基于AdaBoost行人检测优化算法的研究

针对车辆辅助安全驾驶系统的道路行人检测和识别问题,对行人检测算法的实时性和检测准确性受光照影响等方面进行了研究。对行人检测识别算法进行了归纳,将在线训练和更新行人分类器技术应用到车辆前方行人检测和识别中。提出了改进的AdaBoost行人检测优化算法,应用该算法行人识别分类器训练时,根据正样本和负样本的错分率,实时调整级联分类器权重系数,在线更新分类器的错误率权重,在保证分类器整体准确率的前提下,降低了分类器的级数,优化了分类器结构,减少了计算的复杂性;采用扩展的类Haar特征,降低了算法对光线的敏感性,提高了环境适应能力。试验结果表明:在相同的检测率下,改进的AdaBoost算法需要的检测时间更少,系统具有更高的鲁棒性,可以满足道路行人识别的要求。     

基于支持向量机的无穷维AdaBoost算法及其应用

AdaBoost算法能够集成比随机猜测略好的弱分类器,输出较高分类精度的强分类器。为了进一步提高AdaBoost算法的分类精度,建立了一种基于支持向量机的无穷维AdaBoost算法,实现无穷维AdaBoost算法的关键是建立一个新的支持向量机核函数,使此核函数集成无穷多个AdaBoost算法弱分类器。将无穷维AdaBoost算法用于模拟电路故障诊断,故障诊断结果表明:无穷维AdaBoost算法分类精度优于有限维AdaBoost算法,提高了AdaBoost算法的分类精度。     

基于AdaBoost_SVM的轧机的状态评估

为了解决大型轧机设备的早期状态评估难的问题,针对样本数量较少和质量不佳时ANN表现出的过学习和欠学习的现象,及传统的SVM多用于二分类的问题,提出了一种基于AdaBoost_SVM算法的轧机状态评估方法。通过AdaBoost算法连接多个SVM弱分类器,从而得到分类准确率更高的强分类器AdaBoost SVM模型。该算法在轧机数据集上进行了测试,并且与传统的ANN算法、SVM算法进行了比较,实验结果表明AdaBoost_SVM算法具有更好的分类精度。     

结合相位一致性的行人检测

针对行人检测中利用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征进行训练时耗时长,检测速度慢的问题,提出一种改良算法。该算法结合相位一致性(phase congruency,PC),利用局部能量与Log-Gabor滤波器,计算提取行人正样本图像的边缘,以边缘像素点处的局部能量值最大值与对应的相位值做为特征,以HOG滑动块形式生成特征描述子,此文称之为PC-HOG特征,利用AdaBoost级联分类器算法训练学习此特征,并在INRIA数据库中测试此算法分类效果。测试结果表明该算法明显减少了训练时间,提升了行人检测速度,较HOG+SVM速度提升40%以上,较HOG+AdaBoost提高了8%左右,也改善了检测准确性。     

采用字典学习和AdaBoost算法的信号诊断

信号处理和机器学习是故障诊断过程中的关键技术,针对机械关键零部件的传统诊断技术,提出了一种采用字典学习和AdaBoost算法的信号诊断方法。该方法基于原始振动信号驱动训练数据,通过K-SVD和OMP算法更新字典并对其在字典空间稀疏表示,筛选重构所得增强信号时、频域特征,采用集成算法在AdaBoost神经网络分类器中实现振动信号的诊断。研究表明,采用字典学习和AdaBoost算法的信号诊断方法自适应强,能准确提取信号本质特征,诊断精度高,优于传统诊断技术。     

