加权判决级联分类器人脸检测方法研究

AdaBoost算法要提高检测精度,需要级联更多的强分类器,这样会降低检测速度.针对这个问题,在AdaBoost级联分类器中引入加权判决函数,对其中相互独立的级联分类器判决结果进行信息融合,不增加级联的强分类器个数,提高了检测率.实验结果表明,该方法在保证检测速度的同时,提高了检测率,在CMU+MIT人脸测试库上取得较好的效果.     

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。     

基于不平衡数据集的级联决策树改进算法

提出一种针对客户离网问题的改进决策树分类算法——M-AdaBoost级联决策树。采用级联式的思想构造多个基于AdaBoost决策树分类器,通过设定子分类器的判决信息,组合成级联式决策树。实验结果表明,该方法相对于单一的C4.5决策树、传统的AdaBoost决策树以及随机森林具有更好的分类效果。     

基于级联结构AdaBoost的入侵检测算法

根据级联结构的特征,针对入侵检测问题改进AdaBoost算法。改进的AdaBoost算法对参数求解方法、初始权值和判决阈值都进行调整,使弱分类器的加权参数不但与错误率有关,还与其对异常样本的识别能力有关。该算法能够有效地降低分类器的误警率,使其更适用于入侵检测,仿真实验证明了该算法的有效性。     

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.     

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。     

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。     

一种基于低维特征的高精度手写数字识别算法

提出了数字字符的轮廓骨架特征,并将这一特征与粗网格特征相结合对脱机手写体数字进行识别。获取特征向量后,利用改进的基于两级级联结构的AdaBoost 神经网络进行逐层淘汰识别。第一级首先使用基于粗网格特征的分类器进行粗分类,淘汰大部分负样本,而使几乎所有的正样本通过。第二级由基于轮廓骨架特征的分类器对通过第一级的样本进一步淘汰识别。仿真结果表明,该办法在识别速度与识别率方面都有较大幅度的改进。