基于遗传寻优的双阈值型AdaBoost分类器
针对双阈值型AdaBoost分类器存在搜索弱分类器过程复杂和训练耗时长的问题,结合遗传算法的思想,提出了一种基于遗传寻优的双阈值型AdaBoost分类器.该方法通过对特征和两个阈值的编码来寻找弱分类器,利用遗传算法的全局寻优性,能够快速寻找到最佳弱分类器,减少训练时间.另外,在此基础上提出设置两阈值之间最小间距的方法,增强其抗干扰能力,具有更好的鲁棒性.为验证实验效果,对MIT-CBCL人脸库提取局部二值模式(Local Binary Pattern,LBP)特征进行验证.实验结果显示,改进后的双阈值型AdaBoost分类器比经典AdaBoost分类器在训练时间上提升了5倍,比双阈值型AdaBoost分类器提升了18倍,具有更快的收敛速度.与此同时,因为增加了两阈值之间的最小间距,改进后的算法具有更强的抗噪性能.
双阈值、AdaBoost分类器、遗传算法、弱分类器、局部二值模式
TP301.6(计算技术、计算机技术)
国家自然科学基金资助项目61071198,51675286
2020-08-07（万方平台首次上网日期，不代表论文的发表时间）
共7页
36-42
