Boosting算法的改进及在视觉目标检测中的应用的研究.pdf

博士论文 Boosting算法的改进及其在视觉目标检测中的应用研究 摘 要 B00sting是一类提高弱学习算法精度的强学习算法，具有坚实的理论基础，凭借其 高效、易用和良好的泛化性能被广泛应用于模式识别的各个领域，尤其在Ⅵola和Jones 框架成为迄今解决视觉目标检测的一条最有效的途径。本文研究boosting算法的改进及 其在视觉目标检测中的应用，综述boosting算法的研究现状，提出三种解决不平衡数据 和应用推广。 不平衡数据分类问题强调少数类的分类精度，而booSting算法最小化数据的整体分 类错误率上界，对少数类的分类效果较差。现有改进方案被本文归纳为数据采样法和代 价敏感法两类：数据采样法每轮迭代使用过采样／欠采样降低类别不平衡程度，但算法计 算量大，采样过程容易引入噪声或丢失有用数据信息：代价敏感法对少数类赋予较高的 误分代价，使得分类器向其倾斜，但算法大多为启发式，并存在代价因子较大时算法性 能显著下降的问题，缺少一个理论框架来解释其有效性。本文从代价敏感学习、采样、 提出代价敏感boosting的理论框架，揭示并解释现有算法存在的不稳定问题，并给出稳 定的新算法。本文从统计学角度指出代价敏感boosting实质是通过优化某种代价敏感准 则拟合非对称logistic回归模型，现有算法采用随迭代次数指数增长的代价因子，导致 代价因子较大时算法性能显著下降。本文提出采用一致代价因子的代价敏感boosting算 (2)分类边界附近的样本对分类器性能起着关键作用，受这一思想的启发，提出基于 边界少数类样本过采样的边界采样boosting算法。与数据采样法不同，采样结果通过样 本权重反映，并不产生或删除数据，从而避免噪声引入和有用信息丢失。新算法融合数 据采样法和代价敏感法的优点，高效、适应性强，在UCI不平衡数据集上的实验表明， 的不平衡数据分类问题。通过分析AUC与分类错误率的关系，指出平衡类别分布是将 法每轮迭代前先平衡类别分布，可证明其学习目标为最大化AUC下界。在UCI不平衡 数据集上的实验表明，在AUC测度下新算法优于原始boosting算法。 “底层特征+booSt崦”框架已成为视觉目标检测领域的一个标准方法，一直以来， I 摘要 博士论文 研究者们从特征提取和学习算法两方面进行改进。本文指出框架仍存在一个根本性的问 题——特征失配，亟待解决。由于特征大多从图像的固定位置提取，受到目标姿态多样 性、局部变形等因素的影响，不同目标实例中同一特征所在位置可能不同，从而影响最 终检测器的性能。针对特征失配问题，本文提出基于多配置特征包的boosting算法。用 多配置特征包模拟不同的特征失配情况，由boosting算法选择出最优特征包和相应配置， 构成目标分类器。弱分类器学习时，引入多示例学习的思想，将特征包分类器学习转化 为单个特征分类器的学习。在人脸数据集上的实验表明，基于多配置特征包的boosting 算法能获得更快的收敛速度和更好的检测性能。此外，本文将“底层特征+booSting视 觉目标检测框架应用于解决具体的计算机视觉问题，主要包括：(1)图像CAPTCHA破 不均和人脸形变，现有算法破解率不超过0．0006％。本文根据AImFAC认L产生机制， 设计基于梯度的人脸检测器，并引入面部器官检测器提高人脸配准精度，将mmFAC认L 的破解成功率提升为18．0％；(2)图像方向检测。图像方向检测可看作区分竖直月乍竖直 的图像方向检测器。与现有算法相比，新算法具有可扩展性，在确保检测精度的同时极 大地降低了训练和检测的复杂度。 本文最后给出可进一步展开的研究工作，指明后续的研究方向。 关键词：b00Sting，视觉目标检测，不平衡数据分类，AUC优化，特征失配 II 博士论文 BoostiIlg算法的改进及其在视觉目标检测中的应用研究 Abstract is of wtlich