人耳识别系统中的定位点选择及检测算法的设计

本文提出了一种新的可应用于人耳识别系统的人耳轮廓定位方法,即利用耳轮脚和耳垂脚两个端点进行定位,在此基础上提出了一种基于轮廓方向的定位点检测算法,并在实验中取得了良好的效果．     

基于特征优化与深层次融合的目标检测算法

针对单阶段多边框检测算法(SSD)存在对小目标检测误差较大的问题,提出基于特征优化与深层次融合的目标检测算法,通过空间通道特征增强(SCFE)模块和深层次特征金字塔网络(DFPN)改进SSD. SCFE模块基于局部空间特征增强和全局通道特征增强机制优化特征层,注重特征层的细节信息;DFPN基于残差空间通道增强模块改进特征金字塔网络,使不同尺度特征层进行深层次特征融合,提升目标检测精度.在训练阶段添加样本加权训练策略,使网络注重训练定位良好的样本和置信度高的样本.实验结果表明,在PASCAL VOC数据集上,所提算法在保证速度的同时检测精度由SSD的77.2%提升至79.7%;在COCO数据集上,所提算法的检测精度由SSD的25.6%提升至30.1%,对小目标的检测精度由SSD的6.8%提升至13.3%.     

彩色图像中的人脸检测方法

综合了肤色检测、眼睛定位和支持向量机人脸验证方法,实现了彩色图像中的人脸检测.提出了一种基于区域的皮肤检测算法.将像素局部特征引入模糊C均值法,用其分割图像,根据肤色像素的数量判断分割区域是否为肤色区域.在肤色区域中利用眼睛的亮度图和色度图定位人脸样本,最后利用训练好的支持向量机预测人脸样本是否为人脸.     

结合主动学习和半监督学习的网络入侵检测算法

为提高网络入侵检测的分类效率,提出一种结合主动学习和半监督学习的入侵检测算法。结合入侵检测实际,对主动学习算法进行简化,用有标记样本训练生成2个分类器,实现对未标记样本的预测;将2个分类器预测不一致的未标记样本作为信息量丰富的样本,使用半监督学习算法进行标记;最后, 把新增加的新标记样本添加到主动学习和半监督学习的训练集中,训练各自分类器, 反复迭代直到未标记样本集为空, 并用最新的有标记样本集训练形成最终的分类器。使用KDD CUP 99数据集进行入侵检测实验,其结果表明,与SVM方法相比,其分类率提高了4.3%,且较好地缩减了问题规模。       

彩色图像中的人脸检测方法

综合了肤色检测、眼睛定位和支持向量机人脸验证方法,实现了彩色图像中的人脸检测.提出了一种基于区域的皮肤检测算法.将像素局部特征引入模糊C均值法,用其分割图像,根据肤色像素的数量判断分割区域是否为肤色区域.在肤色区域中利用眼睛的亮度图和色度图定位人脸样本,最后利用训练好的支持向量机预测人脸样本是否为人脸.     

基于伪样本正则化Faster R-CNN的交通标志检测

针对交通标志检测算法往往仅能对特定类标志检测或基于深度学习方法因训练样本少而造成"过拟合"高风险等问题,本文提出了一种基于伪样本正则化Faster R-CNN深度学习的标志检测算法。该算法首先通过训练数据集提供的标志和无标注的背景样本,提出了一种伪样本正则化策略。然后,通过深度学习模型中区域建议生成网络获取建议区域。最后,利用交替训练策略、共享CNN策略和联合训练策略、RPN网络和Fast R-CNN目标检测网络交替训练和联合训练,最终获取Faster R-CNN交通标志检测模型,实现了各类标志的检测,并有效降低了"过拟合"风险。实验结果验证了本文算法的有效性。     

入侵检测中的多分类SVM增量学习算法

通过分析入侵检测样本的分布特点,提出了一种多分类SVM增量学习算法.该算法通过衡量同类样本点和样本中心之间的距离来确定用于训练的支持向量,以选择对分类贡献较大的边缘向量进行训练,通过求解多个超平面的方法划分出不同类别样本的区域,实现了多分类的增量学习.在保证检测率的同时,减少了样本学习数量.利用KDDCUP99标准数据集进行测试,证明该算法可以大幅度降低训练的时间和空间复杂度.     

