李瑞帥

1前言

AdaBoost因良好的分類能力，簡單易實現(xiàn)，在數(shù)據(jù)挖掘、人臉識別與行人檢測中都獲得了廣泛的關(guān)注。本文主要介紹AdaBoost算法的理論、訓(xùn)練方法與本文基于特征量化的改進(jìn)算法。

2AdaBoost簡介

AdaBoost算法（自適應(yīng)增長算法），由Yoav Freund和Robert Schapire提出并進(jìn)行理論完善。AdaBoost算法是一種迭代算法，每經(jīng)過一次迭代，增加一個新的弱分類器，最終分類結(jié)果由所有弱分類器加權(quán)投票，根據(jù)投票結(jié)果是否大于閾值確定樣本標(biāo)簽，當(dāng)整個訓(xùn)練樣本集的分類錯誤率小于給定值時停止訓(xùn)練過程。

AdaBoost的訓(xùn)練過程其實就是一個迭代的提升分類器學(xué)習(xí)能力的過程，方法如下：

3AdaBoost算法改進(jìn)

AdaBoost具有良好的分類表現(xiàn)，并且在檢測過程運行速度較快，但分類器的訓(xùn)練過程的時間花費非常大，在一些要求實時進(jìn)行學(xué)習(xí)更新的系統(tǒng)中應(yīng)用受到限制。對于分類器而言學(xué)習(xí)速度與分類準(zhǔn)確性同樣重要，在實時學(xué)習(xí)系統(tǒng)或處理數(shù)據(jù)流時分類算法必須具備快速自學(xué)習(xí)的能力。對AdaBoost算法改進(jìn)出發(fā)點就是：不損失分類精度的前提下盡可能的提高訓(xùn)練速度。

訓(xùn)練所使用的特征集的特征之間并不是完全獨立的，而是具有很高的相關(guān)性。利用這一性質(zhì)，通過選擇合適的模板特征，大部分的特征點可根據(jù)其與模板特征的關(guān)系進(jìn)行預(yù)剔除。

進(jìn)行弱分類器訓(xùn)練之前，預(yù)先對特征數(shù)據(jù)使用最簡單的線性劃分法進(jìn)行量化，避開了弱分類器訓(xùn)練中的樣本排序過程，并且極大地減少了循環(huán)遍歷的次數(shù)。

4結(jié)論

通過研究當(dāng)前AdaBoost算法的改進(jìn)方向與思路，實現(xiàn)了一種通過量化訓(xùn)練樣本特征值的方法加快訓(xùn)練速度，該方法在訓(xùn)練時間上具有很大的優(yōu)勢，雖然在處理小樣本，低維特征時效果不如傳統(tǒng)AdaBoost訓(xùn)練算法精度高，但當(dāng)樣本數(shù)目大，特征向量維度高時，通過增加弱分類器的數(shù)目能夠獲得與傳統(tǒng)方法媲美的分類精度，并保持速度上的優(yōu)勢。

火箭軍士官學(xué)校