AdaBoost算法的训练过程
4星 · 超过85%的资源 需积分: 16 100 浏览量
2011-06-04
11:53:25
上传
评论
收藏 105KB DOCX 举报 
AdaBoost 算法的训练过程
(2009-03-06 16:10:31)
转载
标签：
杂谈
分类：转载
每个 Haar 特征对应看一个弱分类器，但并不是任伺一个 Haar 特征都能较好的描述人脸
灰度分布的某一特点，如何从大量的 Haar 特征中挑选出最优的 Haar 特征并制作成分类
器用于人脸检测，这是 AdaBoost 算法训练过程所要解决的关键问题。
Paul Viola 和 Michael Jones 于 2001 年将 Adaboost 算法应用于人脸检测中,其基本
思想是针对不同的训练集训练同一个分类器（弱分类器），然后把这些不同训练集上的得
到的分类器联合起来，构成一个最终的强分类器。Adaboost 算法中不同的训练集是通过
调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，对于 h1 分
类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，这样分错的
样本就被突出出来，从而得到一个新的样本分布U2 。在新的样本分布下，再次对弱分类
器进行训练，得到弱分类器h2 。依次类推，经过T 次循环，得到T 个弱分类器，把这T
个弱分类器按一定的权重叠加（boost）起来，得到最终想要的强分类器。
训练系统总体框架，由“训练部分”和“补充部分”构成。依据系统框架，本文的训练系
统可分为以下几个模块:
(1)以样本集为输入，在给定的矩形特征原型下，计算并获得矩形特征集;
(2)以特征集为输入，根据给定的弱学习算法，确定闽值，将特征与弱分类器一一对应，
获得弱分类器集;
(3)以弱分类器集为输入，在训练检出率和误判率限制下，使用 A d a B o o s t 算法
挑选最优的弱分类器构成强分类器;
(4)以强分类器集为输入，将其组合为级联分类器;
(5)以非人脸图片集为输入，组合强分类器为临时的级联分类器，筛选并补充
非人脸样本。
资源评论
pk不乱发型2014-03-28图文并茂，还是很有帮助的
MyStudy_Sky2012-02-20word文档，，而且是2007版的docx 没有安装，未打开查看。- huangyanan20082012-09-06word文档，，而且是2007版的docx 没有安装
toilet22
- 粉丝: 17
- 资源: 14
