AdaBoost學(xué)習(xí)機制及其在物體檢測和識別中的應(yīng)用.pdf

1、讓計算機視覺系統(tǒng)自動定位圖像中的物體和區(qū)分物體類別，使其具備簡單的分類決策能力是本文研究的出發(fā)點。主要研究內(nèi)容包括學(xué)習(xí)方法的改進、分類器的設(shè)計、視覺物體檢測和視覺類別識別四個方面。
　　(1)在AdaBoost學(xué)習(xí)框架下，引入生成式、判別式和多參照點聚類三種模型改變訓(xùn)練樣本的空間分布，從而研究三種弱分類器學(xué)習(xí)方法。
　　AdaBoost是一種組合多個弱分類器為一個高度精確強分類器的加法模型，基于重新分布的訓(xùn)練樣本構(gòu)造弱分類器

2、是其核心之所在。在詳盡分析推導(dǎo)AdaBoost算法基礎(chǔ)之上，本文從生成式、判別式和多參照點聚類三個角度研究弱分類器的學(xué)習(xí)，從而提高其性能。生成式模型以正例樣本集的高斯擬合形式實現(xiàn)。判別式模型通過最大化類間散布和類內(nèi)散布的比值，尋求兩類分類的最佳Fisher投影方向。在基于多參照點聚類的模型中，首先依據(jù)訓(xùn)練樣本聚類出k個參照點，然后采用四種量度計算每個訓(xùn)練樣本到k個參照點的距離，從而重新分布樣本空間。
　　(2)從分類器合并的角度，

3、研究PIS-POS策略來構(gòu)造五種似然函數(shù)分類器，借助“詞集合”模型的思想研究體現(xiàn)多分支決策的樹狀分類器構(gòu)造方法。
　　合并分類器目的是挖掘駐留在各種分類器中的信息，AdaBoost強分類器依據(jù)加法模型合并多個弱分類器，Viola和Jones利用縱向組合強分類器的思想構(gòu)建了層疊分類器。在層疊分類器基礎(chǔ)之上，為充分利用強分類器的層次信息和眾多弱分類器的實數(shù)值輸出，本文研究PIS和POS兩種策略分別從橫向和縱向組合分類器實現(xiàn)聯(lián)合決策，從

4、而構(gòu)造出PIS-CA、PIS-EA、POS、S-PIS-POS和A-PIS-POS五種似然估計分類器。為實現(xiàn)多分支決策，本文借助“詞集合”模型的思想，引入樹狀結(jié)構(gòu)組合多個強分類器，其中非葉子節(jié)點挖掘了不同類別間的共性信息。
　　(3)基于變換域內(nèi)模板區(qū)域的直方圖特征集，利用生成式和判別式兩種弱分類器學(xué)習(xí)方法，構(gòu)建物體檢測范疇的兩個層疊結(jié)構(gòu)人臉檢測系統(tǒng)。
　　作為一個兩類分類問題，區(qū)分出物體出現(xiàn)的區(qū)域和背景區(qū)域是視覺物體檢測的

5、目的，本文以人臉檢測作為其實現(xiàn)載體。在AdaBoost學(xué)習(xí)框架下，用Intensity、LoG/DoG和Gabor三個濾波器組獲取人臉在變換域內(nèi)不同尺度和方向的時空特性，通過統(tǒng)計模板區(qū)域的直方圖構(gòu)建人臉的邊緣分布，從而形成用于人臉檢測的新特征集。然后利用生成式模型（高斯擬合方法）和判別式模型（Fisher線性判別方法）分別學(xué)習(xí)弱分類器并構(gòu)造兩個層疊結(jié)構(gòu)的人臉檢測系統(tǒng)。
　　(4)用感興趣區(qū)域、SIFT區(qū)域描述符、參照點中心以及距離

6、量度共同刻畫物體類別，利用多參照點聚類方法學(xué)習(xí)弱分類器，以樹狀分類器的構(gòu)造策略合并分類器，從而研究視覺類別識別方法。
　　視覺類別識別指在多個不同的視覺類別間進行彼此區(qū)分。首先利用六種感興趣區(qū)域檢測器獲取訓(xùn)練圖像中包含的所有感興趣區(qū)域，再通過類內(nèi)層的濾波和類間層的組合兩個步驟提取重要的感興趣區(qū)域，然后計算感興趣區(qū)域的SIFT特征，再用多參照點聚類的方法學(xué)習(xí)弱分類器，最后依據(jù)詞集合的思想構(gòu)建視覺類別識別樹。樹的非葉子節(jié)點體現(xiàn)了一“袋