面向分類錯(cuò)誤率的自適應(yīng)FAST算法

任勝兵,謝如良

(中南大學(xué) 軟件學(xué)院,長(zhǎng)沙 410075)

1 引 言

FAST[1,2](Feature from Accelerated Segment Test)算法是由Rosten、Porter和Drummond提出的一種新式簡(jiǎn)單快速的特征點(diǎn)提取算法,該算法不僅能大大降低特征點(diǎn)的檢測(cè)時(shí)間,同時(shí)還能夠迅速排除大量非特征點(diǎn),因此被廣泛應(yīng)用到圖像處理等實(shí)時(shí)系統(tǒng)中[3,4].

目前,在特征點(diǎn)提取領(lǐng)域中有大量的算法,如早期的SUSAN角點(diǎn)檢測(cè)算法和Plessey算法等.在這些經(jīng)典的特征提取算法之上,出現(xiàn)了大量的局部特征提取算法,如G.Lowe提出的尺度不變特征(scale invariant feature transform,SIFT)算法[5],該算法具有尺度旋轉(zhuǎn)、亮度變化、縮放的不變性,但是它的特征檢測(cè)計(jì)算量大,速度較慢,不適合實(shí)時(shí)應(yīng)用[6].文獻(xiàn)[7]提出了加速魯棒特征(Speeded-up Robust Feature,SURF)算法,它是SIFT算法的一種改進(jìn),提高了特征點(diǎn)的檢測(cè)速度,但是與FAST算法相比,速度還是相差較大.

近年來,FAST算法在實(shí)際應(yīng)用中有大量運(yùn)用,如圖像配準(zhǔn)[8]、機(jī)器人導(dǎo)航[9]、視覺跟蹤[10]等領(lǐng)域.在學(xué)術(shù)上FAST算法也有大量的研究成果,如S.Taylor等[11,12]改進(jìn)了FAST算法,使之能快速匹配并更具魯棒性.但是FAST算法通常采用的閾值和半徑是固定的,對(duì)于不同的圖像,提取結(jié)果中會(huì)出現(xiàn)特征點(diǎn)冗余或者丟失的現(xiàn)象.例如,在多國(guó)紙幣冠字號(hào)識(shí)別研究中,由于不同幣種冠字號(hào)的字體和大小各異,因此FAST算法中固定的閾值與半徑無法適應(yīng)多種紙幣.

針對(duì)以上缺陷,本文基于AdaBoost[13,14]提出了AdaBoost_FAST算法,其中AdaBoost算法的基本原理是通過在每輪迭代中降低正確分類樣本的權(quán)重,增加錯(cuò)誤分類樣本的權(quán)重,使得分類器在迭代過程中逐步改進(jìn),最終將所有分類器線性組合得到最終分類器.其中本文使用到的分類器為支持向量機(jī)(support vector machine,SVM)[15],該方法是機(jī)器學(xué)習(xí)中一種重要的算法,被廣泛應(yīng)用于解決模式識(shí)別中的分類和回歸分析問題中.本文根據(jù)AdaBoost算法的思想采用支持向量機(jī)進(jìn)行訓(xùn)練,由分類器的錯(cuò)誤率通過代價(jià)函數(shù)計(jì)算每組閾值和半徑的抽樣概率,當(dāng)錯(cuò)誤率越低,其抽樣概率越大,對(duì)應(yīng)的閾值和半徑逐步接近最優(yōu)值,所提取的特征點(diǎn)精度越高.根據(jù)抽樣概率構(gòu)成的代價(jià)函數(shù)可知,經(jīng)過多次迭代以后,如果錯(cuò)誤率較小并且無明顯變化,則表明此時(shí)的閾值和半徑已經(jīng)達(dá)到最優(yōu).通過本文實(shí)驗(yàn)驗(yàn)證,該算法在保證FAST算法時(shí)效性的同時(shí),能夠有效地對(duì)閾值和半徑進(jìn)行自適應(yīng)選擇,減少了特征點(diǎn)冗余或者丟失的情況,提高了特征點(diǎn)提取的精確度.

2 FAST特征點(diǎn)提取算法

FAST算法所提取的特征點(diǎn)通常可以定義為:以r為半徑的某個(gè)像素點(diǎn)鄰域內(nèi),與該點(diǎn)處于不同灰度區(qū)域的像素點(diǎn)個(gè)數(shù)超過某一個(gè)閾值N,即有足夠多的像素點(diǎn)的灰度值大于或者小于該點(diǎn)的灰度值.FAST算法所涉及的像素點(diǎn)分布如圖1所示,中心點(diǎn)p為待判定像素點(diǎn)的像素值,當(dāng)半徑r為3時(shí),周圍共有16個(gè)像素點(diǎn).