基于实时预测学习分类的脸像快速检测方法

视频图像中脸像检测是近年来视觉图像检测和模式识别领域的研究热点。提出一种基于实时预测学习分类的脸像快速检测算法,即ARMA-Boost算法。首先根据脸像位置先验信息,利用ARMA模型(auto-regressive and moving average model)预测脸像位置区域,然后采用AdaBoost算法对预测区域进行脸像检测。该方法在时间维度对AdaBoost算法进行扩展,减小脸像搜索范围,提高检测效率。利用该方法对离线视频文件和CCD图像传感器实时脸像视频进行检测,实验结果表明,与支持向量机、传统AdaBoost和基于优化肤色模型的AdaBoost改进算法相比,ARMA-Boost算法脸像检测准确率高,实时性更好,可以对视频脸像进行快速检测应用。     

基于图像特征统计分析的PCB焊点检测方法

提出了一种基于图像特征统计分析的炉后焊点检测方法,以提高在线自动光学检测系统的检测性能和可操作性.提出双阈值的AdaBoost算法用于设计分类器,在训练的同时进行最优特征选择和分类器的增强,实现了焊点图像特征的自动提取和检测参数的自动设定.采用分类和回归树方法将焊点缺陷决策方法优化为一棵二叉决策树,提高了检测速度.实验结果表明,该方法训练速度较快,可以满足实际生产需要.与目前已经实用化的图像对比算法和图像分析算法相比,在保持现有检测速度基本不变的情况下,该方法的检测精度更高.     

基于Haar分类器和AAM算法的人脸基准点定位

人脸基准点定位可应用于人脸识别、疲劳检测等领域。针对人脸基准点定位中常用的主动表观模型(AAM)的局限性,提出了Haar分类器和AAM算法相结合的人脸基准点定位方法。先是计算图像积分图,然后采用基于Haar特征的AdaBoost级联检测器快速定位出人脸区域,最后将检测到的位置和图像信息传递给AAM进行人脸基准点定位。该方法在抽取的AFLW(annotated facial landmarks in the wild)人脸测试集上表现出良好的性能。实验结果表明,采用该方法能准确、快速定位出人脸基准点。     

光学遥感图像中复杂海背景下的舰船检测

本文针对光学遥感图像中复杂海背景下的舰船检测问题,提出一种快速精确的舰船检测方法。首先,基于最大对称环绕显著性检测完成初始目标候选区域提取,并结合一种基于元胞自动机的同步更新机制,利用图像局部相似性和舰船目标几何特征,对初始目标候选区域进行更新,并通过OTSU算法获取最终目标候选区域;然后,根据舰船目标的固有特性对方向梯度直方图特征进行改进,提出一种新的表征舰船特性的边缘-方向梯度直方图特征对舰船目标进行描述,与传统HOG特征相比,这种特征向量侧重于对边缘特征的描述,对梯度向量鲁棒性更强,并且仅为一个24维的特征向量,计算复杂度低;最后,通过构建的训练库完成AdaBoost分类器的训练,并利用训练完成后的AdaBoost分类器完成目标的最终判别确认。本文的检测算法,针对尺寸为1 024pixel×1 024pixel的遥感图像,检测时间为2.386 0s,召回率为97.4%,检测精度为97.2%。实验表明,本文提出算法的检测性能优于目前主流的舰船检测算法,在检测时间和检测精度上都能够满足实际工程需要。     

融合Adaboost和光流算法的视频人脸实时检测

提出一种基于AdaBoost和光流的融合算法实现视频人脸的实时检测,利用AdaBoost算法对人脸进行检测,结合光流算法对视频图像帧间的连续性进行估计,获得人脸在图像中的位置.实验证明,本文介绍的人脸检测和追踪的方法利用了Ada-Boost和光流算法各自的优点,一定程度上解决了人脸偏转、部分遮挡、表情变化以及光照等因素对人脸检测的影响.     

