基于Adaboost的動物二分類識別方法*

張公伯 谷昱良 朱和貴

(東北大學理學院數學系 沈陽 110004)

基于Adaboost的動物二分類識別方法*

張公伯 谷昱良 朱和貴

(東北大學理學院數學系 沈陽 110004)

針對動物圖像的分類識別問題,提出了一種基于Adaboost分類器的動物二分類識別方法。首先對樣本圖片進行邊緣特征提取,選取八種具有顯著形狀不變性的特征描繪子,并對其合理性和優越性進行驗證。后用Adaboost分類器對所得特征矩陣進行訓練,得到最有效的分類特征,并對從Shape Database形狀圖片庫中選取三組動物圖像進行十折交叉驗證實驗。狗和牛、牛和象、青蛙和牛的正確分類識別率分別達到85%、90%和92.5%。實驗表明該分類識別方法能較準確進行二分類識別,是一種較有效的動物圖像二分類識別方法。

動物分類識別; Adaboost分類器; 特征描繪子; 十折交叉驗證; 二分類

1 引言

隨著特征分類識別技術的興起,近年來,動物分類識別成為模式識別領域的重要課題。市場對動物識別技術需求的不斷激增,促使動物分類識別技術研究的不斷深入。國內外學者在動物分類識別領域做了很多研究工作。在國外,B Thomas利用簡單矩形特征訓練Adaboost分類器實現對視頻中獅子面部的檢測和跟蹤[1～2];D Ramanan等對視頻中的長頸鹿采取幾何特征拼接的方法,建立樹形結構運動學模型,再加入紋理特征進行分類識別[3～4]。在國內,W Zhang等利用紋理和形狀特征訓練級聯分類器,對靜態類貓圖像進行識別[5]。自Freund和RobertE.Schapire在1995年提出一種名為Adaboost的機器學習方法以來[6],近年出現了基于Adaboost的動物分類識別算法。謝素儀基于Haar-like特征的Adaboost學習算法訓練一個粗級的貓臉檢測器[7],劉威將形狀和運動特征相結合,利用Adaboost分類器進行模式訓練,實現對運動動物目標的分類檢測[8]。

綜上,動物分類檢測具有普遍、現實的研究意義。本文在綜合目前動物分類識別研究成果的基礎上,提出了基于Adaboost的動物分類識別方法。提取經預處理后的動物圖像的具有形狀不變性的特征,實現了一個由粗到精的Adaboost動物二分類器。在Shape database形狀圖片庫中[9](http://visionlab.uta.edu/shape_data.htm)收集的測試集(含1400張二值化圖片,每種形狀類別有20張圖片)上進行三組不同類別動物圖像的十折交叉驗證實驗,平均正確分類識別率達到89.2%。理論和實驗表明,該分類方法可將兩類動物進行區分,具有較高的準確性。

2 基于Adaboost的動物分類識別方法

動物分類識別包括分類器構造和圖片識別過程。分類器構造過程需要對樣本圖片進行預處理、提取圖片特征、構成特征矩陣并將特征矩陣輸入到Adaboost分類器中,完成分類器參數的確定和分類器精度的檢驗。圖片識別過程是用訓練好的分類器對待測圖片進行識別。具體步驟如圖1所示。

圖1 分類器識別流程圖

2.1 初始形狀特征

對所獲圖片進行高斯卷積模糊和平滑噪聲點處理。采用Canny算子和雙閾值檢測法進行邊緣檢測,得到邊緣提取的圖像如圖2所示,抽樣獲取得到的離散邊緣點坐標記為{(x1,y1),(x2,y2),…,(xM,yM)}。

圖像的特征包括形狀特征、顏色特征和紋理特征等。光照變化是動物識別的一個難題,而動物的形狀特征不會隨著外界環境(如光照)變化而變化,具有很強的魯棒性。形狀特征還蘊含了目標物體最基礎的語義信息,是比顏色和紋理特征更高一層的特征[10]。

