一种新的Adaboost快速训练算法.pdfVIP

( ) 第 43 卷 　第 1 期 复 旦 学 报 自然科学版 Vol . 43 No . 1 ( ) 2004 年 2 月 Journal of Fudan University Natural Science Feb . 2004 ( ) 　　文章编号 2004 一种新的 Adaboost 快速训练算法 王海川 , 张立明 (复旦大学 电子工程系 , 上海 　200433) 摘 　要 : 提出了一种新的Adaboost 快速训练方法 ,解决了基于 Adaboost 的人脸检测算法中结构复杂 、训练非常耗 时的问题. 新方法从两方面提高训练速度 :直接求解训练中Adaboost 目标函数 ;在直接求解算法基础上 ,使用了 双阈值简单分类器构造强分类器的Adaboost 检测器结构. 关键词 : 模式识别 ; Adaboost 算法 ; 人脸检测 ; 机器学习 中图分类号 : TP 391. 4 　　 文献标识码 : A 　　 [ 1 ,2 ] [3 ] 近年来出现了大量的人脸检测方法 ,但是各种方法都有不足. 基于肤色和模板的方法 速度较 [4 ] 快 ,但是精度和鲁棒性不太好. Rowley 提出的神经网络的方法 性能较好 ,但检测速度很慢 ,在 P Ⅲ700 计 算机上完成 384 ×288 像素的图像检测需要 1～3 min . Paul Viola 和Michael Jones 于 2001 年提出了基于Ad aboost 的人脸检测算法[5 ] ,从根本上解决了检测的速度问题 , 同时有较好的识别效果. 他们的系统在 P Ⅲ 700 计算机上检测 384 ×288 像素的图像只需要约 0 . 066 s. Aadboost 系统检测速度很高 ,但是由于 Adaboost 算法本身训练非常耗时 ,整个系统的训练时间非常惊人. 根据文献[ 5 ] ,其系统在高级工作站上完成最后 训练花了数周时间. 由于 Adaboost 训练速度上的问题 ,大大地限制了该算法的应用前景 , 同时也导致检测 系统不能灵活的扩展. 目前为止 ,也只有人脸检测应用了Adaboost 的算法. Adaboost 训练耗时多的原因在于 2 方面 :组成 Adaboost 系统的每个简单分类器要采用大量样本训练 ; Adaboost 系统使用了大量的简单分类器. 本文提出了一种新的Adaboost 的快速训练方法 ,有效地解决了训 练时间太长的问题. 针对以上 2 个方面的第 1 点 ,在每个简单分类器训练中 ,本文的方法直接求解 Ad aboost 训练中的目标函数 ,避免了其他训练方法中统计概率分布和迭代运算的耗时问题.