基于Adaboost权值更新以及K-L距离的特征选择算法

？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.