[发明专利]训练adaboost级联分类器的优化方法

说明书

本发明属于分类器训练技术领域，具体涉及一种训练adaboost级联分类器的优化方法。本发明提出的训练adaboost级联分类器的优化方法通过提出的样本筛选方法在保证检测性能的同时明显减少了弱分类器的数量，避免了随机使用训练样本带来的弱分类器数量冗余的问题，从而提高了在应用平台上的实时性能。

技术领域

本发明属于分类器训练技术领域，具体涉及一种训练adaboost级联分类器的优化方法。

背景技术

1995年，Freund和Schapire提出了AdaBoost算法[1]。AdaBoost全称为AdaptiveBoosting，作者说取名叫作AdaBoost是因为这个算法和以前的Boosting算法都不同(原先的Boosting算法需要预先知道假设的错误率下限)，它根据弱学习的反馈适应性地(adaptively)调整假设的错误率——也就是说，AdaBoost算法不需要任何关于弱学习器性能的先验知识，加上它和原来Boosting算法的效率一样，因此可以非常容易地应用到实际问题中。AdaBoost算法提出后在机器学习领域受到了极大的关注，实验结果显示无论是应用于人造数据还是真实数据，AdaBoost都能显著提高学习精度。

级联分类器的设计可以看做是由一系列的强分类器的串联组成，整个检测流程如图1所示。这种级联分类器设计思路就需要指定各个参加级联的强分类器具备相应的结构，所谓相应的结构的第一点要求是前面分类器的结构简单也即强分类器中包含尽可能少的弱分类器，这样才能提高检测速度。第二点要求是检测率高，能够滤除那些与目标差异较大的负样本。那么对于参与训练的负样本的选择就需要尽可能选择与正样本差异大且多样化的负样本，才能得到满足分类器级联设计思想的强分类器。第三点要求是级联的下一级分类器是对上一级分类器无法分辨的样本进行再次准确分类，因此用于下级分类器的样本就要求是上一级分辨正确的正样本和分辨错误的负样本来做本级训练的正样本和负样本，这样才可以达到层层精确筛选的目的，非目标样本应尽可能在较早级联层次得到滤除，只有通过所有级分类器的样本才被认定为正样本即目标区域。

在级联的检测器中不断增加更多的强分类器可以很快排除背景区域，从而节约出时间用于那些更像真实目标的待判别目标进行计算。在级联结构中，前面几级的分类器相对来说结构比较简单，使用的特征数较少，但检测率很高，同时能够尽可能地滤除那些与目标差异较大的负样本。后面级的分类器则使用更多的特征和更复杂的结构，从而可以将那些与目标相似的负样本与目标物体区分开。

级联的AdaBoost分类器训练方法是通过在级联的检测器中不断增加更多的强分类器来降低系统的误报率，同时还需要保持较高的检测率来达到系统的性能要求。在实际应用中，系统的性能要求除了检测率和误报率的要求以外，还要求检测的实时性能。如果实时性不达到要求，那么无法在实际系统中应用。基于adaboost强分类器的级联分类器设计是一种成熟的分类器，研究人员对其检测性能做了大量的研究，而实时性能却在学术界研究的却不是很广泛。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题：如何提高adaboost级联分类器的实时性能。

(二)技术方案

为解决现有技术问题，本发明提供一种训练adaboost级联分类器的优化方法，该方法包括：

步骤1：选标准正样本和标准负样本训练级联分类器的第一级；

步骤2：根据级联分类器的上一级的判别样本的响应值筛选用于训练下一级分类器的正负样本。

步骤3：对每级分类器多次筛选训练样本训练得到多个分类器,根据检测性能评价曲线和弱分类器数量联合筛选出每级最优分类器。

步骤4：重复步骤2和3得到最优的级联分类器。

(三)有益效果