一种改进的AdaBoost算法——AD AdaBoost

目标检测问题是计算机视觉领域最普遍和关键的问题之一.基于级联结构的AdaBoost算法目前被认为是较有效的检测算法,但是其在低FRR端的性能仍需改进.文章提出了一种针对目标检测问题的改进AdaBoost算法--AD AdaBoost.AD AdaBoost采用了新的参数求解方法,弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关.该算法能够有效地降低分类器在低FRR端的FAR,使其更适用于目标检测问题.新旧算法在复杂背景中文字检测的实验结果对比证实了新算法在性能上的改进.     

基于Haar特征的人脸识别算法

本文采用基于类Haar特征和AdaBoost分类器的算法,用于检测人脸的区域。实验结果表明,该算法具有运行速度快,识别准确率高的特点。     

一种基于新特征的车牌检测方法

车牌检测是车牌识别的关键所在,两种新的区域统计学特征能迅速排除大量的非车牌区域,在此基础上,采用增加了辅助判决的级联分类器来改进AdaBoost算法。实验表明,该算法与基于颜色特征分类器和传统的级联AdaBoost分类器相比,具有较快的检测速度、较高的检测率和较低的误检率。     

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。     

基于支持向量机的AdaBoost人脸检测方法

人脸的检测与识别技术因其巨大的应用价值及市场潜力,引起各方面的关注,已经成为计算机视觉领域的研究热点.介绍了一种基于支持向量机(SVM)的AdaBoost人脸检测方法.与原有的AdaBoost算法相比,AdaBoostSVM算法通过设置核参数σ的最小值,并自适应地调整σ值来解决AdaBoost算法分类器训练中的过学习问题.该方法降低了复杂性,增强了推广性.实验结果证明,对于人脸模型具有较好的检测效果,并且比单纯运用AdaBooet算法具有更高的正确检测率.     

一种新的智能车辆前方障碍物识别方法研究

针对现有AdaBoost-SVM（Support Vector Machine）算法中训练轮数和核函数参数选取困难的问题,以及单一核函数无法兼顾学习能力和泛化能力的缺点,提出一种基于混合核函数的支持向量机分类算法——AdaBoost-MK-SVM,并应用于城区交通干道上前方障碍物的分类识别。该算法将混合核函数作为SVM的核函数,并结合AdaBoost对核参数进行自适应调整,从而得到一组弱分类器,然后将这组弱分类器加权组合得到一个强分类器。实验结果表明,该算法能有效地对城区交通环境下车辆前方障碍物进行分类识别,分类精度高,实时性好,具有一定的优越性。     

抗外点干扰的鲁棒AdaBoost分类器构建方法

根据AdaBoost算法易受外点影响这一缺陷,提出一种利用Ransac算法实现抗外点干扰的鲁棒AdaBoost分类器构建方法。不同于其他AdaBoost算法在分类器构建中单纯使用样本加权或权值控制的手段,该算法将Ransac算法引入AdaBoost分类器模型构建过程中,去除潜在外点,克服现有AdaBoost算法缺陷。同时,借助Ransac算法,从全部AdaBoost分类器中选择最佳分类器模型,消除由外点引起的分类器降级。最后,将该AdaBoost分类器模型用于含有一定量外点的笔迹样本进行验证,实验结果证明了该方法的有效性。     

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...     

基于SVM和AdaBoost的人脸检测算法

论文提出了一种结合SVM和AdaBoost的人脸检测算法。该算法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,并得到置信图。最后通过均值漂移算法找到置信图的峰值,得到人脸区域的新位置。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。     

基于Adaboost的架空输电线路巡线机器人障碍识别

巡线机器人沿电力线行走时必须探测和识别各种障碍物,同时根据障碍类型规划越障行为。文章提出了一种基于Adaboost算法的架空输电线路巡线机器人障碍物识别方法。Adaboost是一个构造准确分类器的学习方法,它把一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器。实验结果证明了该方法的可行性。     

复杂背景下人眼的快速定位

采用基于改进Adaboost算法的级联式人脸和人眼分类器检测人脸和眼睛的候选位置,再用支持向量机（SVM）分类器验证并确定人眼的最佳位置;实现了在复杂背景图像中快速、准确的眼睛定位.与传统的Adaboost算法相比,改进的Adaboost算法构建分类器所需的特征数目大大减少,提高了眼睛定位速度;同时利用人脸几何特征的SVM分类器验证,提高了定位精度.实验结果表明该算法具有很好的精确性和实时性.     

