基于AdaBoost检测器的似然估计方法

本文提出利用Gentle AdaBoost（GAB）训练一个层叠结构的目标检测器,然后基于训练出的检测器结构引入两种策略,设计了5种应用于后续粒子滤波跟踪的似然函数.为估计目标出现的概率,提出了两种构造似然函数的策略：层内概率统计（PIS）策略和层间概率统计（POS）策略.PIS表示在同一层内每个弱分类器的实数输出的概率统计,POS为实现层叠检测器在检测时所到达深度的概率统计.基于这两种策略,设计出了5种似然函数的形式：基于层叠结构的层内概率密度估计似然函数（PIS-CA）、基于合成结构的层内概率密度估计似然函数（PIS-EA）、层间概率密度估计似然函数（POS）、顺序组合层叠检测器的层内概率密度估计似然函数（S-PIS-POS）和逆序组合层叠检测器的似然函数（A-PIS-POS）.实验表明,所定义的似然函数可以很好地估计目标出现的概率,在目标出现的区域比背景区域具有更大的置信度,整合PIS和POS两种策略的似然函数具备最优的性能.