电视技术
電視技術
전시기술
Video Engineering
2015年
18期
90-93
,共4页
王迪%陈岳林%蔡晓东%王丽娟
王迪%陳嶽林%蔡曉東%王麗娟
왕적%진악림%채효동%왕려연
随机森林%RankSVM%RF-SVM%K-means算法
隨機森林%RankSVM%RF-SVM%K-means算法
수궤삼림%RankSVM%RF-SVM%K-means산법
random forest%RankSVM%RF-SVM%K-means
针对卡口环境及大样本情况下,基于样本数据量大时对测试图像使用RankSVM排名结果会很靠后,提出了一种新的基于随机森林和RankSVM的行人识别方法RF-SVM(RondomForest SVM).首先,单个训练样本提取多维特征向量,经K-means算法将所有训练样本的特征向量聚类,根据随机森林得到测试目标的预测类别,在此类范围内采用RankSVM算法,将相似度排名顺序作为行人识别结果.与传统方法相比,引用了随机森林预测分类的方法,避免了测试图像与全体样本进行相似度匹配,仅在预测到的类别中使用RankSVM,这样得到的既准确又相对单一的RankSVM排名结果更靠前,聚类算法结合随机森林起到一个对样本数据初筛的作用.基于VIPeR样本库的实验证明,该方法对行人姿态变化具有鲁棒性,相比MCC与RankSVM等文中实验列举的传统算法识别准确率高.
針對卡口環境及大樣本情況下,基于樣本數據量大時對測試圖像使用RankSVM排名結果會很靠後,提齣瞭一種新的基于隨機森林和RankSVM的行人識彆方法RF-SVM(RondomForest SVM).首先,單箇訓練樣本提取多維特徵嚮量,經K-means算法將所有訓練樣本的特徵嚮量聚類,根據隨機森林得到測試目標的預測類彆,在此類範圍內採用RankSVM算法,將相似度排名順序作為行人識彆結果.與傳統方法相比,引用瞭隨機森林預測分類的方法,避免瞭測試圖像與全體樣本進行相似度匹配,僅在預測到的類彆中使用RankSVM,這樣得到的既準確又相對單一的RankSVM排名結果更靠前,聚類算法結閤隨機森林起到一箇對樣本數據初篩的作用.基于VIPeR樣本庫的實驗證明,該方法對行人姿態變化具有魯棒性,相比MCC與RankSVM等文中實驗列舉的傳統算法識彆準確率高.
침대잡구배경급대양본정황하,기우양본수거량대시대측시도상사용RankSVM배명결과회흔고후,제출료일충신적기우수궤삼림화RankSVM적행인식별방법RF-SVM(RondomForest SVM).수선,단개훈련양본제취다유특정향량,경K-means산법장소유훈련양본적특정향량취류,근거수궤삼림득도측시목표적예측유별,재차류범위내채용RankSVM산법,장상사도배명순서작위행인식별결과.여전통방법상비,인용료수궤삼림예측분류적방법,피면료측시도상여전체양본진행상사도필배,부재예측도적유별중사용RankSVM,저양득도적기준학우상대단일적RankSVM배명결과경고전,취류산법결합수궤삼림기도일개대양본수거초사적작용.기우VIPeR양본고적실험증명,해방법대행인자태변화구유로봉성,상비MCC여RankSVM등문중실험열거적전통산법식별준학솔고.