(a)牛的邊緣圖像

(b)狗的邊緣圖像

此外,同一類動物具有類內差異,同一類動物的不同類型大小有很大差別;動物的形態、姿勢也會隨著圖像的改變而變化;動物在圖像中的位置也會隨著圖像的不同而不同;圖像本身也會被放大、縮小或旋轉。因此,找到動物某些具有旋轉、放大、縮小、平移不變性的特征是至關重要的。本文提取了八個具有旋轉、放大、縮小和平移不變性的特征,下面從形狀具備的屬性出發介紹該八種不變性特征,并驗證其合理和優越性。

2.1.1 區域的矩形度

區域的矩形度反映了物體對其外接矩形的充滿程度,即物體相似于矩形的程度,如圖3所示。

圖3 矩形度特征示意圖

區域的矩形度定義為區域的面積與區域外接矩形的面積之比,記為μ1和μ2。

(1)

(2)

其中,T1為邊緣所包圍區域面積;T2為外接矩形的面積。A(XA,YA),B(XB,YB),C(XC,YC),D(XD,YD),分別為外接矩形的四個頂點坐標。選取狗和牛圖像各20張提取矩形度的兩個特征,驗證選取特征的有效性,所得特征數據繪制散點圖如圖4所示。

圖4 特征數據繪制散點圖

從圖4中可以看出,狗圖像的矩形度比牛圖像的矩形度大,μ1特征中狗圖像特征數據大于0.3的較多,μ2特征中狗圖像特征數據大于0.025的較多。說明特征選取具有區分度,特征選取有效。

2.1.2 區域的圓形性

區域的圓形性是用目標區域所有離散邊界點所定義的特征量,它描述了區域邊界點距離區域質心的分布情況。圓形性μ3具體定義如下:

(3)

其中

(4)

(5)

為區域質心到邊界點距離的均方差。當動物區域趨近于圓形時,圓形性μ3趨于無窮。

驗證圓形性特征選取的有效性,同樣選取狗和牛圖像各20張,提取圓形性特征,得到結果繪制如圖5所示。

(a)目標物圓形性特征

(b)圓形性特征合理性驗證

從圖5(b)中可以看出,狗圖像的圓形性比牛圖像的圓形性大,特征數據值小于0.045的主要為牛圖像,說明該特征選取具有一定的區分度。

2.1.3 區域的不變矩

圖像區域的不變矩是對圖像的一種統計描述,運用統計的觀點來刻畫區域的特征,利用區域的低階矩,通過非線性組合的方式,可以得到許多具有旋轉、放大、縮小、平移不變性的圖像特征——不變矩[11]。

動物區域的(p+q)階原點矩:

(6)

動物區域的(p+q)階中心矩:

(p,q=0,1,2…)

(7)

lpq具有平移不變性,但不具有比例變換不變性。對中心矩進行歸一化,得到θpq,其具有平移和縮放不變性。

(8)

定義兩個對于平移、旋轉和尺度變化都不變的不變矩特征:

μ4= (θ20-θ02)[(θ30+θ12)2-(θ21+θ03)2]

+4θ11(θ30+θ12)(θ21+θ03)

(9)

μ5= (3θ21-θ03)(θ30+θ12)[(θ30+θ12)2-3(θ21+θ03)2]

+3(θ12+θ30)(θ21+θ03)[3(θ30+θ12)2-(θ21+θ03)2]

(10)

選取青蛙和牛的圖像各20張提取兩組不變矩特征,驗證特征選取的有效性,得到結果如圖6所示。

(a)μ4特征合理性驗證

(b)μ5特征合理性驗證

從圖6中可以看出,青蛙圖像的不變矩均比牛圖像的小,牛圖像的μ4特征數據值大于2的較多,μ5特征數據值大于3.25的較多,說明該兩種特征的選取具有一定的區分度。

2.1.4 區域的偏心率

與區域具有相同二階矩的橢圓的偏心率,是用來描述區域二階矩的統計量:

(11)

(12)

(13)

