針對訓練AdaBoost分類器的計算量隨候選特征和訓練樣本數量的增加而急劇增加問題,提出了AdaBoost分類器的快速訓練方法. AdaBoost分類器由多個決策樁構成.由于正負樣本特征值分布的隨機性,現有方法都在訓練樣本的特征值中窮舉搜索來獲得最佳決策樁.首先,注意到優(yōu)秀特征閾值-誤差(T-E)曲線的近似凸性,提出使用二分搜索法確定最佳決策樁.與窮舉搜索相比,比較操作時間復雜度由O(N)降低為Olog N AdaBoost分類器的快速訓練方法.在公開行人檢測數據集Inria Pedestrian dataset和Caltech Pedestrian Detection Benchmark上的實驗表明,提出的快速訓練方法得到的分類器與普通方法的檢測性能相當.

【文章頁數】：8 頁


本文編號：3847904