對(duì)于高維特征空間的分類,Adaboost算法是一種有效的分類算法.然而,如果把Adaboost算法直接運(yùn)用到紅外目標(biāo)的識(shí)別,就會(huì)面臨高噪聲下的Adaboost過擬合問題.采用正則化后的Adaboost算法,即AdaboostKL算法作為分類算法的學(xué)習(xí)模型,以NaiveBayes作為弱學(xué)習(xí)器,提出了基于正則化Adaboost的紅外目標(biāo)識(shí)別算法.正則化的目的是為避免在紅外圖像特征高噪聲下分類器的過擬合,改善了在高噪聲數(shù)據(jù)下目標(biāo)識(shí)別的可靠性.在求取Adaboost的權(quán)重分布時(shí),采用的是熵正則化的方法.通過實(shí)驗(yàn),驗(yàn)證了此算法,則即使面對(duì)高噪聲的紅外數(shù)據(jù),也能獲得較好的識(shí)別效果.