66、多类Adaboost和耦合分类器在目标检测中的应用

多类Adaboost和耦合分类器在目标检测中的应用

1. 引言

在目标检测领域，需要高效且准确的分类器来识别不同类别的对象。现有的一些系统存在各种问题，比如不能充分利用类别之间的相似性、随着类别数量增加可扩展性差等。本文提出的系统具有以下优势：
- 基于多类分类器，不同于部分现有方法。
- 分类器对应嵌套多类级联，提高效率和鲁棒性。
- 训练过程具有良好的可扩展性，训练时间不会随类别数量呈指数增长。
- 无需对类别进行先验划分。

本文将介绍相关工作、提出的多类嵌套级联及其训练算法、不同的训练多类弱分类器的变体，最后展示实验结果并给出结论。

2. 相关工作

2.1 级联分类器

级联分类器是解决目标检测问题的有效方法。由于分类问题的自然不对称性，图像中大部分待分析的窗口是背景（非目标窗口）。为了实现高效检测，应在非目标窗口上花费更少的时间。级联分类器由一系列复杂度逐渐增加的层组成，每层旨在拒绝非目标窗口，让目标窗口通过。

在相关研究中，使用Adaboost训练级联的每一层。Adaboost通过迭代最小化训练误差的上界来构建模型，关注每次迭代中分类错误的样本。每个弱分类器与一个特定特征相关联，特征可以从Haar-like小波等特征族中选择，其他常用特征还包括edgelets、修改后的局部二值模式（mLBP）和粒度特征等。弱分类器的函数族包括决策树桩、域划分分类器和CART分类器等。

2.2 嵌套级联

在已有研究基础上，提出了嵌套级联，通过让第k阶段的分类器利用前一阶段的信息，即$H_k(x) = H_{k - 1}(x) + \sum_