基于多特征的PCB缺陷识别算法研究

印制电路板(PCB)表面的图形品质的检测方法随着PCB的发展而逐渐发展,本文提出了一种基于多特征的AdaBoost算法的PCB板缺陷识别算法.Adaboost方法可以在仅比随机预测略好的弱分类器基础上构建高精度的强分类器.实验证明基于AdaBoost的PCB缺陷识别算法具有较高的识别率和泛化能力.     

基于视频的天气类别识别分类器设计

通过实验发现SVM多分类（导向无环图）对于不同场景的天气类别识别能力较弱,而以随机森林为弱分类器构成的AdaBoost强分类器能有效提高对不同场景的识别能力。基于此,本文最终提出了基于视频的天气类别自动识别分类器的设计。     

基于嵌入式系统的人脸检测算法研究

文章在A8处理器作为硬件平台,嵌入式Linux操作系统作为软件平台的基础上深入研究了AdaBoost人脸检测算法,并对其进行了优化改进,采用遗传算法消除了冗余弱分类器,形成了最终的强分类器。     

基于模糊综合评价的AdaBoost算法研究

针对AdaBoost算法在训练过程中对噪声数据敏感,影响其分类性能的问题进行研究,提出了一种基于模糊综合评价弱分类器的改进AdaBoost算法.把模糊综合评价模型构建成一类弱分类器,然后组合成Adaboost强分类器.首先将特征值分布曲线分割成为多个高斯单峰函数,每个高斯单峰函数对应一个模糊隶属度函数,离散化后构建单因...     

一种改进的BP-AdaBoost算法及应用研究

BP-AdaBoost算法结合BP神经网络和AdaBoost算法二者的优点,在提高准确率的同时加快训练速度。但传统BP神经网络在训练时可能会出现陷入局部最优的问题,针对此缺陷,提出一种改进的BP-AdaBoost算法,先采用思维进化算法调整BP神经网络的权值和阈值,再运用优化后的BP神经网络构造多个优化的弱预测器,最后将AdaBoost多分类思想引入改进的BP-AdaBoost算法中,构造多个强预测器判断决策输出结果。将改进的BP-AdaBoost算法与小波神经网络用于上证指数开盘指数的预测中,通过实验对比分析,证明了算法的可行性与优越性。     

基于监督学习的Canny图像边缘检测改进算法研究

针对Canny边缘检测算法中通过固定的高低阈值而产生边缘的方法调参繁琐且有边缘间断或伪边缘的问题,文章基于边缘特征的AdaBoost连接算法,结合梯度信息、方向信息,通过训练标记了的边缘结构的边缘特征数据,将多个弱边缘分类器加权组合成强边缘分类器,计算出图像中边缘端点与相邻端点的连接置信度,判断端点之间是否连接.结果表明,改进边缘连接的Canny算法具有更好的端点识别和连接能力,能够有效连接漏掉的边缘,且能获得完整干净的边缘.     

一种改进的AdaBoost人脸检测算法

为了进一步提高AdaBoost算法的检测准确率和解决AdaBoost算法的退化问题,提出了一种基于线性不对称分类器(LAC)的改进AdaBoost人脸检测算法。该算法对样本权重的更新规则进行了调整,当训练节点分类器的前m个弱分类器时,由于样本权重更新合理,采用原始权重更新方法;当已训练产生一定数量的弱分类器序列后,退化问题严重,由LAC算法对前期训练获得的弱分类器序列进行学习形成最优强分类器,计算该强分类器对负样本集的错分率FPR,更新样本权重,依次循环直到完成该节点所有弱分类器的训练并得到最佳节点分类器,最后通过级联各个节点分类器,构成人脸检测分类器。同时,对已有的Haar特征进行了改进和完善。实验结果表明,该方法不仅提高了检测精度,而且抑制了退化现象,使人脸检测分类器的性能得到进一步的提高,具有较大的实用价值。     

