AdaBoost算法及其在目標(biāo)識(shí)別中的應(yīng)用研究.pdf

1、隨著計(jì)算機(jī)軟硬件技術(shù)和圖像處理技術(shù)的飛速發(fā)展，基于圖像的目標(biāo)識(shí)別技術(shù)在航空航天的科學(xué)探測(cè)和天文觀測(cè)、民用領(lǐng)域的視頻監(jiān)控以及軍事目標(biāo)跟蹤等方面有著越來(lái)越廣泛的應(yīng)用。
　　AdaBoost算法是一種在目標(biāo)識(shí)別中使用比較廣泛的集成學(xué)習(xí)方法。其基本思想是通過(guò)設(shè)定所要訓(xùn)練的弱分類器數(shù)目，對(duì)同一個(gè)訓(xùn)練集訓(xùn)練弱分類器，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終的強(qiáng)分類器。本論文主要在AdaBoost算法框架下，研究不平衡樣本數(shù)據(jù)的分類算法和

2、復(fù)雜場(chǎng)景下目標(biāo)的識(shí)別算法。
　　當(dāng)樣本數(shù)據(jù)不平衡時(shí)，針對(duì)傳統(tǒng)AdaBoost算法進(jìn)行過(guò)采樣時(shí)會(huì)帶來(lái)難以分類的樣本數(shù)據(jù)；以及在復(fù)雜的場(chǎng)景下進(jìn)行目標(biāo)識(shí)別時(shí)，傳統(tǒng)的AdaBoost算法會(huì)因特征噪聲樣本的存在而造成分類性能下降?；谝陨蠁?wèn)題進(jìn)行研究，提出了一種基于Gentle AdaBoost的過(guò)抽樣算法和一種抑制錯(cuò)分樣本的AdaBoost算法。
　　論文首先分析了Boosting算法和AdaBoost算法的理論和算法框架，在此基礎(chǔ)

3、上，從UCI機(jī)器學(xué)習(xí)庫(kù)中選擇Breast Cancer Wisconsin數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，對(duì)Gentle AdaBoost算法的穩(wěn)定性進(jìn)行了分析，并尋找AdaBoost算法最穩(wěn)定的弱分類器迭代次數(shù)，為論文后續(xù)工作提供理論依據(jù)。
　　其次，針對(duì)傳統(tǒng)算法在處理不平衡樣本數(shù)據(jù)分類時(shí)會(huì)引入難以分類的樣本數(shù)據(jù)，造成分類性能下降的問(wèn)題，提出一種針對(duì)不平衡數(shù)據(jù)集分類問(wèn)題的結(jié)合過(guò)抽樣和Gentle AdaBoost算法的新算法。算法首先考慮到Ge

4、ntle AdaBoost算法的分類器在訓(xùn)練時(shí)錯(cuò)分樣本具有被賦予較大權(quán)重的特點(diǎn)，確定所要復(fù)制樣本的權(quán)重閾值；然后，在該閾值范圍內(nèi)選取一定數(shù)量的少數(shù)類樣本進(jìn)行復(fù)制；接下來(lái)采用上述數(shù)據(jù)集進(jìn)行分類器的訓(xùn)練，得到相應(yīng)的弱分類器；重復(fù)上述步驟進(jìn)行迭代，這樣在完成平衡數(shù)據(jù)集的同時(shí)得到強(qiáng)分類器。整個(gè)過(guò)程可以避免對(duì)數(shù)據(jù)過(guò)抽樣時(shí)引入奇異樣本的問(wèn)題。算法在 UCI數(shù)據(jù)庫(kù)中的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，并與多種算法進(jìn)行實(shí)驗(yàn)對(duì)比，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析。實(shí)驗(yàn)證明了本文算法的有

5、效性。
　　最后，在分析了傳統(tǒng)Gentle AdaBoost算法框架和存在的問(wèn)題的基礎(chǔ)上，針對(duì)傳統(tǒng)Gentle AdaBoost算法在復(fù)雜場(chǎng)景目標(biāo)識(shí)別時(shí)，存在的錯(cuò)分樣本在訓(xùn)練過(guò)程中權(quán)重過(guò)大而造成分類性能下降的問(wèn)題，在經(jīng)典的Gentle AdaBoost算法框架下，提出一種新的、能抑制錯(cuò)分樣本的、復(fù)雜場(chǎng)景目標(biāo)識(shí)別的AdaBoost算法。算法首先利用損失函數(shù)構(gòu)建一個(gè)特征樣本的錯(cuò)分率矩陣，并尋找矩陣錯(cuò)分率最大的樣本作為閾值，剔除部分對(duì)分

6、類器性能有影響的錯(cuò)分樣本。并在 MIT提供的LabelMe數(shù)據(jù)庫(kù)中的真實(shí)復(fù)雜場(chǎng)景圖像上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)表明，與傳統(tǒng)算法相比，我們提出的算法提高了復(fù)雜場(chǎng)景目標(biāo)檢測(cè)的穩(wěn)定性。
　　本文算法都以UCI數(shù)據(jù)庫(kù)和MIT的LabelMe數(shù)據(jù)庫(kù)中的數(shù)據(jù)以及復(fù)雜場(chǎng)景圖像作為實(shí)驗(yàn)對(duì)象，完成對(duì)數(shù)據(jù)的實(shí)驗(yàn)分析和對(duì)比。實(shí)驗(yàn)環(huán)境為：硬件環(huán)境為Intel(R) Core(TM)2 Quad CPU Q8400處理器，4G內(nèi)存，操作系統(tǒng)為Microsoft Wi