25、运动捕捉模式识别与便携式动态恶意软件分析

运动捕捉模式识别与便携式动态恶意软件分析

1. 运动捕捉中弱分类器集成用于模式识别

1.1 特征生成与弱分类器定义

首先，需要生成所有可能的特征，这些特征是通过将几何函数应用于点云子集得到的。接着，确定每个特征的自然值区间，从而定义弱分类器。具体来说，对于正确标记的所有点云 $C$，$\alpha_{S_k} = \min_{C} f_{S_k}(C)$ 和 $\beta_{S_k} = \max_{C} f_{S_k}(C)$。

1.2 弱分类器集成

设 $O = {O_i}$ 是对应于通用模型 $M$ 的学习观测集，其中 $O_i = {C_i, L_i, b_i}$。训练算法会通过对正确观测中的标签进行排列来生成错误标记的观测。弱分类器集成由一组特征组成，每个特征对应的弱分类器根据其相对于其他弱分类器的准确率增益进行加权。集成的输出计算如下：
[
\varphi_J (M, C, L) = \frac{\sum_{j=1}^{J} w_j h_j(f_{S_k} (C), \alpha_{S_k}, \beta_{S_k})}{\sum_{j=1}^{J} w_j}
]
其中，索引 $j$ 表示特征被选入集成的顺序，$J$ 是集成的大小。该方法借鉴了 Adaboost 的贪心选择策略，以最大化准确率的提升，即增加错误标记检测的数量。

1.3 标签生成

利用之前训练好的弱分类器和集成分类器为点云生成标签。可以将给出正结果的弱分类器数量解释为整数向量 $L$ 将模型点 $M$ 和候选点 $C$ 关联得有多好的一种度量。因此，点云的标记可以表述为寻找 $L$ 的值，使得