基于改进AdaBoost算法的人脸检测

研究人脸识别实现自动化检测,针对实时定位准确识别人脸,采用传统AdaBoost算法构建人脸检测器时存在的过拟合现象和特征冗余缺欠,提出一种自适应样本权重更新规则和遗传算法的改进AdaBoost人脸检测方法.可把正负样本错分率引入样本权重更新过程,将分类效果反馈给分类器,实现对分类器结构的有效控制.用遗传算法进一步优化所选特征及其参数,达到使用较少的弱分类器实现高检出率和低误判率的双重要求.仿真结果表明,与传统AdaBoost算法相比,采用文中算法训练人脸检测器可有效避免样本权重扭曲现象,消除分类器冗余,在保证较高检出率的同时降低误检率,使人脸检测更加快速和精确.     

一种复杂背景下的人脸检测方法

针对在复杂背景下现有人脸检测算法存在检测率低和误检率高等问题,提出了一种基于改进AdaBoost算法和肤色校验相结合的彩色图像人脸检测方法.首先对传统AdaBoost算法进行了改进,通过改进样本权值参数和弱分类器加权参数,有效地抑制了困难样本权值的过分增大,加强了分类器对样本的识别能力,并提高了系统的检测率;然后将Ad...     

一种改进AdaBoost算法的车牌检测方法

针对传统AdaBoost算法的不足,分析了分类器训练耗时和训练过程中容易出现样本权重扭曲的问题,并提出了解决这一问题的有效方法。新方法主要对特征值和排序结果进行缓存以及对样本权重的更新规则进行适当调整。实验结果表明,使用该方法训练级联车牌检测器能较好地解决传统AdaBoost算法中所出现的权重扭曲及训练时间长的问题,在提高检测率的同时训练时间缩短了50%左右。     

一种基于改进样本选取的快速人脸检测方法

AdaBoost算法效果的好坏关键在于前期训练时候的弱分类器的选取,而弱分类器的选取在一定程度上依赖于样本集的选取。因而训练样本集显得十分重要。深入分析了cascade分类器与弱分类器之间的关系,从样本选取角度出发,根据检测率、漏检率与错检率三个指标,改进样本选取,提出一种快速人脸检测方法,该方法分为训练和检测两部分,主要通过对训练样本的比例优化和检测窗口的合并来实现。实验结果表明,该方法检测性能上比传统方法有更好的检测效果。     

基于级联结构AdaBoost的入侵检测算法

根据级联结构的特征,针对入侵检测问题改进AdaBoost算法。改进的AdaBoost算法对参数求解方法、初始权值和判决阈值都进行调整,使弱分类器的加权参数不但与错误率有关,还与其对异常样本的识别能力有关。该算法能够有效地降低分类器的误警率,使其更适用于入侵检测,仿真实验证明了该算法的有效性。     

基于AdaBoost的肤色检测新方法

本文针对肤色检测问题,提出了一种利用AdaBoost方法构造分类器进行肤色检测的算法。根据肤色在色度空间内的聚类性,通过大量肤色和非肤色样本将一族弱学习算法通过一定规则训练成一个强学习算法,得到一个检测性能优异的肤色检测分类器。提出了用圆形分类器作为弱分类器描述色度空间中的肤色分布,将AdaBoost学习算法用于肤色的聚类分析中。实验表明,该方法误检率低、鲁棒性好,对肤色检测问题有较强的实用性。     

人脸检测级联分类器快速训练算法

目前AdaBoost训练算法已被广泛地应用于人脸检测中级联分类器的构建,而AdaBoost算法训练级联分类器的周期却十分漫长.为了减少训练时间,文中提出了一种基于AdaBoost的改进训练算法.该算法通过对弱分类器的阈值选择进行一趟处理来降低运算时间复杂度,并根据AdaBoost训练迭代中只改变样本权值而不更新样本的特点对特征值和排序结果进行缓存来提高训练算法的性能.实验结果表明,该算法大幅提高了人脸检测分类器训练系统的性能,使得分类器的训练时间缩短了60多倍.由于AdaBoost算法的通用性,该改进算法不仅适用于人脸检测,也适合所有进行权值更新迭代训练的Boosting算法.     

基于SVM和AdaBoost的人脸检测算法

提出了一种结合SVM和AdaBoost的人脸检测算法。该算法首先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机（SVM）,然后通过AdaBoost算法把这些训练好的分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。     

人脸检测算法的改进与仿真研究

研究提高人脸检测算法准确率问题,针对传统AdaBoost算法在人脸检测训练过程中出现的退化现象和识别率低的问题,提出了一种改进的AdaBoost人脸检测方法.在传统AdaBoost算法的基础上,通过假阳性对样本的权值进行动态更新,调节因子对调节权值进行修正防止其过分增大,通过判决阈值改善分类器识别能力.在CMU+MIT...     

