基于决策树的改进AdaBoost算法在车辆检测中的应用
摘要摘要:为满足车辆检测实时性和准确性需求,,产生一种速度快、识别率高的强分类器,称之为AdaBoostDT算法。算法训练多个决策树并将之作为弱分类器,之后通过改进级联架构的AdaBoost算法将若干弱分类器组合成一个强分类器。该算法特点在于:相对于广泛使用的以SVM作为弱分类器的算法,其以决策树作为分类器,速度提高了29%;通过在AdaBoost算法进行强分类器的形成阶段加入再判决函数,%。
关键词关键词:AdaBoost算法;决策树;车辆检测
DOIDOI:
中图分类号:TP319
文献标识码:A文章编号文章编号:16727800(2017)005012903
0引言
随着我国城镇化建设的飞快发展及汽车保有量的增加,土地资源越发紧张,停车难的问题越发严重,由此产生的交通拥堵事故层出不穷。停车引导自动化成为一项重要技术,其解决的主要问题是车辆识别的速度和准确率。目前存在的识别方案主要有以下几种:红外感应、无线传感器、图像识别。在这些方案中,第一种还需要解决信号干扰、信号复用等问题,第二种方法不仅建设的成本高,而且还需要解决信道可靠传输的问题,结构比较复杂。由此,基于图像识别的车辆检测与停车位识别技术受到人们的广泛关注
[1],这其中最受关注的当属分类器技术。
分类器技术不仅能够用于目标检测领域,在其它很多领域也发挥了重要作用,例如在语音信号处理、数据挖掘、信号聚类、图像检索等。目前存在很多能实现分类功能的算法,其中应用比较广泛的为AdaBoost算法[2],该算法先对车辆进行特征提取,在此基础上采用支持向量机(Support Vector Machhine,SVM)[3]的方法进行车辆识别,取得了一定效果。基于SVM的检测方法虽然具有很强的分类能力,但是选取特征的过程复杂,且易陷入局部极小。此外,基于SVM的检测方法一般都需要比较大的计算量进行特征提取,这在一定程度上影响了算法的性能,很多情况下不能满足车辆识别的效率要求。
本文提出的AdaBoostDT算法通过采用决策树[45]作为AdaBoost的弱分类器,提高了车辆识别速度,并通过改进AdaBoost算法的级联架构,弥补决策树作为分类器所导致的准确率下降,从而使集成后的强分类器与基于SVM的分类器相比,在准确度略微下降的情况下,速度能有很大程度的提升,更好地满足车辆检测系统对于实时性的要求。
1基本原理
AdaBoost算法是一种机器学习算法,它能将弱分类器提升为强分类器,其中分类器的强弱是指识别率高低。算法是通过调整训练集上样本的权重来实现其功能。开始时每个样本的权重相等且总和为1,随后AdaBoost算法对训练集进行训练,产生第一个弱分类器,并计算错误率。根据错误率调整权重,提升错判样本的权重,降低辨别正确的样本的权重,这样在之后的训练中就会更多地考虑这些被错判的样本。在调整后的样本权重基础上,再进行训练产生新的分类器,次迭代后就产生了N个检测能力一般的弱分类器。AdaBoost再将这些弱分类器按照一定的权重进行一系列的组合,产生强分类器。理论证明,弱分类器的数量越多,各个弱分类器之间的差异越大,强分类器的效果越好。
决策树算法是一种由J Ross Quinlan等提出的逼近离散函数值的算法,于20世纪60年代出现。该算法最初的用处是在已知各种情形出现概率的情况下,通过决策分支来获取期望值及其对应的概率,评价项目风险,判断可行性。由于形状像一颗拥有很多分枝的树,所以称为决策树。
决策树算法是典型的分类算法,该算法先处理数据,产生一定的规则和决策树,然后再运用决策分支对数据进行分析,本质是按照一定的规则对数据进行分类。典型的决策树算法有ID3[6]、[7]、CART等。。,弥补了ID3算法的两个不足之处[8]:一是ID3算法采用信息熵作为选择样本属性的标准,很多时候,通过该标准选择的属性并不具有代表性,,弥补了这个缺点;二是ID3算法只对属性离散的数据集有处理能力,而不能处理属性连续的数据集,。
2AdaBoostDT算法
,弥补了ID3算法的两个缺点,但仍存在一些不足:C4
基于决策树的改进AdaBoost算法在车辆检测中的应用 来自淘豆网m.daumloan.com转载请标明出处.