一种基于婴儿肢体动作数据的分类器训练方法与流程

技术特征：
1.一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：包括以下步骤：s1：选取正样本；s2：选取负样本；s3：将选取的正、负样本导入分类器内进行样本训练。2.根据权利要求1所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s1中选取正样本包括以下步骤：s11：基于正样本选取规则采集正样本图片并保存于正样本文件夹中；s12：获取正样本文件夹中所有正样本图片的图片路径数据信息；s13：生成正样本文件夹中所有正样本图片的图片路径矢量数据信息；s14：创建正样本文件。3.根据权利要求2所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s11中，所述正样本选取规则包括：1）每个正样本图片的尺寸不需保持一致；2）判断每个正样本图片的尺寸比例与生成的正样本图片的图片路径矢量集数据信息中的尺寸比例是否一致；若一致，则进入下一步骤；若不一致，则根据正样本图片的图片路径矢量集数据信息中预设的尺寸比例，自动对正样本图片的尺寸比例进行缩放；3）正样本图片中的背景信息只选择最有效正样本图片的一个局部特征，使得特征值的计算包含干扰信息。4.根据权利要求2所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s11中，所述采集正样本图片包括：裁剪并保存图片原图，使其尺寸比例与经过归一化处理后的尺寸比例一致，并保留其框个数和框位置信息；其中，所述归一化处理包括：通过遍历正样本图片中的每一条图片信息，并分别记录每一条图片信息的max和min值，以min=0，max=1作为基数，进行归一化处理：其中，x
nor
为每一条图片信息经过归一化处理后的值；x为每一条图片信息的初始值；min为每一条图片信息的最小值；max为每一条图片信息的最大值；框作为裁剪图片时显示的区域标记。5.根据权利要求2所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s12中，所述获取正样本文件夹中所有正样本图片的图片路径数据信息包括以下步骤：s121：在正样本文件夹里，编写批处理程序；
s122：运行所述批处理程序，生成与每一正样本图片对应的数据信息；s123：删除所述数据信息中所有非图片路径的数据信息，再将每一正样本图片对应的数据信息中的文件格式由bmp替换成jpg 1 0 0 64 64，其中，数字1代表个数；第一位数字0对应表示left；第二位数字0对应top；第三位数字64对应width；第四位数字64对应height。6.根据权利要求5所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s13中，所述生成正样本文件夹中所有正样本图片的图片路径矢量数据信息包括：利用图像处理软件将正样本文件夹里每一正样本图片对应的图片路径的数据信息生成新的正样本图片的图片路径矢量数据信息。7.根据权利要求2所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s14中，所述创建正样本文件的命令行参数包括以下步骤：s141：将输入图像沿着三个轴随机旋转；s142：对旋转的角度进行限定，并将输入图像中亮度值位于预设范围的像素设置为透明像素，将白噪声加到前景图像上；s143：任选背景图像，将获得的前景图像放到背景图像上形成组合图像，并将组合图像调整到预设的尺寸比例；s144：最后将组合图像存储以形成正样本vec文件。8.根据权利要求1所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s2中选取负样本包括以下步骤：s21：基于负样本选取规则采集负样本图片并保存于负样本文件夹中；s22：获取负样本文件夹中所有负样本图片的图片路径数据信息；s23：生成负样本文件夹中所有负样本图片的图片路径矢量数据信息；s24：创建负样本文件。9.根据权利要求8所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s21中，所述负样本选取规则包括：1）不包含正样本图片；2）每个负样本图片各不相同；3）每个负样本图片的尺寸不必相同，但任一负样本图片的尺寸不能小于正样本图片的尺寸。10.根据权利要求1所述的一种基于婴儿肢体动作数据的分类器训练方法，其特征在于：所述步骤s3中将选取的正、负样本导入分类器内进行样本训练包括以下步骤：s31：设置最大虚警率和最小命中率的关联性；s32：根据提供的正负样本的数量设置训练阶数；s33：在每阶训练中，根据样本的命中率进行分类，计算样本的虚警率，
如果虚警率高于最大虚警率，则认定训练不合格，系统就抛弃该分类器，建立下一个分类器；如果虚警率不高于最大虚警率，则认定该阶训练合格，系统进入下一阶训练；s34：当所有训练阶数均训练合格后，认定该分类器合格。

技术总结
本发明提供了一种基于婴儿肢体动作数据的分类器训练方法，包括，选取正样本；选取负样本；将选取的正、负样本导入分类器内进行样本训练。本发明将级联分类器算法引入到婴儿肢体动作数据的在线学习中，获得自适应级联分类器通过级联分类器使检测模型能够容纳更多的特征，有更强的分类能力，提高了婴儿肢体动作数据的在线学习分类器的智能化程度，大大减轻了人工标注样本类别的工作量，使得研究婴儿肢体动作数据的分析工作更为精准和高效率。动作数据的分析工作更为精准和高效率。动作数据的分析工作更为精准和高效率。


技术研发人员：杜鑫 李华京 杜雯翀 王静 陆韬
受保护的技术使用者：南京木马牛智能科技有限公司
技术研发日：2022.10.27
技术公布日：2022/11/25