一种改进的AdaBoost检测算法

针对传统AdaBoost算法在人脸图片训练过程中可能会出现退化现象和训练目标类权重分布过适应的问题,提出一种基于调整正负误差比和设定阈值的改进AdaBoost算法。该算法首先把设定的阈值和当前分类错误样本的权值比较来更新样本的权值,其次通过调整正误差和负误差之间的偏重关系来控制训练样本的偏重。经过实验表明,不同人脸图像库和不同正负样本比不影响该算法的有效性,在LFW非受限人脸图像库正负样本比例为1:1情况下,检测率为86.7%,高于传统AdaBoost算法;弱分类器数目为116,比传统AdaBoost算法多15个。实验结果可以看出所提算法抑制了退化和训练目标类权重过适应现象,有效地提高了人脸图片检测率。     

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.     

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。     

聚合支持向量机分类器的行人检测方法

针对支持向量机分类器的行人检测方法采用欠采样方法,存在正负行人比例不平衡造成的准确率不高问题,结合欠采样和EasyEnsemble方法,提出一种聚合支持向量机（Ensemble SVM）分类器的行人检测方法。随机选择负样本作为初始训练样本,并将其划分为与正样本集均衡的多个子负样本集,构建平衡子训练集,线性组合成EasyEnsemble SVM分类器;利用该分类器对负样本进行分类判断,将误判样本作为难例样本,重新划分构建新的平衡子训练集,训练子分类器,结合EasyEnsemble SVM分类器,得到Ensemble SVM分类器行人检测方法。在INRIA行人数据集上的实验表明,该方法在检测速度和检测率上都优于经典的SVM行人检测算法。     

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。     

Adaboost算法在图像型火灾探测中的应用研究

图像型火灾探测实际上是不平衡数据的二分类问题,现有方法在处理不平衡数据分类问题时常常会引入新的噪声点或丢掉很重要的信息,算法稳定性较差。根据Adaboost对样本分配不同权重的优势,和SVM在平衡数据条件下较好的分类性能,将Adaboost算法和支持向量机(SVM)相结合,提出Adaboost-SVM算法。把火焰疑似区域的特征值作为SVM分类器的输入参数,利用Adaboost算法重点标记错分样本,并对样本的权重设定阈值,采用一定的准则对少数样本进行再构造使正负样本达到平衡。最后在训练数据的同时,通过投票机制输出最终分类结果。实验结果表明,该算法提高了火灾在正负样本分布不平衡时的分类性能。     

基于正交投影的分类器算法

提出了一种新颖的基于正交投影的分类器算法。该算法将测试样本正交投影到由各类训练样本生成的子空间中,并计算测试样本到各子空间的距离,以此作为分类的依据。该算法不需要计算样本协方差矩阵的逆阵,因此特别适合于小样本问题。在ORL人脸库上的实验结果表明,该算法的模式识别率高于传统分类器方法。     

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。     

基于优化判别模型的蛋白质分类方法*

在远同源检测的蛋白质分类方法中,基于判别模型的分类器相对于其他方法取得了最高的准确性,但这类方法都面临训练建模时因正类样本不足导致的训练不平衡问题。为此提出一种基于优化判别模型的蛋白质分类方法,通过对正负样本设置不同的惩罚系数,平衡分类器正负训练集的权重,进一步提高基于判别模型的分类器性能。比对实验表明,基于优化判别模型的方法取得了更高的准确性,并且通过参数优化,该方法可以提高所有基于判别模型的分类器性能。     

基于视频监控的人脸检测跟踪识别系统研究

设计了一种基于视频监控的人脸检测跟踪识别系统,该系统的功能是检测并实时跟踪视频中的人脸图像,同时进行身份识别。针对Gentle AdaBoost算法构造的级联分类器检测效率偏低的问题,提出了一种递进复杂度的级联分类器。针对传统粒子滤波器最高权重粒子不准确的问题,提出了均值权重粒子滤波器。针对传统粒子滤波器样本衰退的问题,提出了一种同时结合人脸检测和人脸跟踪算法的跟踪校正策略。对于检测和跟踪到的人脸,利用基于Gabor变换和HMM的方法进行身份识别。实验结果表明,系统能够准确地检测并实时跟踪视频中的人脸,可以实现人脸的快速识别,是一种能够应用到视频监控系统中的有效方法。     

基于改进的AdaBoost算法的人脸检测与定位

针对传统AdaBoost算法在训练过程中出现的退化现象和检测率低的问题,提出了一种有效的解决方法。该方法在传统AdaBoost算法的基础上,对样本的权值参数和弱分类器的加权参数加以改进,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。实验证明:使用该方法训练的级联人脸检测器具有良好的性能。     