一种改进的AdaBoost算法在人脸检测系统中的应用

针对复杂背景条件下人脸检测的检测率低、速度慢的问题,提出了一种改进的AdaBoost算法,与遗传算法相结合,产生了一种识别率高、泛化能力好的强分类器,文中称之为GA-AdaBoost算法。该算法首先训练多个支持向量机作为弱分类器,然后用AdaBoost算法将多个弱分类器组合成一个强分类器,在组合的同时采用遗传算法对各弱分类器的权值进行全局寻优。最后,通过试验与传统AdaBoost进行对比,表明了该算法具有识别率高和速度快的优越性。     

多阈值划分的连续AdaBoost人脸检测

连续AdaBoost算法要求对样本空间进行划分,传统的等距划分无法体现正负样本各自的分布规律.对基于连续AdaBoost算法的人脸检测方法进行了改进,结合离散AdaBoost中弱分类器的阈值选取策略,通过多重最优阈值选择方法实现了样本空间的合理划分.在MIT-CBCL数据库上的实验结果表明,改进后的方法比等距划分和连续AdaBoost算法检测率提高0.5%和2%,错误率降低0.15%和0.27%,算法收敛速度更快.     

基于基分类器系数和多样性的改进AdaBoost算法

针对传统AdaBoost算法的基分类器线性组合效率低以及过适应的问题,提出了一种基于基分类器系数与多样性的改进算法——WD AdaBoost。首先,根据基分类器的错误率与样本权重的分布状态,给出新的基分类器系数求解方法,以提高基分类器的组合效率;其次,在基分类器的选择策略上,WD AdaBoost算法引入双误度量以增加基分类器间的多样性。在五个来自不同实际应用领域的数据集上,与传统AdaBoost算法相比,CeffAda算法使用新的基分类器系数求解方法使测试误差平均降低了1.2个百分点;同时,WD AdaBoost算法与WLDF_Ada、AD_Ada、sk_AdaBoost等算法相对比,具有更低的错误率。实验结果表明,WD AdaBoost算法能够更高效地集成基分类器,抵抗过拟合,并可以提高分类性能。     

基于GAN-AdaBoost-DT不平衡分类算法的信用卡欺诈分类

针对传统单个分类器在不平衡数据上分类效果有限的问题，基于对抗生成网络（GAN）和集成学习方法，提出一种新的针对二类不平衡数据集的分类方法——对抗生成网络-自适应增强-决策树（GAN-AdaBoost-DT）算法。首先，利用GAN训练得到生成模型，生成模型生成少数类样本，降低数据的不平衡性；其次，将生成的少数类样本代入自适应增强（AdaBoost）模型框架，更改权重，改进AdaBoost模型，提升以决策树（DT）为基分类器的AdaBoost模型的分类性能。使用受测者工作特征曲线下面积（AUC）作为分类评价指标，在信用卡诈骗数据集上的实验分析表明，该算法与合成少数类样本集成学习相比，准确率提高了4.5%，受测者工作特征曲线下面积提高了6.5%；对比改进的合成少数类样本集成学习，准确率提高了4.9%，AUC值提高了5.9%；对比随机欠采样集成学习，准确率提高了4.5%，受测者工作特征曲线下面积提高了5.4%。在UCI和KEEL的其他数据集上的实验结果表明，该算法在不平衡二分类问题上能提高总体的准确率，优化分类器性能。     

基于相关性的AdaBoost人脸检测算法

为提高传统AdaBoost算法的集成性能,降低算法复杂度,提出2种基于分类器相关性的AdaBoost算法。在弱分类器的训练过程中,加入Q统计量进行判定。每个弱分类器的权重更新不仅与当前分类器有关,而且需要考虑到前面的若干分类器,以有效降低弱分类器间的相似性,剔除相似特征。仿真结果表明,该算法具有更好的检测率,同时可降低误检率,改进分类器的整体性能。     

基于AdaBoost算法的故障诊断仿真研究

AdaBoost算法是提高预测学习系统预测能力的有效工具。提出一种基于AdaBoost算法的神经网络故障诊断方法,利用多层前向神经网络作为故障弱分类器,实现了对多类故障的诊断。为了克服AdaBoost对数据噪声比较敏感的不足,通过降低错分样本的权重改进了算法。针对一个涡轮喷气发动机气路部件故障的仿真实验表明,这种方法提高了最终故障分类器的泛化能力,改善了其噪声鲁棒性,便于工程应用。     

基于AdaBoost与GABP的模拟电路软故障诊断方法

针对容差模拟电路软故障诊断精度较低的问题,提出了一种基于AdaBoost与GABP的组合分类器诊断方法;首先,在Pspice中对故障模式进行Monte-Carlo分析,并利用波形有效点提取法提取故障特征,在此基础上,做归一化处理构建神经网络的原始样本;其次,利用GA算法与L-M算法组合优化BP网络构建GABP分类器;最后,利用AdaBoost算法对GABP单分类器进行迭代提升,构建AdaBoost-GABP组合分类器;诊断实例的结果表明,该方法比传统的单分类器诊断方法具有更高的诊断精度、更低的绝对误差,能够克服单分类器容易陷入局部最优,诊断结论不可信的缺陷。     

基于样本噪声检测的AdaBoost算法改进

针对传统的AdaBoost算法中,存在的噪声样本造成的过拟合问题,提出了一种基于噪声检测的AdaBoost改进算法,本文称为NAdaBoost（nois-detection AdaBoost）. NAdaBoost算法创新点在于针对传统的AdaBoost算法在错误分类的样本中,噪声样本在某些属性上存在很大差异,根据这一特性来确定噪声样本,再重新使用算法对两类样本进行分类,最终达到提高分类准确率的目的. 本文对二分类问题进行实验结果表明,本文提出的算法和传统的AdaBoost算法,以及相关改进的算法相比,有较高的分类准确率.