论文研究-基于EREF的PSO-AdaBoost训练算法.pdf

所需积分/C币:35 2019-07-22 18:02:27 324KB .PDF
47
收藏 收藏
举报

针对基于PSO的AdaBoost算法(PSO-AdaBoost)的不足,分析了传统目标函数不能适应多个弱分类器拥有相同最小错误率时弱分类器的选择问题,提出了解决这一问题的有效方法。新方法使用特征值和阈值的绝对值差衡量错分样本的错误程度,结合相对熵理论形成PSO算法的适应度函数,使其根据错分样本的错误程度挑选最佳弱分类器。实验结果表明,所提算法具有较高的检测率和较小的泛化错误。
第1期 李睿,等:基于EREF的PSO- Adaboost训练算法 129 其中:,=ln 最好的是本文提出的基于EREF的 PSO-Adaboost算法。达到 相同的检测率,后者需要最少的弱分类器。 在使用粒子群优化算法选取弱分类器时,粒子的前5个参 利用本文算法和已经训练好的基于传统 Adaboost和基于 数受检测子窗口的限制,并且特征的位置与特征的宽度和高度PO的 Adaboost算法训练的强分类器对测试集上的图像进行 也受检测子窗口的限制。例如,对于图1(a)来说,假设检测子了实验,测试结果如表2所示。从表中可以看到,改进后的算法 窗口是20×20,在改进的算法中粒子的解必须满足y+2h≤在检测性能上比传统 Adaboost和PSO- Adaboost算法都好,主要 20。所以弱分类器优化问题是约束最优化问题,对于不可行原因是本算法采用EEF适应度函数,计算出了弱分类器对错 解,利用惩罚函数解决。 分样本的错误程度,更加精确地选择了最佳弱分类器。 表2三种算法训练结果对比 y 平均特征个数检测率/% 误检率/% Adaboost 23 95.36 4.11 PSO-Adaboost 97.5 35 (d) (e) a30 图1五类基本矩形特征 Ps0-Adabaost 25 基于EREF的 Ps0-AdaBiost 在改进的算法中,使用相对熵的原理将人脸误认为非人脸 15 和非人脸误认为人脸的情况分开分析,并结合阈值和特征值的 ·+↓ 绝对值差来德量错分样本的错误稈度,改进了传统目标函数没 图3三种算法的性能比较 图4部分检测结果 有错分样本错误程度的缺点。实验结果表明,这样的改进可以 使得最仹弱分类器的选择更加精确。 5结束语 4实验结果与分析 本文提出的基于EREF的rSO- Adaboost训练算法利用相 本文利用网上下载和MT样本库中5096个人脸样本和对熵原理对两种误检状况分别进行了分析,并利用特征值和阔 7140个非人脸样本作为实验数据集。其中训练集样本中包括值的绝对值差更加精确地衡量了错分样本的错误程度。本文 算法在人脸检测屮进行了验证,实验结果表明,改进后的算法 2603个人脸样本和3620个非人脸样本,测试集包活2493个 在总体上优于ⅨO- Adaboost方法,检测性能明显提高。以后 人脸样本和350个非人脸样本,样本全部归一化为20x9,的工作是应用该算法构造级联分类器,进一步提高算法的测试 部分训练样本如图2所示 精度,以便使其在更多的领域貝有更好的实用价值。 参考文献 [1 YANG M H, KRIEGMAN D, AHUJA N. Detecting faces in images a survey [J]. IEEE Trans on PAMI, 2002, 24(1): 34-58 [ 2] MORENCYA L P, SIDNERB C, LEEC C, et al. Head gestures for perceptual interfaces: the role of context in improving recognition [J] Artificial Intelligence, 2007, 171(8): 568-585 (a)人脸训练样本 b)非人脸训练样本 [3 BEVILANCQUA V, FILOGRANO G, MASTRONARDI G. Face De 图2部分训练样本 tection by means of skin detection[ C //Lecture Notes in Computer 实验在单个强分类器上比较算法性能,强分类器中弱分类 Science, vol 5227. Berlin: Springer-Verlag, 2008: 1210-1220 器总数为200个,种群个数M取30,运行最大代数为100(如4] PALIY I. Face detection using Haar1 like features cascade and convo 果超过50代后算法的整体性能没有改善则停止),初始化范 lutional neural network [C // Proc of Internatianal Conference on 围为0,25,c的范围初始化为[-50,50],c1=C2=2.05,X= Modern Problems of Radio Engineering, Telecommunications and 0.729。在训练集上使检测率不低于0.99,误检率不高于0.01, Computer Science. 2008: 375-377 [5 FREUND Y, SCHAPIRE R. A decision theoretic generalization of 各个算法需要的特征数量如表1所示 uline learning and applicalion to boosting[ J]. Joumal of Computer 表1三种算法所需特征个数 and System Science, 1997. 55(1): 1 19-139 方法 最优特征个数平均特征个数最差特征个数 [6 MOHEMMED A W, ZHANG Meng-jie, JOHNSTON M. Particle Adaboost 221 swarm optimization based A da boost for face detection[ C//Proc of PSO- Adaboost IEEE Congress on Evolutionary Com putation. Piscataway, NJ: IEEE 本文算法 Press,2009:2494-2501 利用训练集训练出来的强分类器对测试集上的样木进行 [71 KENNEDY J, EBERHART R C. Particle sw arm optimization[C1// 测试。实验中,候选人脸区域大于人脸区域的10%且候选人 Proc of the 4th ieee International Conference on neural etworks 脸区域中心与人脸区域中心的距离小于2才被认为是人脸,测 1995:1942-1948 试结果如图3所示。该图中的性能曲线反映了传统的Ada-[8]钱志明,徐丹.一种 AdaBoost快速训练算法[J].计算机工程 Bost算法的性能是最差的,基于PSO的 Adaboost算法较好 2009,35(20):187-191

...展开详情
试读 3P 论文研究-基于EREF的PSO-AdaBoost训练算法.pdf
立即下载 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于EREF的PSO-AdaBoost训练算法.pdf 35积分/C币 立即下载
1/3
论文研究-基于EREF的PSO-AdaBoost训练算法.pdf第1页

试读结束, 可继续阅读

35积分/C币 立即下载