基于有效异常样本构造的视频异常检测算法

为改善大多数异常检测算法仅通过正常样本训练模型,缺乏异常样本,将会造成一定程度的误判问题,提出了一种基于有效异常样本构造的异常检测算法。通过K-means聚类算法得到代表不同类型正常事件的聚类簇,然后,基于异常事件的时序关系构造异常样本,再结合本文构造的异常样本,利用二分类支持向量机算法训练分类器,将检测任务转化为分类任务,从而提高检测准确率。本文在经典数据集(Avenue数据集)上进行了算法有效性验证,发现本文算法的检测准确度优于一些领域内的先进算法。因此,充分利用视频的时序关系进行异常样本的构造能有效提高异常检测的有效性。     

基于Co-training方法的车辆鲁棒检测算法

针对复杂交通场景车辆检测算法自适应能力差的问题,提出了基于Co-training半监督学习方法的车辆鲁棒检测算法.首先,针对手工标记的少量样本,分别训练基于Haar-like特征的AdaBoost分类器和基于HOG(histograms of oriented gradients)特征的SVM(support vector machines)分类器,使其具有一定的识别能力;然后,基于Co-training半监督学习框架,将利用2种算法进行分类得到的新样本分别加入到对方的样本库中,增加训练样本数量,再次进行分类器的训练.由于这2类特征具有冗余性,各自检测出的正负样本包含对方漏检和误检的图像.由于样本数的增加,再次训练所得到的新分类器的鲁棒性得到了很大提高,能更加准确地检测出车辆,而且由算法对未标记样本进行分类标记,不再需要人为标记,提高了车辆检测算法的自适应能力.     

一种改进的行人检测方法

针对AdaBoost（Adaptive Boosting）算法耗时长,检测精度低的问题,提出一种将支持向量机（Support Vector Machine,SVM）与AdaBoost算法相结合的方法,采用多尺度（Histogram of Oriented Gradient,HOG）特征描述行人不同尺寸区域的特点,在样本权重更新过程中引入非行人样本的误检率,训练了一个级联结构的行人分类器.结果表明：选择特征数目为5个时,改进后的AdaBoost算法检测率和计算时间分别为99.8%和577.66s.在INRIA行人数据库上训练了一个六层结构级联分类器,使用特征数目为46个时,检测率达到96.74%,而误检率仅有3.26‰.     

MFC下利用OpenCV进行人脸检测的研究与实现

为了实现对人脸检测的目的,本文采用基于MFC框架下使用OpenCV视觉库的方法．文章重点分析了一种人脸检测中使用的特征分类算法：Adaboost算法．文中阐述了该算法的原理,图文并茂地展示了如何在实际中利用人脸库结合Adaboost算法来训练分类器,并生成XML文件．在VC6．0下,搭建了人脸检测的界面,利用OpenCV的函数调用训练所生成的XML文件,实现了在本地选择图片并对其进行人脸检测的功能．此外,系统还支持读取本地AVI格式视频和从摄像头捕捉到的视频,可手动截取一帧图片进行人脸检测．实验结果表明该设计方案具有较高的准确性和稳定性,基本达到预期的效果．     

复杂背景的人脸检测方法

由于原始的Adaboost方法在复杂图片上检测人脸效果不够理想,所以提出了一种能够处理复杂背景图片的人脸检测方法,即基于肤色的Adaboost检测方法。该方法具有肤色分割的检测率高、适应性强和AdaBoost算法检测速度快等优点。首先,通过人脸肤色的统计特征对图像进行肤色分割,得到候选人脸区域;然后使用经过训练的AdaBoost算法级联分类器对候选人脸区域进行检测,最终得到精确定位的人脸。经过实丐令证明,基于肤色分割的Adaboost人脸检测方法比原始的Adaboost方法在鲁棒性上有了很大提高。     

基于特征剪裁的AdaBoost算法及在人脸检测中的应用

针对AdaBoost算法存在训练消耗大并且误检率较高的问题,提出一种基于AdaBoost的高效检测方法.它主要包含一种基于特征剪裁的AdaBoost算法（FPAdaBoost）和一种新的检测扫描方法--确认和跳过检测机制（CSDS）.FPAdaBoost算法在每一轮训练中会根据分类误差剪裁掉一部分特征,提高算法的训练速度;而CSDS检测方法在传统的检测方法基础上引入验证和确认机制,在保证检测率的条件下有效控制误检的发生.在MIT CBCL训练集和MIT+CMU检测集上对提出的方法进行验证,结果表明,FPAdaBoost算法相比原始AdaBoost算法在性能上没有明显退化,但却大大改善了训练速度,同时CSDS检测机制的引入极大地降低误检率,提高检测结果的可靠性.     