其中a為與區域具有相同二階矩的橢圓長軸,b為與區域具有相同二階矩的橢圓短軸。

選取牛和象的圖像各20張提取區域橢圓偏心率特征,驗證特征選取的有效性,得到結果如圖7所示。

從圖7中可以看出,牛圖像的橢圓偏心率比象圖像的大,特征數據值大于0.8的主要為牛圖像,說明該特征選取具有一定的區分度。

邊緣的偏心率μ7為邊緣所包圍區域的短軸與長軸之比,它描述了目標區域的扁平程度,可以很好地刻畫目標區域扁平特征。

圖7 區域橢圓偏心率特征合理性驗證

(14)

選取牛和象的圖像各20張提取區域偏心率特征,驗證特征的有效性,得到結果如圖8所示。

(a)圖像區域邊緣偏心率特征

(b)偏心率特征合理性驗證

從圖8(b)所得特征數據結果繪制的離散圖可以看出,象圖像的偏心率比牛圖像的大,特征數據值小于0.6的主要為牛圖像,說明該特征的選取具有一定的區分度。

2.1.5 區域的凸凹性

圖9 凸凹性特征合理性驗證

區域的凸凹性μ8為包含區域的最小凸多邊形的面積比上區域的面積,它是對區域凸凹性的一種近似性刻畫:

(15)

其中,包圍區域最小凸多邊形的面積,記為T3。

選取狗和牛的圖像各20張提取凸凹性特征,得到結果如圖9所示。

從所獲數據繪制的離散圖9中可以看出,牛圖像的凸凹性特征數據值比狗圖像的大,牛圖像的特征數據值大于0.82的較多,說明該特征選取具有一定的區分度。

經驗證,所選取的特征均可將兩類動物有效分類,具有一定的區分度。將選取的μ1,μ2,…,μ8八個特征作為分類特征構造特征矩陣。設第一類樣本圖片共m張,記為S1到Sm,設第二類樣本圖片共n張,記為Sm+1到Sm+n。處理所有樣本圖片并獲取每張圖片的上述八個特征數值,第i個樣本的第j個特征數值記為aij。以μ1到μ8作為特征矩陣的列,S1到Sm+n作為特征矩陣的行,得到樣本特征矩陣。

2.2 Adaboost分類器的形狀特征選擇

構造Adaboost分類器包括訓練分類器和檢驗分類器的精度的過程。由于所獲數據庫圖片數量有限,為更好的獲得分類器的精度,本文采用十次十折交叉驗證[12](10-fold cross validation)的方式檢驗分類器的精度。交叉驗證是一種統計學上將數據樣本切割成較小子集的實用方法,可以先在一個子集上作分析,而其他子集用來做后續對此分析的確認及驗證。本文將樣本分為九份訓練樣本和一份測試樣本,訓練過程全部在訓練樣本中完成。

設Li為第i個樣本類別的標記,若Li屬于第一類樣本,記為Li=1,否則,記為Li=-1。令訓練樣本占總體樣本的比例為α(實驗中α=0.9),樣本Si的權重為Di(t)(t為訓練的輪數),初始化樣本Si的權重為Di(0)。當Si屬于第一類樣本時,Di(0)=1/m;屬于第二類樣本時,Di(0)=1/n。設定訓練總輪數為T。

在第一輪訓練中,Adaboost分類器根據參數α隨機在第一類樣本中抽取αm個樣本,在第二類樣本中抽取αn個樣本,作為訓練樣本。利用特征μi,生成弱分類器fi:

(16)

其中ani為樣本Sn的μi特征的數值,pi(pi∈(-1,1))是分類符號,κi為特征分類器fi的分類閾值。

構造出八個弱分類器,記第i個弱分類器分類錯誤率為εi;分類錯誤率最小的弱分類器記為F1(其錯誤率為ε′)。若ε′>0.5,則實驗結束;否則,F1為第一輪得到的弱分類器。計算弱分類器F1的權重系數τ1:

(17)

(18)

