Adaboost训练及在目标检测中的应用

Adaboost训练及在目标检测中的应用

1.       Adaboost原理

          Adaboost(AdaptiveBoosting)是一种迭代算法，通过对训练集不断训练弱分类器，然后把这些弱分类器集合起来，构成强分类器。adaboost算法训练的过程中，初始化所有训练样例的具有相同的权值重，在此样本分布下训练出一个弱分类器，针 对错分样本加大对其对应的权值，分类正确的样本降低其权值，使前一步被错分的样本得到突显，获得新的样本分布，在新的样本分布下，再次对样本进行训练，又得到一个分类器。依次循环，得到T个分类器，将这些分类器按照一定的权值组合，得到最终的强分类器。训练的关键是针对比较难分的训练样本，在联合弱分类器时，使用加权投票，这样分类效果好的弱分类器得到较大的权重，分类效果差的则权值较小。

         Adaboost方法是经过调整的boosting算法，能够对弱学习得到的弱分类器的错误率进行适应性调整， 相对boosting算法，Adaboost方法使用加权后选取的训练数据代替随机选取的训练样本，训练的焦点集中在比较难分的训练数据样本上；在联合弱分类器联合时，使用加权的投票机制代替平均投票机制。让分类效果好的弱分类器具有较大的权重，而分类效果差的分类器具有较小的权重。

   adaboost训练算法流程如下：

     1.初始化所有训练样例的权重为1 / N,其中N是样例数

      2.for m=1,……M:

         a).训练弱分类器ym()，使其最小化权重误差函数：

                                                                

                                               

                                                                 这里的m为弱分类器的个数

        b)接下来计算该弱分类器的权重α：

                                                 

        c)更新权重：

                                           

                                                 其中 是规范化因子，使所有w的和为1。

       3.得到最后的分类器：

                                                    

                        

　　上述迭代算 法中，每一次循环根据当前的权重分布对样本x定一个分布P，然后对这个分布下的样本使用弱学习算法得到弱分类器，而这个错误率的上限并不需要事先知道。每 一次迭代，都要对权重进行更新。更新的规则是：减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率。最终的分类器是个弱分类器的加权平均。

 

2.        adaboost在目标检测中的应用

          以车辆检测为例，步骤如下：

      a. 读取监控摄像头的yuv视频数据

      b. 导入训练好的分类器

      c. 设置adaboost检测器的搜索参数。

      d. 利用检测器对视频图像进行扫描，输出检测结果

 检测结果如下：