雖然FAST算法在時(shí)間效率上相比其他算法有明顯的優(yōu)勢(shì),但是由于其采用固定的閾值和半徑,對(duì)于不同圖像的特征點(diǎn)提取會(huì)出現(xiàn)冗余或者丟失的情況,導(dǎo)致提取的特征點(diǎn)精確度較低,難以取得良好的效果.例如在多國(guó)紙幣冠字號(hào)識(shí)別中,如圖2中所示,三種幣種冠字號(hào)的字體大小以及形狀存在明顯的差異.當(dāng)采用固定的閾值和半徑時(shí),圖2(a)美元的特征點(diǎn)提取結(jié)果具有較高的代表性,并且精確度高.而圖2(b)中的比索由于其字體形狀較大,若采取同一閾值和半徑,則會(huì)出現(xiàn)特征點(diǎn)的冗余,導(dǎo)致特征點(diǎn)提取結(jié)果不精確并且影響時(shí)間效率.圖2(c)中,新西蘭元的字體形狀較小,采用此固定的閾值和半徑時(shí),則會(huì)出現(xiàn)特征點(diǎn)的丟失情況,極大降低了特征點(diǎn)的提取精度.

3 AdaBoost_FAST算法

為了解決FAST算法中閾值和半徑不能自適應(yīng)的問題,本文提出了AdaBoost_FAST算法,其基本流程如圖3所示.

圖3 AdaBoost_FAST算法流程圖

AdaBoost_FAST算法的總體思路是依據(jù)分類器錯(cuò)誤率來進(jìn)行閾值和半徑的自適應(yīng)選擇,根據(jù)錯(cuò)誤率通過一個(gè)代價(jià)函數(shù)計(jì)算每一組閾值和半徑的抽樣概率.錯(cuò)誤率越高,說明在該組閾值和半徑下特征提取的效果較差,它的抽樣概率就會(huì)越小,反之則越大.因此最優(yōu)的閾值和半徑的抽樣概率將會(huì)逐漸變大,最終實(shí)現(xiàn)最優(yōu)閾值和半徑的自適應(yīng)選擇.

在此過程中,我們用變量Pt(j)表示第t次迭代的第j組閾值半徑的抽樣概率,它的初始值都設(shè)置為同一個(gè)值,意味著在第一輪迭代中所有的閾值和半徑的抽樣概率都是相同的.在每一輪迭代中,根據(jù)分類器的錯(cuò)分率更新每對(duì)閾值和半徑的抽樣概率,其中分類器采用支持向量機(jī)(support vector machine,SVM)來進(jìn)行訓(xùn)練.根據(jù)所有訓(xùn)練數(shù)據(jù)的分布Dt來計(jì)算每個(gè)分類器ft的錯(cuò)分率,t是在第t輪迭代中選擇核函數(shù)k的分類器錯(cuò)分率,如公式(1)所示:

t=

(1)

根據(jù)錯(cuò)誤率計(jì)算并更新當(dāng)前組的閾值和半徑的抽樣概率,如公式(2)所示.其中γ∈(0,1)是一個(gè)不變的參數(shù),是更新閾值和半徑對(duì)抽樣概率的衰減系數(shù).Pt+1(j)是更新后第j組閾值和半徑的抽樣概率.從公式(2)分析可得,當(dāng)錯(cuò)誤率越大,將會(huì)減小它在下一輪迭代的抽樣概率.

Pt+1(j)←Pt(j)γ

(2)

在第t輪迭代完成以后,對(duì)閾值和半徑的抽樣概率進(jìn)行歸一化,如公式(3)所示,以確保抽樣概率在(0,1)之間.歸一化的步驟也是為了改變未被選擇閾值和半徑的抽樣概率,其中ZP是歸一化因子.

