丁 雍，李小霞

(西南科技大学 信息工程学院 模式识别与图像处理实验室，四川 绵阳 621010)

数据挖掘是从大量的数据中提取出隐含有用信息的过程[1]。分类是数据挖掘的一种重要形式，在分类算法中，Adaboost算法和 CART(Classification and Regression Tree)算法在对数据的分类中都有着重要的作用。Adaboost算法是一种迭代算法，其核心思想是针对同一个分类集训练不同的弱分类器，然后把这些弱分类器结合起来形成一个强分类器进而实现对数据分类，其分类速度快、精度高。2001年，由VIOLA P和JONES M将该算法应用于人脸定位[2]，算法开始得到快速的发展。此后，LIENHART R和MAYDT J又用此算法成功实现了对不同方位人脸的检测[3]。决策树算法最早是由HUNT等人于1966年提出的CLS(Concept Learning System)。当前，最有影响的决策树算法是QUINLAN于1986年提出的ID3和1993年提出的C4.5。CART算法是基于以上两种方法的改进算法，它采用一种二分递归分割的技术，将当前的样本集分为两个子样本集，使得生成的决策树的每个非叶子节点都有两个分支。因此，CART算法生成的决策树是结构简洁的二叉树[4]，比ID3和C4.5算法具有更好的抗噪声性能。

本算法是基于以上两种算法的改进算法，在算法的训练过程中，用CART算法生成的二叉树代替传统Adaboost算法中的弱分类器，然后级联成最终的强分类器，最后通过以实验验证了该算法的可靠性。实验分别以数字图像和人脸图像为样本，训练生成分类器，再分别对若干张测试样本分类并计算出分类误差及误差减小率。在目标检测的实验上，比较了改进算法和传统Adaboost算法的优越性，两种算法都能完全检测到目标，且耗时相当。……