基于Adaboost权值更新以及K-L距离的特征选择算法

对于颜色、纹理变化较大的目标,边界片段是一种较为稳定的特征.手工分割样本再提取边界片段的传统做法由于工作量巨大而限制了样本的数目,不能满足统计学习中大样本训练的要求.但是如果对训练样本采用自动分割的方法就不可避免地引入很多背景中的噪声.在这种情况下特征的选择就显得尤为关键.本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法,在Adaboost的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost训练的特征集.选择算法以边界片段在正面样本与负面样本中分布的鉴别信息为依据,有效地减少了背景中边界片段的干扰.实验证明该算法是有效的.

基于级联Adaboost的目标检测融合算法

单一特征的模型对于颜色纹理变化较大的目标的检测往往存在检测率不高或检测速度慢的缺点.本文提出了一种基于级联Adaboost的"级联-加和"融合算法.融合模型由两个独立训练得到的级联Adaboost分类器组成,分别利用边界片段特征和矩形类Haar小波特征描述整个目标以及目标的一个稳定部件.级联-加和的融合决策以样本在两个分类器中被拒绝或通过的级数信息为依据.在多个数据库上的实验证明这种融合检测算法不仅综合了Haar小波特征检测速度快和边界片段特征鲁棒性好的优点,而且与单一特征的分类器相比,检测性能也有所提高.