基于多核Boosting方法的通用目标分类和识别

• 作者: 戴渊明 林亦宁 韦巍
• 来源期刊: 光电工程
• 学科: 工学
• 关键词: 核函数 图像分类 多尺度特征 核空间线性学习器 Adaboost 距离学习
• 年，卷（期）: 2011,（10）
• 所属期刊栏目: 目标识别与跟踪
• 页码范围: 66-71
• 分类号: TP181
• 字数: 3925字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-501X.2011.10.011

摘要

针对传统基于SVM分类器的多核学习方法优化参数多、优化过程复杂、计算量大的缺点,本文提出基于Real Adaboost的多核学习方法解决通用目标分类与识别问题.该方法根据核函数能将高维特征映射到低维空间的特性,采用核函数空间上的线性平面分割构建弱分类器,并用Real Adaboost学习框架对弱分类器进行学习.先用分层特征算子PHOG和PHOW分别提取图像不同尺度的形状和表观信息,并用核函数计算特征距离,然后在核空间上构建线性弱学习器池,最后用Real Adaboost算法学习得到强分类器.实验结果表明,该方法有效提高了图像分类的准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	韦巍	浙江大学电气学院控制理论与控制工程系	149	1731	22.0	36.0
2	林亦宁	浙江大学电气学院控制理论与控制工程系	5	10	3.0	3.0
3	戴渊明	浙江大学电气学院控制理论与控制工程系	5	10	3.0	3.0