基于Adaboost-高斯过程分类的人脸表情识别

为了弥补Ababoost分类器分类精度不够、训练耗时的缺点,利用高斯过程分类器分类精度高、计算复杂度低的优势,提出一种改进的表情识别方法.该算法将高斯过程分类（GPC）和Adaboost的人脸表情识别算法相结合,在训练二分类Adaboost时利用高斯过程分类器训练弱分类器;把这些弱分类器组合成一个总分类器,将二分类Adaboost GPC扩展为多类分类算法.采用Gabor提取面部表情特征,由于Gabor特征提取后存在维度变高、冗余大的问题,引入二维主成分分析（2DPCA）对Gabor特征进行选择.基于Cohn-Kanade和JAFFE数据库的实验结果表明,该算法在识别正确率和速度方面的表现均较好.     

Adaboost算法分类器设计及其应用

Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器.由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高.将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器.算法在matlab中实现,对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率.     

一种基于Adaboost算法的车辆检测方法

由于车间安全距离不足容易导致追尾事故的发生.前方车辆的检测能为建立完整的汽车防撞预警系统提供必要的辅助信息.本文提出了一种采用Adaboost算法训练得到的级联分类器实时检测前方车辆的方法.通过选取扩展的类Haar特征,采用Adaboost算法训练得到一个识剐车辆的级联分类器.最后将训练得到的分类器应用至ll实车车辆检测系统中.试验结果表明,基于此算法的车辆检测方法具有检测率高、速度快,能够达到实时检测的要求.     

Adaboost人脸检测算法研究及OpenCV实现

针对复杂背景条件下人脸检测的检测率低速度慢的问题,选用了基于统计的人脸检测算法．详细介绍了Adaboost人脸检测算法的原理及训练流程．利用OpenCV图像处理软件与Adaboost人脸检测算法的结合模块,选取扩展的Haar特征,实现了人脸检测并给出了检测结果．设计的检测器对592个人脸漏检62个,可达倒20帧／s左右．因此该方法具有较高的准确度和实时性．     

扩展Haar特征检测人眼的方法

人眼检测在人脸识别中起着非常重要的作用,其检测的准确性可以有效地提高人脸识别率。该文扩展了一种Haar特征,并基于该特征运用Adaboost算法对人眼进行准确检测。首先基于扩展的Haar特征运用Adaboost算法检测到眼睛和眉毛的粗轮廓,然后将粗轮廓的灰度图像制成模板,最后与眼睛和眉毛非常相似的图像样本进行匹配,从而准确检测到人眼。该方法有效地避免该由于眼睛和眉毛非常相似而引起的误判。     

面向车辆识别的样本自反馈式级联检测方法

以解决机器学习的样本提取问题、提高车辆识别的精度为目的,以Adaboost算法、级联检测方法、样本自反馈方法为基础,提出了一种面向车辆识别的样本自反馈式级联检测方法。方法兼具Adaboost级联检测器的架构优势和样本自反馈方法的样本扩充能力。通过前车图像的识别实例阐述了样本自反馈式级联检测方法的识别过程,进而使用常规Adaboost检测器和样本自反馈式级联检测方法对图像数据集进行了识别,将生产者精度、用户精度、总体识别精度、k值作为评价指标对识别效果进行了比较,证明了样本自反馈式级联检测方法具有较高的识别精度。分析了样本自反馈式级联检测方法个别评价指标较低的原因,提出了相应问题的解决思路。     

一种新的Adaboost样本权重更新算法

通过比较传统的Adaboost算法中样本权重的更新算法,提出了一种新的将类内归一化与全局归一化过程相结合的样本权重更新算法.并对两种算法进行了仿真实验,结果表明,该算法使用较少的弱分类器便可保证强分类器在保持较高检测率的同时,将误检率降低到可接受的范围内.