Pt+1(j)←Pt+1(j)/ZP,ZP=max(Pt+1+0.01)

(3)

當(dāng)錯(cuò)誤率不再發(fā)生明顯變化并且錯(cuò)誤率的值較小時(shí)(通常定義為錯(cuò)誤率小于等于0.01),此時(shí)結(jié)束整個(gè)自適應(yīng)迭代的選擇過程,同時(shí)將此組中的閾值和半徑保存,該值即是最優(yōu)的閾值與半徑,如公式(4)所示:

ft=argmin
ftt=arg

(4)

根據(jù)AdaBoost算法的收斂性可知,在多次迭代以后,分類器的性能會(huì)逐漸改進(jìn),最終達(dá)到最優(yōu).針對(duì)本文算法的收斂性分析,由公式(2)知,γ∈(0,1),表明(2)式是一個(gè)減函數(shù).如果錯(cuò)誤率t越大,則該閾值和半徑在下輪迭代中,其抽樣概率將會(huì)大大減小.如果錯(cuò)誤率t越小,在下一輪的迭代中,其抽樣概率將會(huì)增大.因此在本文算法中,當(dāng)經(jīng)過多次迭代以后,分類器錯(cuò)誤率越小的,說明提取的特征點(diǎn)的精確度越高,其對(duì)應(yīng)的閾值和半徑抽樣概率將會(huì)越趨近于1,算法中的最優(yōu)閾值和半徑最終將會(huì)收斂于錯(cuò)誤率最小的分類器對(duì)應(yīng)的閾值和半徑.圖4描述了AdaBoost_FAST算法的偽代碼過程.

算法1.AdaBoost_FAST算法

INPUT:

訓(xùn)練樣本:(x1,y1),…,(xN,yN)

核函數(shù):k(·,·):X×X→

閾值半徑對(duì):(n1,r1),…,(nT,rT)

初始化訓(xùn)練樣本的分布:D1(i)=1/N,i=1,…,N

初始化FAST算法中的閾值半徑對(duì)的概率分布:Ρ1(j)=0.8,j=1,…,T

FAST算法中參數(shù)抽樣衰減因子:0<γ<1

圖4 算法偽代碼

圖4算法偽代碼中,輸入為相關(guān)數(shù)據(jù)集和參數(shù)的初始化,輸出為最優(yōu)分類器以及最優(yōu)閾值和半徑.算法1的1至9步是進(jìn)行閾值和半徑的最優(yōu)化選擇.其中第2至第3步是根據(jù)樣本的分布抽取n個(gè)樣本,根據(jù)抽樣概率隨機(jī)抽取一組閾值和半徑.第4步根據(jù)已獲得的閾值和半徑對(duì)樣本進(jìn)行特征點(diǎn)提取.5到6步是訓(xùn)練分類器,并且計(jì)算訓(xùn)練錯(cuò)誤率.第7步根據(jù)錯(cuò)誤率更新閾值和半徑的抽樣概率.第8步即對(duì)抽樣概率進(jìn)行歸一化操作.最后,進(jìn)行T輪迭代后,如果滿足錯(cuò)誤率無明顯變化且值小于給定的條件時(shí),則結(jié)束整個(gè)迭代的過程.同時(shí)將此輪迭代中的閾值和半徑保存,該值即為最優(yōu)的閾值和半徑,最終實(shí)現(xiàn)閾值和半徑的自適應(yīng)選譯.

該算法在進(jìn)行最優(yōu)閾值和半徑選擇的過程中,根據(jù)算法1第7步的公式可知,最優(yōu)的分類器所對(duì)應(yīng)的閾值和半徑的抽樣概概率最大.即該組值將會(huì)參加多次迭代,所以重復(fù)閾值和半徑的特征提取僅需操作一次,從而大大的減少了算法的運(yùn)算量.在時(shí)間和空間效率上表現(xiàn)出了優(yōu)越的性能.

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)置

為了驗(yàn)證本文的AdaBoost_FAST算法能否有效地進(jìn)行閾值和半徑的自適應(yīng)選擇,我們?cè)贛NIST數(shù)據(jù)集*http://yann.lecun.com/exdb/mnist/上進(jìn)行了實(shí)驗(yàn)驗(yàn)證,MNIST數(shù)據(jù)集是來自美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究所(NIST),其中訓(xùn)練集(training set)由來自250個(gè)不同人手寫的數(shù)字和字母構(gòu)成,其中50%是高中學(xué)生,50%來自人口普查局的工作人員.測(cè)試集也是同樣比例的手寫數(shù)字和字母.