混合特征行人检测算法

为了提高行人检测方法的效果,提出了一种基于混合特征提取的行人检测方法。首先,提取一幅目标图像中的梯度方向直方图和局部二元模式特征。然后,利用一种自适应系统将HOG和LBP特征间的最优权重自动分配给每个特征。并且,通过难例挖掘的方法获取困难的负样本。最后,采用支持向量机对行人和背景进行分类。实验结果表明,这种新的方法优于其他仅使用单一特征或没有分配最优权重的混合特征的方法。     

采用人体树图与混合粒子群聚类的行人检测

为提升辅助驾驶系统的可靠性及安全系数,实现更高精度的行人检测,基于人体树图模型提出了一种改进的离线训练、在线检测的行人检测方法。首先,定义人体部件间的共生关系,得到对应父子部件对,结合K-means算法对其位置关系进行聚类获得部件类型。为兼顾类内紧密性与类间分离性,采用MSE和DBI构建具有两阶段适应度函数的混合粒子群聚类算法,在有效估计各部件最优聚类中心数量的同时,消除随机初始化对聚类准确率造成的影响。其次,将优化聚类得到的部件类型作为隐藏变量,通过求解隐结构SVM获取改进后的人体检测模型。最后,通过动态规划算法求解状态转移方程,在多个尺度上有效估计人体部件位置及检测包围盒,并结合非极大值抑制思想得到最终的行人检测结果。实验结果表明,所提方法在检测性能上明显优于5种行人检测方法,并且相比于原始Pose-original方法,在INRIA和ETH数据集上的丢失率分别下降了8.14%和5.05%。实验证明该方法检测性能良好且具有较高的准确性和鲁棒性。     

基于Stixel world及特征融合的双目立体视觉行人检测

针对单目视觉行人检测无法获得深度信息从而导致冗余信息较多、检测效率和准确度存在局限性的问题,首先,在图像的预处理阶段提出了一种利用双目立体视觉产生的视差信息优化分析来简化复杂场景的动态规划棒状像素场景(stixel-world)表达方式;然后,在行人目标检测阶段,对传统HOG特征中block尺度进行分析、降维,采用Fisher准则筛选得到了适用于道路环境下的多尺度HOG(multi-HOG)特征,将Multi-HOG特征与LUV颜色通道特征进行融合,最后采用交叉核支持向量机(hikSVM)分类器对行人目标分类。实验结果表明,采用改进过后的Stixel-world算法用于图像预处理极大地减少了计算时间。缩小了行人检测的候选区域,基于特征融合和hik-SVM的目标检测算法在保证检测准确度的前提下,具有较好的实时性和鲁棒性。     

势函数聚类的优化下采样SVM分类方法

为了改善大样本集下支持向量机(SVM)的训练效率和泛化性能,提出一种新算法。该算法运用采样优化和学习器优化相结合的策略,通过构建势函数对原始样本空间进行密度度量,建立了不同参数的高斯核,以实现对样本空间不同区域的逐次覆盖,并以增量学习的方式生成下采样集。然后,在所获取的下采样集上进行SVM初始训练,通过寻找原始训练集中的边界样本,进行SVM二次优化。最后,将新算法应用于人工数据集及基准数据集,结果表明,该算法在有效改善训练效率的同时,保证了分类器的泛化性能。     

基于支持向量机的跌倒检测算法研究

实时跌倒检测能有效降低老人因跌倒导致的身心伤害,提高老人的独居能力和健康水平。为提高基于惯性传感器的跌倒检测系统的准确率,降低系统误报率和漏报率,提出了应用基于径向基函数的支持向量机算法实现跌倒判定。首先,应用佩戴在人体腰间的便携式跌倒检测系统完成数据的采集;然后,利用基于径向基函数(RBF)的SVM分类器标记疑似跌倒行为,并利用粒子群算法完成分类算法中惩罚因子C和RBF参数g的优化。结果表明,在区分跌倒与类似跌倒的日常活动时,基于SVM算法的跌倒检测系统准确率、误报率和漏报率分别为97.67%,4.0%和0.67%。与传统的阈值方法相比,跌倒检测性能有很大提高,从而加强了该系统在老人跌倒检测中的应用。