基于AdaBoost-SVM级联分类器的行人检测

针对实时行人检测中AdaBoost级联分类算法存在的问题,改进AdaBoost级联分类器的训练算法,提出了Ada-Boost-SVM级联分类算法,它结合了AdaBoost和SVM两种算法的优点.对自定义样本集和PET图像库进行行人检测实验,实验中选择固定大小的窗口作为候选区域并利用类Haar矩形特征进行特征提取,通过AdaBoost-SVM级联分类器进行分类.实验结果表明AdaBoost-SVM级联分类器的分类器准确率达到99.5％,误报率低于0.05％,优于AdaBoost级联分类器,训练时间要远远小于SVM分类器.     

基于肤色分割和AdaBoost算法的彩色图像的人脸检测

文章提出了肤色分割和AdaBoost算法结合的人脸检测算法。首先,对彩色图像进行肤色分割,通过人脸肤色的统计特征得到候选人脸区域：然后,基于AdaBoost算法,使用由强分类器组成的级联分类器对候选人脸区域进行扫描,最终得到精确定位的人脸。实验证明,该方法具有肤色检测快速和AdaBoost算法误检率低的优点,可以有效的运用于多姿态、多人脸和复杂背景的情况。     

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。     

基于级联微型神经网络的多角度车辆检测方法

车辆检测是智能交通系统建设的关键步骤,但在光照变化、遮挡等复杂交通场景下,单一角度视频检测的方法无法准确地获取车辆特定特征。为了提高交通监控图像中车辆检测的准确性,将AdaBoost算法嵌入微型的神经网络模型,并结合局部归一化像素差值特征（LNPD）,提出了基于级联微型神经网络的多角度车辆检测方法。该方法首先提取检测图像的局部归一化像素差值特征,然后使用多层感知器学习最优的特征子集及其组合特征,最后使用AdaBoost算法筛选最具区分力的特征构建强分类器。以不同复杂程度的真实交通场景中包含有正面、侧面及背面三个角度的样本集作为测试集,并与NPD、DPM-V5、ACF和RCNN等方法进行了定性与定量对比。实验结果表明,该车辆检测方法在三种数据集上的平均检测率和检测时间分别为82.28%和125 ms,优于传统车辆检测方法。     

基于车载视频监控的乘客检测及跟踪算法

针对公交车上乘客相互遮挡及光照变化明显的问题,提出一种基于头肩部边缘特征和局部不变特征的人体检测及跟踪算法。首先对待检测图像进行自适应阈值背景差分,实现乘客目标分割;然后用样本的梯度方向直方图(HOG)特征训练支持向量机(SVM)基础分类器,结合自适应增强(AdaBoost)算法提炼出最终的强分类器,对前景图像进行扫描实现乘客目标检测;最后提取目标区域和当前搜索区域的快速鲁棒性特征(SURF),通过特征点匹配实现乘客目标跟踪。实验表明,在乘客相互遮挡及光照变化明显的情况下,该算法仍具有高于80%的检测率和跟踪率,且满足系统实时性的要求,可用于客流计数。     

基于多分类AdaBoost改进算法的TEE标准切面分类

针对超声图像样本冗余、不同标准切面因疾病导致的高度相似性、感兴趣区域定位不准确问题,提出一种结合特征袋（BOF）特征、主动学习方法和多分类AdaBoost改进算法的经食管超声心动图（TEE）标准切面分类方法。首先采用BOF方法对超声图像进行描述;然后采用主动学习方法选择对分类器最有价值的样本作为训练集;最后,在AdaBoost算法对弱分类器的迭代训练中,根据临时强分类器的分类情况调整样本更新规则,实现对多分类AdaBoost算法的改进和TEE标准切面的分类。在TEE数据集和三个UCI数据集上的实验表明,相比AdaBoost.SAMME算法、多分类支持向量机（SVM）算法、BP神经网络和AdaBoost.M2算法,所提算法在各个数据集上的G-mean指标、整体分类准确率和大多数类别分类准确率都有不同程度的提升,且比较难分的类别分类准确率提升最为显著。实验结果表明,在包含类间相似样本的数据集上,分类器的性能有显著提升。     

