基于集成學習的視覺目標識別.pdf

1、隨著人工智能，社會智能的發(fā)展，視覺系統(tǒng)，其在感官系統(tǒng)中占75％以上的交互信息，得到科研工作者的廣泛關注。然而在相當長的一段時間內(nèi)，視覺目標識別技術發(fā)展緩慢，隨著機器學習應用到計算機視覺中來，其得到前所未有的發(fā)展。
　　首先，本文重點介紹了集成學習思想。圍繞如何構造一個有效且穩(wěn)定的分類器，從特征選擇，數(shù)理統(tǒng)計學，生物學等多角度剖析了AdaBoost分類器的工作機理;重點介紹了多種具有代表性的AdaBoost變種算法，總結并分析其在工

2、程應用中的若干個關鍵問題;詳細介紹了級聯(lián)分類器框架，從理論分析與實踐應用兩個方面進行深入研究，并對此框架所存在的問題進行了歸納總結。
　　其次，圍繞如何將集成分類器運用到視覺目標研究中，本文結合車牌檢測和車輛檢測兩種視覺目標檢測應用，詳細探討了級聯(lián)分類器框架的應用過程。首先采用級聯(lián)分類器框架解決了車牌檢測的問題，然后研究并采用了一種改進的檢測框架，解決了車輛檢測的問題，此種檢測框架更符合人類的視覺認知系統(tǒng)，主要分為兩個階段:第一步

3、，通過顯著性分析與視覺注意機制進行目標預定位;第二步，利用級聯(lián)分類器進行精分類。在VIVID數(shù)據(jù)集上取得良好的效果，即允許使用計算復雜特征的基礎上，成功地降低了檢測時間。
　　隨后，結合車牌字符識別說明集成學習在視覺目標識別中的應用問題。在樣本不足時，提出了一種基于集成學習的模板匹配方法，在不考慮識別速度的前提下，其字母數(shù)字的識別率達到了95％;然后針對樣本不足等問題進行分析，并進行人工制造樣本;針對字母和數(shù)字的混淆情況，采用多層