。更具體地說，在本申請公開和權(quán)利要求的范圍內(nèi)，可以對主題組合布局的組成部件和/或布局進(jìn)行多種變型和改進(jìn)。除了對組成部件和/或布局進(jìn)行的變形和改進(jìn)外，對于本領(lǐng)域技術(shù)人員來說，其他的用途也將是明顯的。