基于多模式弱分类器的AdaBoost Bagging车辆检测算法

针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用分辨率的特征形成更好的方法边界和生成式模型善于利用替代的特征消除了大量负样本的优点,以Haar特征训练判别别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为同轴,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。 AdaBoost-Bagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与误差的检出率,分别为95.7%,0.00027%,每帧图像的检测时间缩短,为25 ms;与传统级联AdaBoost分类器索引,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检出率降低了0.00006%;此处算法的检测性能显着着重于基于Haar特征的AdaBoost分类器算法,基于HOG特征的SVM分类器算法,基于