在算法1中,首先給定閾值和半徑一個(gè)取值范圍,本實(shí)驗(yàn)中,閾值的取值范圍為5～16,半徑取值范圍為1～5,閾值和半徑對(duì)的初始抽樣概率P1(j)都設(shè)定為0.8,訓(xùn)練樣本的初始化分布D1為均勻分布.為了在時(shí)間效率上達(dá)到最優(yōu)效果,我們根據(jù)經(jīng)驗(yàn)將抽樣衰減因子γ初始值設(shè)為2-5.整個(gè)實(shí)驗(yàn)將在Microsoft Windows xp(32位),2.7 GHz Intel CPU,4GB RAM的python3.5.1與opencv 3.0平臺(tái)進(jìn)行,其中SVM將采用libsvm進(jìn)行求解.

4.2 閾值和半徑自適應(yīng)實(shí)驗(yàn)分析

4.2.1 閾值和半徑自適應(yīng)實(shí)驗(yàn)1

本文首先采用了MNIST數(shù)據(jù)集中的12000個(gè)訓(xùn)練樣本.我們將按照字體大小將分成2組,一組為字體形狀較大的(A組),另外一組為字體形狀較小的(B組),由于大小不同的字體對(duì)應(yīng)的最優(yōu)閾值和半徑各不相同,因此分成兩組數(shù)據(jù)能夠有效的驗(yàn)證本文算法的閾值和半徑自適應(yīng)選擇的性能.本文算法自適應(yīng)選擇最優(yōu)閾值和半徑的整個(gè)迭代過程如圖5所示.

圖5 閾值和半徑自適應(yīng)收斂過程

圖5中橫軸表示自適應(yīng)選擇最優(yōu)閾值和半徑過程中的迭代次數(shù),豎軸表示該次迭代經(jīng)過支持向量機(jī)訓(xùn)練所得到的分類器的錯(cuò)誤率.每一次迭代根據(jù)錯(cuò)誤率更新當(dāng)前組閾值和半徑的抽樣概率,當(dāng)?shù)揭欢ù螖?shù)以后,錯(cuò)誤率較高的分類器所對(duì)應(yīng)的閾值和半徑的抽樣概率會(huì)逐漸變小,反之其抽樣概率將會(huì)變大.而錯(cuò)誤率最小的分類器,其對(duì)應(yīng)的閾值和半徑的抽樣概率會(huì)逐漸趨于1.

如圖5中的A組實(shí)驗(yàn)迭代到第13次時(shí),已經(jīng)開始收斂于最優(yōu)值,此時(shí)最優(yōu)的閾值和半徑的抽樣概率已經(jīng)遠(yuǎn)大于其他的閾值和半徑的抽樣概率,并且在后續(xù)迭代過程中分類器的錯(cuò)誤率都保持在一個(gè)較小的值,說明在該組閾值和半徑下提取的特征點(diǎn)精確度高,因此該組閾值和半徑為最優(yōu)值.B組實(shí)驗(yàn)的閾值和半徑的自適應(yīng)選擇過程和A組基本相同,B組在第12次迭代時(shí)已經(jīng)收斂于最優(yōu)閾值和半徑.其中AB兩組實(shí)驗(yàn)1至20次迭代所對(duì)應(yīng)的閾值和半徑以及錯(cuò)誤率如表1所示.AB兩組數(shù)據(jù)所取最優(yōu)閾值和半徑不同是由于A組字體形狀較大,字體內(nèi)部比較空曠,因此所采取的閾值和半徑較大,而B組字體形狀較小,只需要較小的閾值和半徑就能保證提取到關(guān)鍵的特征點(diǎn).綜合兩組數(shù)據(jù),本文算法能夠有效的通過分類器錯(cuò)誤率進(jìn)行閾值和半徑的自適應(yīng)選擇,在選擇的最優(yōu)閾值和半徑下提取的特征點(diǎn)精確度高,不會(huì)出現(xiàn)特征點(diǎn)丟失或者冗余的現(xiàn)象.

表1 AB組實(shí)驗(yàn)自適應(yīng)選擇過程中閾值半徑和錯(cuò)誤率表

4.2.2 閾值和半徑自適應(yīng)實(shí)驗(yàn)2

在4.2.1節(jié)的實(shí)驗(yàn)中,將樣本分為字體大和字體小的兩組,是為了說明閾值和半徑的最優(yōu)值與不同類別的圖像是有關(guān)聯(lián)的.為了進(jìn)一步驗(yàn)證本文算法的自適應(yīng)性,本組實(shí)驗(yàn)將不再按照字符的大小進(jìn)行分組.而是將所有大小不同的手寫體字分為一組,然后進(jìn)行實(shí)驗(yàn).從實(shí)驗(yàn)結(jié)果中,挑選出五組不同大小的字符,其中每一組中的字體大小相近,獲取每一組的最優(yōu)閾值和半徑.得到的結(jié)果如表2所示.表2中,編號(hào)較小的組其字體較小,編號(hào)較大的組其字體較大.從表2的結(jié)果中分析可得,當(dāng)將所有大小不同的樣本混合進(jìn)行實(shí)驗(yàn)時(shí),本文算法同樣能夠根據(jù)圖像字體大小的不同有效地自適應(yīng)選擇最優(yōu)的閾值和半徑.