3 實驗仿真

為測試本文提出的動物識別方法的有效性,實驗選取Shape database圖片庫中的圖片,該圖片庫中含有1400張二值化的形狀圖片,每種形狀類別有20張,適合本文實驗所需環境。由于狗和牛、牛和象、青蛙和牛幾種動物在幾何形狀上有著明顯的差別,便于多種特征的提取,實驗選取圖片庫中的狗和牛、牛和象、青蛙和牛三組動物圖片進行實驗。

將所得特征數據構造特征矩陣進行對分類器的訓練。評價分類器有效性最重要的指標是分類準確率,實驗由于圖片庫中圖片數量有限,采取十折交叉驗證的方法。在一組實驗過程中,40張實驗圖片被隨機分成10個子集,每個子集中含有4張,任取其中一個子集作為測試集,其余的36張圖片作為訓練集,依次進行10次實驗。其中,狗和牛的實驗組中,1～20編號為狗的圖像;牛和象的實驗組中,1～20編號為牛的圖像;青蛙和牛的實驗組中,1～20編號為青蛙的圖像。實驗所得結果如表1所示。

表1 交叉實驗過程及結果

按分類錯誤的圖片數量占10倍測試集中圖片數的百分比作為準確率,以此來說明識別方法的性能。最終得到,分類器對狗和牛圖片的分類正確率為85%;對牛和象圖片的分類正確率為90%;對青蛙和牛圖片的分類正確率為92.5%。三組平均正確率為89.2%,分類效果較好。

為直觀顯示分類識別結果,構建GUI界面。GUIDE是一個界面設計工具集,提供了界面的外觀、屬性和回調函數等,是Matlab為圖形用戶界面開發提供的集成開發環境。

圖10(a)所示為識別系統的主頁面,在界面窗口頂端設置“圖片獲取、特征提取、分類識別”三個按鈕。當單擊“圖片獲取”按鈕時,程序會彈出窗口供用戶選取待識別的圖像,并將圖像在主界面的中央位置顯示出來。當在主界面上單擊“特征提取”按鈕后,界面右端會依次輸出提取到的圖片八種特征的數據值,如圖10(b)所示。當單擊“分類識別”按鈕后,系統界面下側會輸出識別結果,如圖10(c)所示。該程序實現了對兩種動物圖像的分類。

圖10 分類識別系統GUI界面

輸入動物測試圖像,進行分類識別,如圖11中分別展示了狗和牛、牛和象、青蛙和牛三組分類識別系統GUI界面的識別結果。

圖11 動物圖像分類識別結果

實驗驗證表明,所選取的八種特征能較好地進行二分類動物的分類檢測,符合圖像檢測評價的標準。分類器設計具有識別精度較高,時間短的特點。可見,該動物二分類識別方法是一種較合適的分類識別方式。

4 結語

本文提出了一種基于Adaboost分類器的二分類動物識別檢測方法。方法的創新點在于根據動物圖像的特點,有效地選取了八種具有形狀不變性的特征進行分類。對經Canny算子和局部閾值處理預處理后的二值圖像離散邊界進行特征提取,選取八種具有形狀不變性的特征對圖像特征進行描述,并說明了特征選取的合理性。然后對Adaboost分類器進行樣本訓練,采用十折交叉驗證方法計算識別率,并構建動物圖像分類的GUI界面顯示識別結果。實驗分析和誤檢率驗證表明,該動物分類方法是一種較合適的動物二分類識別方式。

[1] Burghardt T, Calic J, Thomas B T. Tracking Animals in Wildlife Videos Using Face Detection[C]//Knowledge-Based Media Analysis for Self-Adaptive and Agile Multi-Media, Proceedings of the European Workshop for the Integration of Knowledge, Semantics and Digital Media Technology, EWIMT 2004, November 25-26, 2004, London, UK,2004:478-485.

[2] Lienhart R, Maydt J. An extended set of Haar-like features for rapid object detection[J]. 2002, 1:I-900-I-903 vol.1.

[3] Ramanan D, Forsyth D A, Barnard K. Detecting, Localizing and Recovering Kinematics of Textured Animals[C]//IEEE Computer Society Conference on Computer Vision & Pattern Recognition,2005:635-642.

