26、提升方法在计算机视觉中的应用与发展

提升方法在计算机视觉中的应用与发展

1. 不同方法在BANCA数据库上的表现

在人脸识别领域，BANCA数据库是一个常用的测试数据集。以下是几种方法在该数据库上的正确识别率及其标准差：
| 方法 | 正确识别率 | 标准差 |
| — | — | — |
| Eigenface | 53.00% | 4.11 |
| Fisherface | 74.85% | 4.02 |
| Random subspace LDA | 76.08% | 3.62 |
| Directed Random Subspace | 81.39% | 3.14 |

从这些数据可以看出，不同方法的识别性能存在差异，Directed Random Subspace方法在该数据库上表现最佳。

2. 提升方法概述

提升方法与其他集成方法类似，通过组合多个弱分类器来构建一个强分类器。著名的AdaBoost算法是一种贪心方法，用于线性组合一组分类器。其设计基于一个著名的组合理论：只要弱分类器的表现优于随机猜测，就可以通过线性组合来提升它们的性能。

3. 目标检测与识别中的提升方法

在目标检测和识别领域，Viola和Jones将人脸检测视为高维特征空间中的二分类问题。为了实现实时人脸检测并避免高维空间的复杂性，他们提出使用提升算法进行特征选择。

标准的特征选择方法大致可分为过滤器和包装器两类：
- 过滤器方法 ：通常使用互相关或信息论度量等标准来估计不同特征的相对重要性。例如，基于互信息标准的过滤器可以提供通用的变量选择，可