Boosting方法及其在图像理解中的应用研究

摘要

图像理解是当前计算机研究领域的热点，其主要研究内容是场景中目标识别和场景的描述与理解。分类和检测是场景中目标识别的关键问题，通过对样本的训练学习产生判别决策，得到识别结果，判别模型的好坏会对识别结果产生重要影响。Boosting方法将比随机猜测略好的弱分类器合并为精确的强分类器，能够解决图像理解中更一般的目标识别问题。 本文的主要工作如下： (1)探讨了Boosting分类机制，概述了两大系模型：AdaBoost和Boost-by-Majority，分别从训练样本和弱分类器的权重、损失函数及其特性四个方面归类比较了拓展模型，形成了较为完整的Boosting分类模型体系； (2)从指数准则和对数似然准则两个方面阐述了Boosting模型的统计本质，通过数据分类实验比较了Real AdaBoost和Gentle AdaBoost两种模型，验证了Gentle AdaBoost的优点，奠定了模型选择的理论基础； (3)分析了传统图像集和融入视觉知识的LabelMe图像集的特点，获取特定目标类别图像并修改其注释，创建了适合场景中目标识别的含有特定目标类别的图像集； (4)总结了场景中目标识别的内涵和现有方法，实现了基于GentleAdaBoost的场景中目标识别，判断场景中是否有特定目标并确定目标出现的位置，最后通过查全率/查准率曲线对识别结果进行评价。

目录

文摘

英文文摘

论文说明：图表目录

声明

致谢

第一章绪论

1.1研究背景及意义

1.2 Boosting研究现状及分析

1.2.1 Boosting的产生与发展

1.2.2 Boosting在图像理解中的应用现状

1.3论文的主要工作与组织结构

1.3.1论文的主要工作

1.3.2论文的组织结构

1.4本章小结

第二章Boosting分类模型

2.1集成学习

2.2 Boosting基本思想

2.3 Boosting理论分析

2.4 Boosting分类模型与比较

2.4.1 AdaBoost模型

2.4.2 BBM模型

2.4.3拓展模型

2.5 AdaBoost实验与分析

2.6本章小结

第三章统计观点的Boosting模型

3.1累加模型

3.1.1累加回归模型

3.1.2分类问题

3.2累加逻辑回归模型

3.2.1指数准则

3.2.2对数似然准则

3.2.3 Gentle AdaBoost分类模型

3.3 RAB与GAB实验对比

3.4本章小结

第四章图像数据集的选择与处理

4.1传统图像集

4.2融合视觉知识的LabelMe图像集

4.3传统图像集与LabelMe的比较分析

4.4 LabelMe图像注释实验

4.5本章小结

第五章基于Gentle AdaBoost的场景中目标识别

5.1场景中目标识别

5.1.1场景中目标识别的内涵

5.1.2场景中目标识别的方法

5.2 GAB目标识别算法

5.3实验与分析

5.3.1创建图像集

5.3.2提取特征

5.3.3训练GAB检测器

5.3.4测试GAB检测器

5.3.5识别评价

5.4本章小结

第六章总结与展望

6.1工作总结

6.2研究展望

参考文献

攻读硕士学位期间发表的论文及科研工作