Boosting方法及其在圖像理解中的應(yīng)用研究.pdf

1、圖像理解是當(dāng)前計(jì)算機(jī)研究領(lǐng)域的熱點(diǎn)，其主要研究內(nèi)容是場景中目標(biāo)識(shí)別和場景的描述與理解。分類和檢測(cè)是場景中目標(biāo)識(shí)別的關(guān)鍵問題，通過對(duì)樣本的訓(xùn)練學(xué)習(xí)產(chǎn)生判別決策，得到識(shí)別結(jié)果，判別模型的好壞會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生重要影響。Boosting方法將比隨機(jī)猜測(cè)略好的弱分類器合并為精確的強(qiáng)分類器，能夠解決圖像理解中更一般的目標(biāo)識(shí)別問題。 本文的主要工作如下： (1)探討了Boosting分類機(jī)制，概述了兩大系模型：AdaBoost和Boo

2、st-by-Majority，分別從訓(xùn)練樣本和弱分類器的權(quán)重、損失函數(shù)及其特性四個(gè)方面歸類比較了拓展模型，形成了較為完整的Boosting分類模型體系； (2)從指數(shù)準(zhǔn)則和對(duì)數(shù)似然準(zhǔn)則兩個(gè)方面闡述了Boosting模型的統(tǒng)計(jì)本質(zhì)，通過數(shù)據(jù)分類實(shí)驗(yàn)比較了Real AdaBoost和Gentle AdaBoost兩種模型，驗(yàn)證了Gentle AdaBoost的優(yōu)點(diǎn)，奠定了模型選擇的理論基礎(chǔ)； (3)分析了傳統(tǒng)圖像集和融入視覺