基于Adaboost权值更新以及K-L 距离的特征选择算法

摘要对于颜色、纹理变化较大的目标, 边界片段是一种较为稳定的特征. 手工分割样本再提取边界片段的传统做法由于工

作量巨大而限制了样本的数目, 不能满足统计学习中大样本训练的要求. 但是如果对训练样本采用自动分割的方法就不可避

免地引入很多背景中的噪声. 在这种情况下特征的选择就显得尤为关键. 本文提出一种基于Adaboost 权值更新以及K-L 距

离的特征选择算法, 在Adaboost 的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost 训练的特征集. 选

择算法以边界片段在正面样本与负面样本中分布的鉴别信息为依据, 有效地减少了背景中边界片段的干扰. 实验证明该算法

是有效的.

关键词目标检测, 特征选择, 边界片段特征, 权值更新, K-L 距离