摘要: 针对双阈值型AdaBoost分类器存在搜索弱分类器过程复杂和训练耗时长的问题,结合遗传算法的思想,提出了一种基于遗传寻优的双阈值型AdaBoost分类器。该方法通过对特征和两个阈值的编码来寻找弱分类器,利用遗传算法的全局寻优性,能够快速寻找到最佳弱分类器,减少训练时间。另外,在此基础上提出设置两阈值之间最小间距的方法,增强其抗干扰能力,具有更好的鲁棒性。为验证实验效果,对MIT-CBCL人脸库提取局部二值模式(Local Binary Pattern,LBP)特征进行验证。实验结果显示,改进后的双阈值型AdaBoost分类器比经典AdaBoost分类器在训练时间上提升了5倍,比双阈值型AdaBoost分类器提升了18倍,具有更快的收敛速度。与此同时,因为增加了两阈值之间的最小间距,改进后的算法具有更强的抗噪性能。