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

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算法的人脸检测实现

人脸检测是指把人脸从一幅静止的图像或者动态视频中检测出来,并且指出人脸在图像或视频中的大小和位置。目前存在着大量的人脸检测算法,其中Adaboost算法是比较实用的人脸检测算法。Adaboost算法中人脸的特征采用的是矩形特征,在大量的样本集中,提取样本的矩形特征进行训练,生成多个弱分类器,然后合并多个弱分类器形成一个强分类器,最后级联强分类器形成最终的分类器,以此作为人脸检测的依据。文章先介绍了人脸检测技术,采用Adaboost算法生成人脸分类器,最后利用OpenCV来实现人脸检测。     

基于聚类欠采样的极端学习机

针对极端学习机算法对不平衡数据分类问题的处理效果不够理想,提出了一种基于聚类欠采样的极端学习机算法。新算法首先对训练集的负类样本进行聚类生成不同的簇,然后在各簇中按规定的采样率对其进行欠采样,取出的样本组成新的负类数据集,从而使训练集正负类数据个数达到相对平衡,最后训练分类器对测试集进行测试。实验结果表明,新算法有效地降低了数据的不平衡对分类准确率的影响,具有更好的分类性能。     

基于模板匹配与支持矢量机的人脸检测

人脸检测是人脸识别与基于内容的图像及视频检索的一项重要任务。由于非人脸样本相对于人脸样本的多样性和复杂性，使得人脸模式分类器的训练十分困难。该文提出了一种将模板匹配与支持矢量机（SVM）相结合的人脸检测算法。算法首先使用双眼－人脸模板对进行粗筛选，然后使用SVM分类器进行分类。在模板匹配限定的子空间内采用“自举”方法收集“非人脸”样本训练SVM，有效地降低了训练的难度，实验结果的对比数据表明，该算法是十分有效的。     

基于MTS-AdaBoost的不平衡数据分类研究*

不平衡数据在实际应用中广泛存在,而传统的分类算法大多假定类分布平衡,因此解决不平衡数据的分类问题已经成为数据挖掘的瓶颈问题之一。马田系统（MTS）是一种多元模式识别方法,将其与AdaBoost集成算法相结合,形成MTS-AdaBoost算法。该算法以MTS为基分类器,根据上一个基分类器的预测结果,自行调整下一个基分类器中样本被抽中的概率,以此来改变不同类数据的平衡度。最后,利用该算法对2010-2015年间上市公司的财务危机预警进行实证研究,结果表明,MTS-AdaBoost算法在系统降维和分类效果上都优于传统MTS,也优于其他常用的单一分类器。     

基于Bagging-SVM的Android恶意软件检测模型

针对Android恶意软件检测中数据不平衡导致检出率低的问题,提出一种基于Bagging-SVM（支持向量机）集成算法的Android恶意软件检测模型。首先,提取AndroidManifest.xml文件中的权限信息、意图信息和组件信息作为特征;然后,提出IG-ReliefF混合筛选算法用于数据集降维,采用bootstrap抽样构造多个平衡数据集;最后,采用平衡数据集训练基于Bagging算法的SVM集成分类器,通过该分类器完成Android恶意软件检测。在分类检测实验中,当良性样本和恶意样本数量平衡时,Bagging-SVM和随机森林算法检出率均高达99.4%;当良性样本和恶意样本的数量比为4：1时,相比随机森林和AdaBoost算法,Bagging-SVM算法在检测精度不降低的条件下,检出率提高了6.6%。实验结果表明所提模型在数据不平衡时仍具有较高的检出率和分类精度,可检测出绝大多数恶意软件。     

Haar-like特征双阈值Adaboost人脸检测

目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT（Massachusetts Institute of Technology）标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL（Olivetti Research Laboratory）、FERET（face recognition technology）以及CMU Multi-PIE（the CMU Multi-PIE face database）这3种标准人脸库中,分别与SVM（support vector machine）、DL（deep learning）、CNN（convolutional neural networks）以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处（如球场等地）对多人脸同时检测的实际需求。     

一种用于不平衡数据分类的改进AdaBoost算法

真实世界中存在大量的类别不平衡分类问题,传统的机器学习算法如AdaBoost算法,关注的是分类器的整体性能,而没有给予小类更多的关注。因此针对类别不平衡学习算法的研究是机器学习的一个重要方向。AsymBoost作为AdaBoost的一种改进算法,用于类别不平衡学习时,牺牲大类样本的识别精度来提高小类样本的分类性能。AsymBoost算法依然可能遭遇样本权重过大造成的过适应问题。据此提出了一种新型的AdaBoost改进算法。该方法通过对大类中分类困难样本的权重和标签进行处理,使分类器能够同时获得较好的查准率和查全率。实验结果表明,该方法可以有效提高在不平衡数据集上的分类性能。