一种改进的AdaBoost检测算法.doc

一种改进的AdaBoost检测算法.doc一种改进的AdaBoost检测算法摘要:针对传统AdaBoost算法在人脸图片训练过程中可能会出现退化现象和训练目标类权重分布过适应的问题,提出一种基于调整正负误差比和设定阈值的改进AdaBoost算法。该算法首先把设定的阈值和当前分类错误样本的权值比较来更新样本的权值,其次通过调整正误差和负误差之间的偏重关系来控制训练样本的偏重。经过实验表明,不同人脸图像库和不同正负样本比不影响该算法的有效性,在LFW非受限人脸图像库正负样本比例为1∶1情况下,%,高于传统AdaBoost算法;弱分类器数目为116,比传统AdaBoost算法多15个。实验结果可以看出所提算法抑制了退化和训练目标类权重过适应现象,有效地提高了人脸图片检测率。关键词:AdaBoost算法;正误差;负误差;阈值;人脸图像库中图分类号::AImproveddetectionalgorithmofAdaBoostLIUPingguang*,WENChengyu,municationEngineering,ChengduUniversityofInformationTechnology,ChengduSichuan610225,chinaAbstract:ConsideringthedegradationandproblemthattheweightdistributionoftrainingtargetsiswiderthanaverageinthetraditionalAdaBoostalgorithmintheprocessofhumanfaceimagetraining,,,∶1inunrestrictedfacedatabaseLFW,%,whichwashigherthanthatofthetraditionalAdaBoostalgorithm;thenumberofweakclassifierswas116,,:AdaBoostalgorithm;positiveerror;negativeerror;threshold;puterVision,CV)领域研究的热点问题。AdaBoost算法作为经典的人脸检测算法,能够有效地将多个弱分类器[1]集成得到一个强分类器。目前,AdaBoost算法已经被广泛应用到雷达跟踪[2]、人脸检测[3]和目标识别[4]等领域中。应用在人脸检测领域中原始的AdaBoost算法在训练分类器过程中经常出现退化以及目标样本权值重分布的现象。针对这些问题,研究者们进行了很多的改进,如:缪丹权等[5]提出了变化弱分类器加权参数求解方式的手段来降低误检率,李文昊等[6]提出了一种线性不对称分类器的改进方法用来增加检测率,严云洋等[7]提出了基于特征值等分和双阈值的增强型快速训练算法。这些方法都是通过不同的方式提高检测率或者是提高