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。     

基于视频图像的人脸检测与统计

叙述如何在复杂背景下的图像或视频中判断是否有人脸,若有,则统计个数。实现原理是基于AdaBoost算法,提取Haar特征和训练得到的级联分类器对人脸进行识别。改进之处在于动态调整各级联分类器的权重,对识别率高的级联分类器（如正脸级联分类器）加大其权重,识别率低的级联分类器（如侧脸级联分类器）降低其权重。试验结果表明,该方法可以更加快速、更加准确地实现人脸检测,具有较好的实时性。     

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。     

基于快速级联分类的行人检测系统

行人检测系统难以同时具有高检测率、低误报率和较快的检测速度。为解决该问题,提出一种基于快速级联分类的行人检测系统。该系统包括预处理和分类检测2个部分,在分类检测阶段,利用AdaBoost算法选取部分最优的特征,通过固定训练样本的误报率,并结合串联分类器的优点,设计快速级联分类器(FastCascade),其中,单特征分类器使用快速排序策略,以提高系统的整体性能。仿真结果表明,该FastCascade的接收者操作特征曲线下面积、F-measure和G-mean结果均高于传统的AdaBoost算法、UnderSampling算法和EasyEnsemble算法。     

基于双阈值运动区域分割的AdaBoost行人检测算法

结合单目摄像机静止拍摄的视频序列使用背景差法或AdaBoost算法检测行人时分别存在易受噪声干扰或检测速度慢的问题,提出一种双阈值运动区域分割的AdaBoost快速行人检测算法。首先建立背景帧,利用前景帧与背景帧的差分图像拟合噪声曲线,提取噪声与亮暗运动目标的阈值,消除噪声,分割出运动区域;然后通过AdaBoost学习算法选择少量有效的Haar-like弱矩形特征构造强分类器;最后在运动区域利用强分类器检测是否包含行人。实验结果表明,该方法迅速缩小了检测范围,加快了检测速度,降低了误检率。     

Automatic change detection in high-resolution remote-sensing images by means of level set evolution and support vector machine classification

In this article, we propose a method for change detection in high-resolution remote-sensing images by means of level set evolution and support vector machine (SVM) classification, which combined both the pixel-level method and the object-level method. Both pixel-based change features and object-based ones are extracted to improve the discriminability between the changed class and the unchanged class. At the pixel level, the change detection problem is formulated as a segmentation issue using level set evolution in the difference images. At the object level, potential training samples are selected from the segmentation results without manual intervention into the SVM classifier. Thereafter, the final changes are obtained by combining the pixel-based changes and the object-based changes. A chief advantage of our approach is being able to select appropriate samples for SVM classifier training. Furthermore, our proposed method helps improve the accuracy and the degree of automation. We systematically evaluate it with various Satellite Pour l’Observation de la Terre (SPOT) 5 images and aerial images. Experimental results demonstrate the accuracy of our proposed method.     

光学遥感图像多目标检测及识别算法设计与实现

针对目前光学遥感图像处理与分析多集中在单目标检测及识别领域的局限性,多目标检测及识别成为了一个非常值得关注的研究课题,提出了一种光学遥感图像多目标检测及识别算法.首先,采用自适应阈值算法对目标快速检测分割;然后,结合图像金字塔思想和基于尺度不变特征变换的特征包(BoF-SIFT)特征提出了一种分层的BoF-SIFT特征表示目标的全局特征和局部特征,详细地描述了目标的分布特性;最后,采用基于径向基核函数的支持向量机为弱分类器的AdaBoost算法,经过不断更新权重之后得到一个强分类器对待测试目标图像完成分类识别,识别率达到了93.52%.实验结果表明,所提算法对多类遥感图像目标的分割效果显著,特征选取恰当,识别方法快速有效.     

