基于AdaBoost和SVM的圖像檢索研究.pdf

1、隨著Web技術(shù)的普及和信息技術(shù)的發(fā)展，以圖像、聲音和視頻為主的多媒體信息迅速成為信息傳播和交流的主流方式。大量圖像視頻信息存入大規(guī)模圖像數(shù)據(jù)庫中，使得圖像數(shù)據(jù)庫變得龐大、復(fù)雜。如何根據(jù)圖像的語義和視覺特征從中選取所需的圖像是當(dāng)前面臨的一個(gè)迫切問題。而傳統(tǒng)的基于關(guān)鍵字的信息查詢方法遠(yuǎn)遠(yuǎn)不能滿足現(xiàn)代圖像信息的檢索。傳統(tǒng)數(shù)據(jù)庫技術(shù)面臨著組織、表達(dá)、存儲(chǔ)、管理、查詢和檢索這些圖像數(shù)據(jù)信息的挑戰(zhàn)。因此，結(jié)合圖像處理技術(shù)、模式識(shí)別技術(shù)、計(jì)算機(jī)視覺檢

2、測技術(shù)和數(shù)據(jù)庫技術(shù)以建立高效的圖像檢索機(jī)制和開發(fā)性能良好的檢索工具就成為目前迫切需要解決的問題。而基于內(nèi)容的圖像檢索技術(shù)就成為了解決這一問題的關(guān)鍵。
　　 基于內(nèi)容的目標(biāo)檢測一直是模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)，它不僅具有良好的理論研究意義，也在醫(yī)療、交通、偵查等諸多領(lǐng)域有著廣泛的應(yīng)用前景。隨著研究的不斷深入和識(shí)別技術(shù)的發(fā)展，基于目標(biāo)檢測的一些技術(shù)已經(jīng)逐漸成熟并出現(xiàn)了一些實(shí)際應(yīng)用，如:醫(yī)學(xué)圖像檢索系統(tǒng)、商標(biāo)檢索系統(tǒng)、人臉檢測和識(shí)別、

3、文字/手寫體識(shí)別、指紋檢測、智能交通系統(tǒng)等。
　　 針對AdaBoost級聯(lián)算法隨著學(xué)習(xí)難度的增加容易造成過度擬合而導(dǎo)致分類器的分類效率下降、穩(wěn)定性變差的問題，以及支持向量機(jī)面對大規(guī)模樣本時(shí)訓(xùn)練時(shí)間較長的問題，發(fā)揮支持向量機(jī)在小樣本、非線性、高維度的模式識(shí)別中表現(xiàn)出了其特有的優(yōu)勢，本文改進(jìn)標(biāo)準(zhǔn)AdaBoost級聯(lián)分類器的訓(xùn)練算法，提出了AdaBoost-SVM級聯(lián)分類算法。算法開始時(shí)為AdaBoost級聯(lián)分類器的每一級設(shè)置弱分類

4、器的最大個(gè)數(shù)，當(dāng)某一級的弱分類器數(shù)達(dá)最大個(gè)數(shù)而分類器卻沒有達(dá)到誤報(bào)率目標(biāo)時(shí)，SVM分類器將取代AdaBoost分類器進(jìn)行分類，此時(shí)SVM分類器只需對AdaBoost分類器已選擇的特征進(jìn)行訓(xùn)練，SVM的訓(xùn)練時(shí)間就可以大大地減少。因此，AdaBoost-SVM級聯(lián)分類算法不僅可以得到較高的分類準(zhǔn)確率以及較低的誤報(bào)率，還可以保證訓(xùn)練速度和檢測速度。
　　 實(shí)驗(yàn)中選取兩種不同類型的圖像分別進(jìn)行人臉識(shí)別和行人檢測實(shí)驗(yàn)，選擇固定的窗口大小將