基于监督学习的Canny图像边缘检测改进算法研

针对Canny边缘检测算法中通过固定的高低阈值而产生边缘的方法调参繁琐且有边缘间断或伪边缘的问题,文章基于边缘特征的AdaBoost连接算法,结合梯度信息、方向信息,通过训练标记了的边缘结构的边缘特征数据,将多个弱边缘分类器加权组合成强边缘分类器,计算出图像中边缘端点与相邻端点的连接置信度,判断端点之间是否连接。结果表明,改进边缘连接的Canny算法具有更好的端点识别和连接能力,能够有效连接漏掉的边缘,且能获得完整干净的边缘。     

基于AdaBoost和决策树的雷达辐射源识别方法

针对传统雷达辐射源识别算法在当前高密度信号环境下进行识别时,存在实时性差、识别准确率低、鲁棒性不强的问题,提出了一种基于AdaBoost和决策树的辐射源识别算法。首先通过信息增益构建单层决策树;然后利用AdaBoost算法对弱分类器进行训练,得到强分类器;最后通过强分类器对测试数据进行识别,得到识别结果。仿真结果表明,利用该方法识别参数误差10%的测试数据,识别准确率能够达到93.78%,时间消耗低于1.5s,具备良好的识别效果。     

基于拟合型弱分类器的AdaBoost算法

针对AdaBoost算法通过最小化训练错误率来选择弱分类器造成的精度不佳问题以及单阈值作为弱分类器训练过程较慢难以收敛问题,提出了一种基于拟合型弱分类器的AdaBoost算法。首先针对每个特征,在特征值与标记值之间建立映射关系,引入最小二乘法求解拟合多项式函数,并转换成离散分类值,从而获得弱分类器。其次从获得的众多弱分类器中,选择分类误差最小的弱分类器作为本轮迭代的最佳弱分类器,构成新的 AdaBoost 强分类器。与传统训练算法相比,极大地减少了待选弱分类器的个数。选取 UCI 数据集和MIT人脸图像数据库进行实验验证,相较于传统Discrete-AdaBoost算法,改进算法的训练速度提升了一个数量级,人脸检测率可达96.59%。     

基于HSV模型和改进AdaBoost算法的车牌检测

提出了一种基于HSV颜色模型和改进AdaBoost算法的车牌检测方法。针对传统AdaBoost算法在训练过程中出现的过配现象和检测率偏低问题,文中在传统AdaBoost算法的基础上对其权值更新规则和弱分类器加权参数做了改进,并通过利用HSV颜色模型构建第一层强分类器,并构建成级联分类器应用于车牌检测。实验证明使用该方法得到的车牌检测器不仅提高了车牌检测率和检测速度,并在一定程度上避免了过配现象产生     

基于弱分类器调整的多分类Adaboost算法

Adaboost.M1算法要求每个弱分类器的正确率大于1/2,但在多分类问题中寻找这样的弱分类器较为困难。有学者提出了多类指数损失函数的逐步添加模型(SAMME),把弱分类器的正确率要求降低到大于1/k(k为类别数),降低了寻找弱分类器的难度。由于SAMME算法无法保证弱分类器的有效性,从而并不能保证最终强分类器正确率的提升。为此,该文通过图示法及数学方法分析了多分类Adaboost算法的原理,进而提出一种新的既可以降低弱分类器的要求,又可以确保弱分类器有效性的多分类方法。在UCI数据集上的对比实验表明,该文提出的算法的结果要好于SAMME算法,并达到了不弱于Adaboost.M1算法的效果。     

一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

 提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法,以解决当前基于SVM分类器或级联分类器存在的分类识别性能不足以及传统基于AdaBoost算法的训练所需时间过长的问题.首先,基于积分图提取图像的扩展类haar特征,然后对所提取的海量类haar特征应用改进的AdaBoost分类器训练方法进行特征选择及分类器训练,最后利用所选择的特征信息及训练得到的分类器进行两类分类识别.实验结果表明,文中方法无论是在识别性能还是训练所需时间方面均明显优于传统方法,具有较好的应用前景.     

