摘要：針對AdaBoost算法通過最小化訓(xùn)練錯誤率來選擇弱分類器造成的精度不佳問題以及單閾值作為弱分類器訓(xùn)練過程較慢難以收斂問題,提出了一種基于擬合型弱分類器的Ada Boost算法。首先針對每個特征,在特征值與標(biāo)記值之間建立映射關(guān)系,引入最小二乘法求解擬合多項(xiàng)式函數(shù),并轉(zhuǎn)換成離散分類值,從而獲得弱分類器。其次從獲得的眾多弱分類器中,選擇分類誤差最小的弱分類器作為本輪迭代的最佳弱分類器,構(gòu)成新的Ada Boost強(qiáng)分類器。與傳統(tǒng)訓(xùn)練算法相比,極大地減少了待選弱分類器的個數(shù)。選取UCI數(shù)據(jù)集和MIT人臉圖像數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)驗(yàn)證,相較于傳統(tǒng)Discrete-AdaBoost算法,改進(jìn)算法的訓(xùn)練速度提升了一個數(shù)量級,人臉檢測率可達(dá)96.59%。