一种基于特征尺度和子类分裂的分类器

摘要

本发明属于模式识别和机器视觉技术领域，具体涉及一种基于特征尺度和子类分裂的分类器的实现方法。该分类器在训练时，先将每个类看作一个子类，每个子类的每个特征都有各自的特征尺度，特征尺度是用来度量一个特征矢量到一个子类的样本中心的偏离度的，是有下界限定的。如果类内的样本形态并不单一，还要检测每个子类的相近的异类样本的偏离度比值来决定是否对其分裂成更多的子类。分类过程就是目标的特征矢量离哪个子类的偏离度值最小，就归类到该子类所属的类。本分类器的优势在于识别正确率高，特征范围量级、样本形态和分布均不受限制、且可度量到一个类的偏离程度。