表2 最優(yōu)閾值半徑和錯(cuò)誤率表

在表2中,在字體較小時(shí),即編號(hào)較小的組中,選擇的是較小的閾值和半徑.在字體較大的組中,根據(jù)FAST算法的原理,其最優(yōu)閾值和半徑應(yīng)該較大.同時(shí)每組在選擇出最優(yōu)閾值和半徑時(shí),分類錯(cuò)誤率也達(dá)到了較小.以上分析說明本文算法能夠有效的自適應(yīng)選擇出最優(yōu)閾值和半徑.

4.3 AdaBoost_FAST與FAST的比較

為了驗(yàn)證本文算法在特征提取精度上的優(yōu)勢(shì),本文在4.2實(shí)驗(yàn)的基礎(chǔ)上,進(jìn)行了兩次特征提取實(shí)驗(yàn).其中圖6中分別給出了FAST算法和AdaBoost_FAST算法提取的部分圖像的特征點(diǎn)分布圖,從圖6(a)中我們能夠發(fā)現(xiàn),當(dāng)A組(字體形狀較大)的圖像與B組(字體形狀較小)的圖像分別采用FAST算法固定的閾值和半徑時(shí),圖6(a)中字體形狀較大的出現(xiàn)了特征點(diǎn)冗余,而字體形狀較小的出現(xiàn)了特征點(diǎn)丟失的情況.而在圖6(b)采用本文算法自適應(yīng)選取最優(yōu)的閾值和半徑時(shí),提取的特征點(diǎn)數(shù)量少,代表性高,特征點(diǎn)提取精度高,沒有出現(xiàn)冗余的特征點(diǎn),同時(shí)也沒有出現(xiàn)特征點(diǎn)丟失的現(xiàn)象.

圖6 部分圖像特征點(diǎn)分布圖

表3中的聚集率是衡量某一區(qū)域中是否有誤檢為特征點(diǎn)的一個(gè)指標(biāo),反應(yīng)了特征點(diǎn)的丟失和冗余程度.假設(shè)M為圖像中提取的總特征點(diǎn)數(shù),Mc為周圍聚集超過3個(gè)特征點(diǎn)的特征點(diǎn)總數(shù),則聚集率可表示為公式(5).當(dāng)c較大時(shí),說明特征點(diǎn)存在冗余,如果c過小,即提取的特征點(diǎn)存在丟失的情況,根據(jù)實(shí)驗(yàn)結(jié)果觀察所得c的值在百分之十左右時(shí)說明特征點(diǎn)的提取精確度高.

(5)

特征點(diǎn)重復(fù)率是表示算法的穩(wěn)定性以及魯棒性,假設(shè)在第一次實(shí)驗(yàn)與第二次實(shí)驗(yàn)中提取的特征點(diǎn)數(shù)分別為M1與M2,在第二次實(shí)驗(yàn)中提取到的特征點(diǎn)中與第一次實(shí)驗(yàn)中提取的特征點(diǎn)相重合的個(gè)數(shù)記為Mr,則特征點(diǎn)重復(fù)率的表達(dá)式如公式(6)所示,通常特征點(diǎn)重復(fù)率越高表示算法的穩(wěn)定性越好.

(6)

表3中分別給出了本文算法以及FAST算法提取特征點(diǎn)的性能分析對(duì)比情況,其中源圖像都相同,分別來自AB兩組不同的十幅圖像.從表3中可知,采用本文算法得到的特征點(diǎn)聚集率適中,提取精確度高,不會(huì)出現(xiàn)特征點(diǎn)丟失以及冗余的情況.而在表3采用FAST算法的實(shí)驗(yàn)中,A組聚集率比采用本文算法的A組高,明顯出現(xiàn)了冗余的特征點(diǎn),而B組的聚集率相比采用本文算法的B組低,說明出現(xiàn)了特征點(diǎn)丟失的情況.采用本文算法的AB兩組數(shù)據(jù)通過兩次實(shí)驗(yàn)得到的特征點(diǎn)重復(fù)率相比FAST算法較高,表明本文算法具有良好的穩(wěn)定性.本文算法在進(jìn)行最優(yōu)閾值和半徑選擇時(shí),會(huì)進(jìn)行迭代計(jì)算,但是時(shí)間效率與FAST算法為同一個(gè)數(shù)量級(jí),能夠保證算法的實(shí)時(shí)性.