基于Adaboost算法的行人检测

提出一种基于Adaboost算法的行人检测方法。Adaboost是将一组弱分类器通过一定的规则,结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器。实验证明基于此算法的行人检测具有检测率高、速度快的特点,能够达到实时检测的要求。     

一种自适应唇区检测及定位方法

在唇区检测中,应用Haar特征训练Adaboost分类器方法能很好地适应各种背景环境,但是只能得到包含唇部的矩形区域,并不能准确定位嘴唇部分,而常用的唇色分离算法虽然能准确定位唇部,但是对图像的背景环境要求较高。基于此,提出自适应唇色分离方法,该方法是以Haar特征训练Adaboost分类器作为基础,自适应地调整唇色分离的常量参数,从而能够动态地获得唇色与肤色的分布范围,实现准确地获得各类背景图像的唇部区域,很好地提高了唇区检测的精确性和鲁棒性。利用该方法对GENKI数据库中4 000幅图像进行处理,成功地实现唇区检测,并对唇区域边缘图进行曲线拟合来实现定位,实验结果表明在各种复杂背景下,该方法更有效。     

基于Adaboost权值更新以及K-L距离的特征选择算法

对于颜色、纹理变化较大的目标, 边界片段是一种较为稳定的特征. 手工分割样本再提取边界片段的传统做法由于工作量巨大而限制了样本的数目, 不能满足统计学习中大样本训练的要求. 但是如果对训练样本采用自动分割的方法就不可避免地引入很多背景中的噪声. 在这种情况下特征的选择就显得尤为关键. 本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法, 在Adaboost的每一轮训练中动态地选择所有备选边界片段的一个子集作为Adaboost训练的特征集. 选择算法以边界片段在正面样本与负面样本中分布的鉴别信息为依据, 有效地减少了背景中边界片段的干扰. 实验证明该算法是有效的.     

一种Adaboost快速训练算法

为解决基于Adaboost算法的人脸检测训练耗时的问题,提出一种Adaboost快速训练算法。基于原算法,在训练中使用序列化表格选取弱特征,在一轮训练结束后不进行样本权值更新,直接在已选分类器的基础上利用直方图统计的方法进行下一轮训练。实验证明该算法有较高的训练效率。     

基于Adaboost算法的软件缺陷预测模型

将Adaboost算法应用到软件缺陷预测模型中是软件缺陷预测的一种新思路,Adaboost算法原理通过训练多个弱分类器构成一个更强的级联分类器,有效地避免了过拟合问题。通过采用美国国家航空航天局(NASA)的软件缺陷数据库的仿真实验,分别对原始BP神经网络算法和Adaboost算法进行分析对比,其中Adaboost的弱分类器采用神经网络。实验结果表明,Adaboost级联分类器有效地提高了软件缺陷预测模型的预测性能。     

基于Adaboost分类算法的优化研究与应用

针对数据采集过程中的数据分布不平衡的问题,对非平衡数据应用数据挖掘分类算法进行分类。传统的分类器在处理非平衡数据时分类结果往往倾向于样本数目较多的类。但Adaboost算法在处理非平衡数据过程中表现出了优势,主要是对Adaboost算法进行改进和应用,采用级联的Adaboost分类器并结合SVM算法构造出分类效率更高的分类器。最后通过具体数据验证改进后算法的有效性。     

基于Adaboost和CART结合的优化分类算法

提出了一种基于Adaboost算法和CART算法结合的分类算法。以特征为节点生成CART二叉树,用CART二叉树代替传统Adaboost算法中的弱分类器,再由这些弱分类器生成强分类器。将强分类器对数字样本和人脸样本分类,与传统Adaboost算法相比,该方法的错误率分别减少20%和86.5%。将分类器应用于目标检测上,实现了对这两种目标的快速检测和定位。结果表明,改进算法既减小了对样本分类的错误率,又保持了传统Adboost算法对目标检测的快速性。     

基于CUDA的Adaboost算法并行实现

Adaboost算法是一种用于目标检测的有效算法,自2001年应用于人脸检测以来,陆续有各种改进算法提出,旨在提高检测精度和适用范围.然而,训练一个Adaboost分类器仍然是一个很耗时间的过程.目前,CUDA与Adaboost结合的研究主要集中于在已有分类器的基础上加速目标检测的过程,构建实时目标检测系统.本文对Ad...