[4] Lazebnik S, Schmid C, Ponce J. Affine-invariant local descriptors and neighborhood statistics for texture recognition[C]//IEEE International Conference on Computer Vision, 2003. Proceedings. IEEE,2003:649-655.

[5] Zhang W, Sun J, Tang X. Cat Head Detection — How to Effectively Exploit Shape and Texture Features[C]//Computer Vision — ECCV 2008, European Conference on Computer Vision, Marseille, France, October 12-18, 2008, Proceedings,2008:802-816.

[6] Freund Y, Schapire R E. A decision-theoretic generalization of on-line learning and an application to boosting[C]//European Conference on Computational Learning Theory. Springer-Verlag,1995:119-139.

[7] 謝素儀.寵物貓臉檢測的方法研究[D].上海:上海交通大學,2010. XIE Suvi. Research on Pet-Cat Face Detection Algorithm[D]. Shanghai: Shanghai Jiaotong University,2010.

[8] 劉威.輸電線路桿塔人員及動物入侵識別方法研究[D].北京:華北電力大學(北京),2013. LIU Wei. Study on human or large animal invasion identification for safety of transmission line and tower[D]. Beijing: North China Electric Power University(Beijing),2013.

[9] Song H G, Koo H S. A Geometric Centroid Contour Distance for Scale/Rotation Robustness Using Shape Alignment and Feature Based Normalization[M]//Convergence and Hybrid Information Technology. Springer Berlin Heidelberg,2012:323-330.

[10] 劉秀朋.輪廓曲線的形狀描述與匹配算法研究[D].南昌:南昌航空大學,2012. LIU Xiupeng. Research on Shape Description and Matching Algorithm Based on Counter Curve[D]. Nanchang: Nanchang Hangkong University,2012.

[11] 束鑫.形狀分析新方法及其在圖像檢索中的應用研究[D].無錫：江南大學,2012. SHU Xin. Research on Novel Shape Analysis Techniques and Their Applications in Image Retrieval[D]. Wuxi: Jiangnan University,2012.

[12] 郭立力,趙春江.十折交叉檢驗的支持向量機參數優化算法[J].計算機工程與應用,2009,45(8):55-57. GUO Lili, ZHAO Chunjiang. Optimizing parameters of support vector machine’s model based on genetic algorithm[J]. Computer Engineering and Applications,2009,45(8):55-57.

Method of Animals’ Dichotomous Recognition Based on Adaboost

ZHANG Gongbo GU Yuliang ZHU Hegui

(Institutions of Mathematic, Northeastern University, Shenyang 110004)

To solve the classified problems of animal’s images, a classified method based on Adaboost is designed for dichotomic recognition. First, edge features of sample images are extracted. Then, eight characteristic descriptors having significant shape invariances are selected and their rationalities and superiorities are tested. Adaboost classifier to train the matrix of characteristics, aiming to get the most effective classifying feature. Experiment on the three groups of animals’ images selected from the photo gallery called Shape Database through 10-fold cross-validation. The identified rates of classification of dogs and cattles, cattles and elephants, frogs and cattles reach 85 percent, 90 percent and 92.5 percent respectively. The experiment shows the classified method can classify images comparatively accurate into two sorts and it is rather definitely an effective way to classify animals’ images into two categories.

animal classification, Adaboost classifier, characteristic descriptors, 10-fold cross-validation, dichotomic Class Number TP391.41

2016年10月3日,

2016年11月27日

國家級大學生創新創業訓練計劃資助項目(編號:201610145014);中國博士后科學基金資助項目(編號:2016M591446);中央高校基本科研業務費(編號:N140503004);國家自然科學基金青年科學基金資助項目(編號:61402097)資助。

張公伯,男,研究方向:圖像處理。谷昱良,男,研究方向:圖像處理。朱和貴,男,博士,副教授,研究方向:機器學習、多媒體信息安全。

TP391.41

10.3969/j.issn.1672-9722.2017.04.027