基于改进AdaBoost算法的人脸检测

提出了一种改进的AdaBoost算法,该算法设定漏检一张人脸的代价比误检一张人脸的代价大,然后通过学习使得两类分类错误的代价最小.实验结果表明,此算法能取得更好的学习效果,提高了人脸检测率.     

基于改进AdaBoost的快速人脸检测算法

针对传统AdaBoost用于人脸检测时需要的特征数目多,检测速度慢的问题,提出一种基于改进AdaBoost的快速人脸检测算法。一方面,提出使用双阈值的弱分类器代替传统的单阈值弱分类器,提高单个特征的分类能力;另一方面,引入信息熵作为特征相关度的度量方法,在特征选择时每一轮循环中只选择与已选出特征相关度较低的特征,从而减少特征之间的冗余信息。实验结果表明,相对于传统AdaBoost人脸检测算法,该方法使用较少的特征即可达到较高的检测准确率,检测速度得到显著提高。     

基于混沌遗传算子的人工鱼群算法

为提高人工鱼群算法的计算精度和收敛速度,在全局版人工鱼群算法的基础上,利用混沌遗传算子,增加鱼群迭代的混沌扰动以避免局部极值陷阱的同时较大提高了鱼群整体的优化效果和计算精度,加快了算法收敛速度.仿真结果表明,该算法有效可行.     

基于双混沌映射改进的人工鱼群算法

针对人工鱼群算法(AFSA)易陷入局部最优的问题,提出一种基于双混沌映射的人工鱼群算法(CAFSA)。该方法利用Tent映射的均匀分布性产生混沌初始鱼群,增加搜索的多样性;其次在人工鱼群演化陷入局部最优时,利用局部分布均匀的Logistic映射生成混沌变异算子对其产生扰动,使其跳出局部最优值,向全局最优值靠近。仿真实验表明,改进后的算法比基本人工鱼群算法的全局寻优能力更强,搜索精度更高。     

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。     

基于肤色检测的AdaBoost人脸检测算法改进

AdaBoost人脸检测算法用于嵌入式实时高清视频时检测速度缓慢.为此,提出一种改进的人脸检测算法.对图像做肤色检测,将检测到的区域进行形态学处理,并作为感兴趣区域,完成AdaBoost人脸检测,以得到检测结果.实验结果表明,该算法在嵌入式系统上运行稳定,能提高检测速度和检测正确率.     

基于肤色及AdaBoost算法的改进的人脸检测方法

提出一种结合肤色检测及AdaBoost算法的改进的人脸检测方法。首先利用肤色检测得出可疑的人脸区域,然后由改进的AdaBoost算法检测出人脸并标示,应用于智能监控系统中,并设置报警模块,可将可疑人脸信息记录入视频服务器。实验证明,肤色检测可以检测出复杂背景中的肤色区域,可以减少AdaBoost算法的扫描区域,进而减少检测时间;改进的AdaBoost算法在强分类器训练阶段加入判决函数,提高了人脸检测的准确性。     

基于CMYK-H-CbCr肤色检测和改进型AdaBoost算法的人脸检测

针对复杂背景和高分辨率的人脸检测问题,提出一种多颜色空间下的肤色检测和改进型AdaBoost算法结合的人脸检测方法。首先,为了提高检测速度,采用多颜色空间的肤色检测作为预处理,结合CMYK、HSV、YCbCr三种颜色空间下的肤色阈值分割,得到人脸候选区域;其次,为了克服人脸相似区域容易导致的退化现象,将样本和弱分类器阈值的距离结合到权重更新中,提出一种改进型的AdaBoost算法。实验证明,二者结合后的新方法,在保证检测率的同时,大幅降低了计算复杂度和误检率。     

基于AdaBoost算法的彩色图像人脸检测研究

在彩色图像中,不同的颜色所对应的灰度值可能相同,因此在灰度图像中检测不到的信息可能在彩色图像中被检测到。本文提出一种彩色积分图概念,在AdaBoost算法的分类器训练过程中分别得到彩色图像的人脸信息,并在分类器的后五层使用融合彩色信息的分类器分类。实验表明,本文方法增强了分类器的分类能力,提高了系统的正确检测率,降低了错误报警率。     

基于肤色和AdaBoost算法的人脸检测

本文介绍了一种将肤色信息和AdaBoost算法相结合的人脸检测方法。先用肤色分割法排除掉非肤色区域的干扰,然后用AdaBoost算法训练的分类器对肤色区域进行检测,该方法在保证检测率的同时,大大减少了目标区域的误检率,提高了人脸检测准确率。     

一种改进的AdaBoost人脸检测算法

针对传统AdaBoost算法存在的所需样本数量大、训练时间长、分类器检测费时的问题,提出一种快速样本选择和分类器优化算法.首先,提出一个基于SVM的训练样本选择算法,来提高样本的有效率;其次,提出一种将多个分类器组合成一个新的分类器的算法,减少了分类器的总数,且新生成的分类器比原有多个分类器分类能力更强,提高了检测性能.实验结果表明,算法能够用更少的样本与时间达到与传统方法相同的性能.     

AdaBoost算法在人脸检测中的应用

AdaBoost方法是目前较流行的一种图像检测方法,它是基于统计模型的检测方法。针对目前一些人脸检测方法误检率高、检测速度慢的问题,详细介绍AdaBoost算法的基本原理,并应用OpenCV程序的开发,实现检测速度快、检测率和鲁棒性高的人脸检测。     

AdaBoost算法在人脸检测中的应用

人脸是一种常见而且较为复杂的视觉模式,其包含的视觉信息在日常生活中有多重意义.与指纹、虹膜不同,人脸是完全开放的信息源,能够在不需要行为配合的情况下采集到数据信息,是一种重要的非侵入式生物特征.人脸检测是指在输入静态图像或视频序列中通过一定策略确定所有人脸(若存在人脸)的位置、大小和姿态的过程.本文主要讨论人脸检测的常用方法,基于AdaBoost算法的分类器在单幅静态图像人脸检测中的应用.     

AdaBoost算法在人脸检测中的应用

AdaBoost方法是目前较流行的一种图像检测方法．它是基于统计模型的检测方法。针对目前一些人脸检测方法误检率高、检测速度慢的问题,详细介绍AdaBoost算法的基本原理,并应用OpenCV程序的开发．实现检测速度快、检测率和鲁棒性高的人脸检测。     

基于肤色和AdaBoost算法的彩色人脸图像检测

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

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.     

基于AdaBoost算法和Cascade算法的人脸检测系统的实现

文章从AdaBoost算法入手,利用AdaBoost学习训练算法和Cascade算法的检测构架设计了一个人脸检测系统,检测结果表明。该系统具有良好的检测速度和较强的实时性。     

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。     

一种混沌人工鱼群优化算法

人工鱼群算法是一种群智能全局随机优化算法,存在陷入局部极值和效率低的不足,结合混沌搜索的特点,提出一种混沌人工鱼群优化算法,该算法是用混沌初始化来初始化鱼群,在聚群和追尾行为后进行混沌的遍历性和随机性扰动来使鱼群局部搜索同时摆脱局部极值点。仿真实验结果表明,该算法比基本人工鱼群算法全局能力更强,搜索效率更高。