基于快速检测和AdaBoost的车辆检测

为给激光雷达三维点云目标检测提供一种更智能、更稳健的信息处理算法,提出一种基于激光雷达获取的点云数据的车辆目标检测算法。采用局部高程对地面进行拟合,对目标场景进行预分类;根据目标的几何尺寸建立ROI(感兴趣区域),对该区域内的点云数据进行聚类分析,大致检测出目标物体。由于现实场景中往往存在与目标高程相近的物体,采用基于Harr-like特征的AdaBoost分类器对ROI进行复核,划定检测目标。实验结果表明,在目标遮挡率为50%的情况下,算法的检测准确率也能将近90%。     

Pedestrian detection for intelligent transportation systems combining AdaBoost algorithm and support vector machine

Pedestrians are the vulnerable participants in transportation system when crashes happen. It is important to detect pedestrian efficiently and accurately in many computer vision applications, such as intelligent transportation systems (ITSs) and safety driving assistant systems (SDASs). This paper proposes a two-stage pedestrian detection method based on machine vision. In the first stage, AdaBoost algorithm and cascading method are adopted to segment pedestrian candidates from image. To confirm whether each candidate is pedestrian or not, a second stage is needed to eliminate some false positives. In this stage, a pedestrian recognizing classifier is trained with support vector machine (SVM). The input features used for SVM training are extracted from both the sample gray images and edge images. Finally, the performance of the proposed pedestrian detection method is tested with real-world data. Results show that the performance is better than conventional single-stage classifier, such as AdaBoost based or SVM based classifier.     

基于AdaCostBoost算法的网络钓鱼检测

针对日益严重的网络钓鱼攻击, 提出机器学习的方法进行钓鱼网站的检测和判断. 首先, 根据URL提取敏感特征, 然后, 采用AdaBoost算法进行训练出分类器, 再用训练好的分类器对未知URL检测识别. 最后, 针对非平衡代价问题, 采用了改进后的AdaBoost算法--AdaCostBoost, 加入代价因子的计算. 实验结果表明, 文中提出的网络钓鱼检测方法, 具有较优的检测性能.     

一种基于直方图特征和AdaBoost的图像中的文字定位算法

图像中的文字自动定位是计算机视觉领域中的一个新兴研究热点。为了使得定位算法能够适应不同类型的图像和文字，根据文字所具有的特殊纹理属性，提出了一种具有普适能力的基于直方图特征和AdaBoost的文字定位算法。该算法首先通过提取对文字具有较强鉴别能力的直方图特征和引入AdaBoost算法来设计级联结构的纹理分类器；然后用该分类器的概率输出来生成文字概率图；在此基础上再通过CAMSHIFT算法得到最终的定位结果。实验结果表明，该算法具有较强的鲁棒性，能够适应文字在语种、字体、尺度等方面的变化，在不同类型的图像中都能得到较好的定位结果。     

基于ICF和多级分类器的交通标志检测

针对传统的基于积分通道特征(ICF)和Adaboost交通标志检测算法,召回率过低和误检率过高的问题,提出了一种两阶段交通标志检测方法.第一阶段对ICF进行谱聚类并结合Adaboost算法学习得到目标感兴趣区域(ROI);第二阶段对所获得的感兴趣区域进行直方图均衡化,利用尺度不变特征变换(SIFT)描述子与支持向量机(SVM)分类器相结合,提高了目标区域检测的准确性.通过德国交通标志数据集(GTSDB)的验证,结果表明:采用SICF-Adaboost +SIFT-SVM构建的交通标志级联分类器检测算法相对于传统的ICF-Adaboost算法召回率高且误检率低,适用于真实场景下的交通标志检测.     

基于Real Adaboost的肤色分割方法

提出了一种基于Real AdaBoost算法构造的肤色置信度分类器及动态阈值相结合的肤色分割方法。根据肤色在YCrCb色度空间的聚类性,通过大量肤色和非肤色样本用Real AdaBoost训练一族查找表(LUT)型圆形弱分类器,组成一个能输出连续置信度的强分类器,利用肤色强分类器计算图像中像素的肤色相似度,最后用大津法确定阈值对肤色相似图进行二值分割。实验表明,该方法能较好地描述肤色分布,误检率低,鲁棒性好。