基于改进AdaBoost分类器的一种目标识别算法

文章提出一种基于改进AdaBoost分类器的目标识别算法,用于克服当前级联AdaBoost分类器存在的分类识别性能不足的问题。首先,对训练样本提取图像的海量Haar-like特征,然后对提取的特征基于AdaBoost算法进行特征选择和分类器构建,最后利用所选择的特征和训练得到的AdaBoost分类器进行目标的两类识别。实验结果表明,本方法优于传统的方法,具有较好的应用意义。     

视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

基于Boosting算法的车牌汉字识别

对AdaBoost算法作了详细的分析:AdaBoost是一种有效的分类器组合方法,他用某个分类算法生成一系列的基分类器,每个基分类器的训练依赖于在其之前产生的分类器的分类结果,基分类器在训练集上的错误率用于调整训练样本的概率分布,最终分类器通过单个基分类器的加权投票建立起来。最后将该算法应用于车牌照的汉字识别,对识别效率有大幅度提高。     

采用Gentle AdaBoost和嵌套级联结构的实时人脸检测

本文提出一个基于Gentle AdaBoost和嵌套级联结构(Nesting Cascade Structure)的快速人脸检测器。采用嵌套级联结构并在训练过程中剔除前级节点分类器已使用过的特征,解决了经典的AdaBoost级联分类器因各节点分类器独立训练导致不同节点之间特征相同的弱分类器大量存在而影响检测速度的问题,提高了人脸检测速度。采用Gentle AdaBoost算法训练节点分类器以提高各节点分类器的泛化能力,进一步减少嵌套级联结构中弱分类器的个数。实验结果表明本文所提出的人脸检测算法大幅度减少了级联分类器所需的弱分类器个数,使检测的速度得到明显的提高,在CIF(352×288)格式的视频上达到每帧8毫秒的检测速度,优于现有的人脸检测算法,而且检测的准确性也比现有的人脸检测算法略有提高。      

动态背景下运动车辆的检测与跟踪研究

为实现对车载设备视频图像中车辆的识别和跟踪,针对图像中的运动目标和动态背景,提出了一种基于特征学习的目标检测和超像素跟踪算法.该算法首先对训练图像进行HOG特征提取,并利用AdaBoost算法得到强分类器.利用强分类器对采集的图像进行车辆检测,从而确定搜索区域.结合对搜索区域的超像素分割结果,采用均值漂移聚类算法实现车辆识别与跟踪.实验结果表明,该算法可以很好地实现视频序列中的车辆识别,提高了目标跟踪的实时性.     

基于纹理特征驱动AdaBoost算法的海面场景分类

为提高红外成像系统对场景的感知能力,对海面场景分类进行了研究,提出了一种基于纹理特征驱动AdaBoost算法的海面场景分类方法.该方法首先提取图像的纹理特征,然后引入AdaBoost算法进行最优特征选择,构建强分类器,最后通过二叉树结构实现对海面场景的多分类.实验结果表明:该方法适应能力强,对多种复杂的海面场景分类效果好.分类结果可为目标检测算法的选取以及复合制导的综合决策提供依据.     

基于BP-AdaBoost的电子式电能表故障检测方法

为了解决现有电子式电能表故障检测方法精度偏低、训练速度慢的问题,提出一种BP-AdaBoost复合神经网络故障预测方法.首先,在单一BP神经网络的基础上,利用组合分类器算法AdaBoost对其进行改进,将多个单一BP神经网络作为弱分类器,多次迭代训练得到强分类器;随后,将该故障预测方法应用于电子式电能表的典型故障——整流桥故障的分类判别中;利用Simulink搭建电子式电能表仿真模型,选取故障注入点与观测点,仿真运行生成的故障数据作为BP-AdaBoost算法的处理对象.仿真结果表明,BP-AdaBoost故障预测方法与单一BP神经网络故障预测方法相比,能提高预测精度,显著减小误差,在实际应用中具有一定可行性.