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

1、隨著計算機軟硬件技術(shù)和圖像處理技術(shù)的飛速發(fā)展，基于圖像的目標(biāo)識別技術(shù)在航空航天的科學(xué)探測和天文觀測、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越廣泛的應(yīng)用。
　　AdaBoost算法是一種在目標(biāo)識別中使用比較廣泛的集成學(xué)習(xí)方法。其基本思想是通過設(shè)定所要訓(xùn)練的弱分類器數(shù)目，對同一個訓(xùn)練集訓(xùn)練弱分類器，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終的強分類器。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)雜場景下目標(biāo)的識別算法。
　　當(dāng)樣本數(shù)據(jù)不平衡時，針對傳統(tǒng)AdaBoost算法進行過采樣時會帶來難以分類的樣本數(shù)據(jù)；以及在復(fù)雜的場景下進行目標(biāo)識別時，傳統(tǒng)的AdaBoost算法會因特征噪聲樣本的存在而造成分類性能下降。基于以上問題進行研究，提出了一種基于Gentle AdaBoost的過抽樣算法和一種抑制錯分樣本的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機器學(xué)習(xí)庫中選擇Breast Cancer Wisconsin數(shù)據(jù)集進行實驗，對Gentle AdaBoost算法的穩(wěn)定性進行了分析，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，針對傳統(tǒng)算法在處理不平衡樣本數(shù)據(jù)分類時會引入難以分類的樣本數(shù)據(jù)，造成分類性能下降的問題，提出一種針對不平衡數(shù)據(jù)集分類問題的結(jié)合過抽樣和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)練時錯分樣本具有被賦予較大權(quán)重的特點，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)類樣本進行復(fù)制；接下來采用上述數(shù)據(jù)集進行分類器的訓(xùn)練，得到相應(yīng)的弱分類器；重復(fù)上述步驟進行迭代，這樣在完成平衡數(shù)據(jù)集的同時得到強分類器。整個過程可以避免對數(shù)據(jù)過抽樣時引入奇異樣本的問題。算法在 UCI數(shù)據(jù)庫中的數(shù)據(jù)進行實驗，并與多種算法進行實驗對比，并對實驗結(jié)果進行分析。實驗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題的基礎(chǔ)上，針對傳統(tǒng)Gentle AdaBoost算法在復(fù)雜場景目標(biāo)識別時，存在的錯分樣本在訓(xùn)練過程中權(quán)重過大而造成分類性能下降的問題，在經(jīng)典的Gentle AdaBoost算法框架下，提出一種新的、能抑制錯分樣本的、復(fù)雜場景目標(biāo)識別的AdaBoost算法。算法首先利用損失函數(shù)構(gòu)建一個特征樣本的錯分率矩陣，并尋找矩陣錯分率最大的樣本作為閾值，剔除部分對分

6、類器性能有影響的錯分樣本。并在 MIT提供的LabelMe數(shù)據(jù)庫中的真實復(fù)雜場景圖像上進行實驗。實驗表明，與傳統(tǒng)算法相比，我們提出的算法提高了復(fù)雜場景目標(biāo)檢測的穩(wěn)定性。
　　本文算法都以UCI數(shù)據(jù)庫和MIT的LabelMe數(shù)據(jù)庫中的數(shù)據(jù)以及復(fù)雜場景圖像作為實驗對象，完成對數(shù)據(jù)的實驗分析和對比。實驗環(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