表3 AdaBoost_FAST算法與FAST算法特征點(diǎn)提取性能對(duì)比

4.4 參數(shù)選擇實(shí)驗(yàn)

參數(shù)的選擇能夠影響算法在準(zhǔn)確率以及時(shí)間效率方面的性能,本文算法中的參數(shù)包括迭代次數(shù)T,以及抽樣衰減因子γ.為了檢驗(yàn)這些參數(shù)的影響,本文進(jìn)行了一系列實(shí)驗(yàn)來評(píng)估它們?cè)谒惴ㄖ袑?duì)閾值和半徑自適應(yīng)選擇的準(zhǔn)確性和效率性能的影響.將實(shí)驗(yàn)數(shù)據(jù)分成A、B、C三個(gè)組進(jìn)行實(shí)驗(yàn).

如圖7所示,迭代通常進(jìn)行到12-18次時(shí),分類器的錯(cuò)誤率已經(jīng)收斂到較小的值,并且在后續(xù)迭代中能夠保持穩(wěn)定,因此已經(jīng)收斂于最優(yōu)閾值和半徑.

圖7 迭代次數(shù)與錯(cuò)誤率變化

另一方面結(jié)合圖8中的信息,隨著迭代次數(shù)的增加,時(shí)間成本也是成線性增加.綜合經(jīng)驗(yàn)觀察表明,當(dāng)?shù)螖?shù)選擇為20時(shí),閾值和半徑自適應(yīng)選擇的準(zhǔn)確性和效率性能都表現(xiàn)良好.

圖9γ取值與時(shí)間效率的關(guān)系圖中,三組數(shù)據(jù)中γ都取較大值時(shí),時(shí)間增加較快.因?yàn)楫?dāng)γ值較大時(shí),閾值和半徑的抽樣概率衰減幅度會(huì)較小.若要選擇出最優(yōu)的閾值和半徑,迭代次數(shù)會(huì)增多,從而時(shí)間效率成本將會(huì)增大.結(jié)合圖10中的信息,在不同γ的取值所對(duì)應(yīng)的最優(yōu)閾值和半徑以及分類器錯(cuò)誤率關(guān)系中.當(dāng)γ取值大于0.03時(shí),不同γ的取值所對(duì)應(yīng)的分類器錯(cuò)誤率都能夠達(dá)到很小的值,即選擇出的閾值和半徑都為最優(yōu)值.當(dāng)γ的值遠(yuǎn)小于0.03時(shí),閾值和半徑的抽樣概率衰減過大,導(dǎo)致大量閾值和半徑都無法參與迭代過程,因此可能會(huì)錯(cuò)失最優(yōu)值的選擇以致分類器錯(cuò)誤率較高.結(jié)合圖9和圖10的信息,本文根據(jù)經(jīng)驗(yàn)γ的值選擇為2-5.

圖8 迭代次數(shù)與耗時(shí)變化

圖9 gama取值與耗時(shí)關(guān)系

圖10 gama取值與最優(yōu)解的關(guān)系

5 結(jié) 論

本文提出了一種AdaBoost_FAST算法,該算法基于AdaBoost思想,根據(jù)支持向量機(jī)分類器錯(cuò)誤率通過代價(jià)函數(shù)計(jì)算每組閾值和半徑的抽樣概率.經(jīng)過多次迭代以后,最優(yōu)的閾值和半徑的抽樣概率將會(huì)遠(yuǎn)大于其他值的抽樣概率,逐步實(shí)現(xiàn)最優(yōu)閾值和半徑的自適應(yīng)選擇.實(shí)驗(yàn)結(jié)果表明,選取合適的參數(shù)值,該算法能夠有效地進(jìn)行閾值和半徑的自適應(yīng)選擇,從而減少了FAST算法中特征點(diǎn)冗余和丟失的情況,提高了特征點(diǎn)提取精度,同時(shí)能夠保證FAST算法的時(shí)效性,對(duì)于實(shí)時(shí)系統(tǒng)的應(yīng)用具有重要意義.