动态权值预划分实值Adaboost人脸检测算法

提出了Real-Adaboost的一种改进算法。该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分，并动态更新人脸训练样本的权值。与以往的Real-Adaboost算法比较，该算法大大缩短了训练时间，算法训练时间复杂度降到O(T*M*N)，同时加速了强分类器的收敛性能，减少检测器的弱分类器数量，减少检测时间。     

基于AdaBoost的人脸检测技术研究

提出了一种基于AdaBoost学习算法的检测技术框架,并以人脸为研究实例来验证框架的可行性。人脸检测技术作为目标检测技术的一个成功典范,在人脸识别、表情分析、人脸跟踪、图像压缩编码、图像/视频数据库检索、生物特征识别、视频会议、自动监控、智能人机接口等,诸多领域有着日益广泛的应用。     

基于肤色与改进的Adaboost的人脸检测

针对传统的Adaboost算法检测速度块,准确率低的问题,提出一种基于肤色与改进的Adaboost算法以提高人脸检测的正确率。该算法首先利用肤色特征快速排除绝大部分背景区域,然后在肤色区域中利用快速积分图提取人脸的Haar特征,接着使用阈值设定的方法对传统的Adaboost算法进行改进,并将每次检测的最优分类器级联形成最终的强分类器,通过强分类器对Haar特征判别,检测出人脸部分。实验证明该算法有效的提高了人脸检测的准确率。     

基于GH-YJ混合型的Adaboost改进算法的人脸检测

针对传统Adaboost算法训练时间过长、误检率高以及检测速度慢的缺点,提出了一种基于GH-YJ混合型Adaboost改进算法,该算法从简化Haar特征和优化级联分类器两方面进行改进,以降低本级分类器误检率。最后,通过实验证明了改进算法的可行性。     

Adaboost算法的脸谱识别系统应用设计

研究了灰度值、中值滤波的图像预处理方法和Haar特征提取思想计算多尺度下相同特征.本文基于Adaboost算法针对同一个训练集训练不同的分类器,并将弱分类器进行集合,构成一个更强的最终分类器,实现了脸谱识别系统.通过验证脸谱识别系统,实现了对视频流中脸谱的准确定位,达到了无拖影、噪声少及识别准确的预期.     

一种改进的强分类器优化算法

在Gentle Adaboost算法中,强分类器由弱分类器线性组成,但这种组合并不能保证强分类器是最优的.因此,提出一种基于分类结果的优化方法.算法模拟弱分类器系数增加或减少对分类结果的影响,选择最利于分类的系数调整方向,设计了优化机制.在MIT人脸数据库上的仿真实验表明,分类器优化后,检测精度得到了提高.     

基于多阈值弱学习的Adaboost检测器

近年来基于Adaboost的人脸检测算法因其快速和可接受的检测率得到了成功的应用。但采用单阈值作弱分类器显得太弱难于适应复杂的统计分布,且训练过程较慢收敛。为克服这些困难,采用分类树作弱学习器,该学习器以贪婪的的方法用误差测度减少最大化的划分准则划分节点,并由此生成弱分类器,然后采用RAB或GAB方法在给定数据和标签的训练集上将这些弱分类器提升为强分类器。实践结果表明采用多阈值作弱分类器能显著提高分类器性能。     

基于UAV的ARAIM测试技术研究

为了提升GNSS在航空应用中的服务性能,目前国内外进行了多项关于高级接收机自主完好性监测(ARAIM)算法的研究,这些研究主要基于算法仿真,但相对缺乏基于实际场景和实际测量数据的测试性研究.研究基于无人机(UAV)的ARAIM测试技术,以测试在实际场景下ARAIM的可用性,同时验证ARAIM仿真算法的正确性.根据ARAIM的理论研究成果,改写机载端ARAIM用户算法;搭建8旋翼无人机ARAIM测试硬件平台并进行了典型场景测试;分析测试数据并说明测试中ARAIM的可用性情况.结果表明搭建的基于UAV的ARAIM测试平台可以完成测试任务,飞行测试验证了BDS+GPS ARAIM的机载可用性.     

集成学习的多分类器动态组合方法

为了提高数据的分类性能,提出一种集成学习的多分类器动态组合方法(DEA)。该方法在多个UCI标准数据集上进行测试,并与文中使用的基于Adaboost算法训练出的各个成员分类器的分类效果进行比较,证明了DEA的有效性。     

无人机视觉着陆中合作目标的识别技术研究

为了解决无人机的全天候自主着陆，从所设计的合作目标自身的形状特征出发。提出了通过目标轮廓的方向链码快速实现目标的长宽比进而识别出目标的一种新的方法，并通过目标的形状特征确定无人机自主着陆的方向；实验表明。该方法较好地实现了合作目标的快速识别。     

基于扩展Haar特征的AdaBoost人脸检测算法

对于常用的基于Haar特征的AdaBoost人脸检测算法存在漏检率与误检率高等不足, 增加了Haar特征的扩展种类, 这些新增Haar特征能够有效减少因眉毛与眼睛灰度值近似而引起的误判, 同时去除一些针对人脸分辨效果不好的特征来提高算法的实时性, 深入分析了利用Haar特征与AdaBoost算法构成的级联分类器的特点. 实验数据结果验证了改进后算法的可行性.     

高精度小型无人机气压高度测量系统的设计

介绍了一种基于MPX4115传感器和C8051F352单片机的小型无人机高度测量系统的设计及实现过程,详细论述了系统软硬件的设计原理,对传感器性能进行了分析并利用压力校验仪对其压力、温度补偿系数进行修正,保证测量准确度;通过硬件设计增加抗干扰能力并设计软件滤波算法提高输出稳定性;对高度-气压公式进行了插值拟合,解决了单片机计算能力不足的问题,提高计算性能;该系统具有小型化、功耗低、结构简单、精度高,稳定性和抗干扰能力强等优点。     

基于Adaboost方法的实时人眼定位

人眼定位在基于机器视觉的疲劳检测系统中起着至关重要的作用。该文介绍了Adaboost方法在人眼定位中的应用,首先描述了Adaboost的基本思想,使用人脸分类器对人脸进行定位,之后在人脸定位的基础上使用人眼分类器最终定位人眼,实现了实时的人眼定位。     

一种小型无人机大气数据测量系统设计

针对现有的无人机大气数据测量的设备种类稀少、价格昂贵、精度偏低等问题,设计了一个小型无人机大气数据测量系统样机。结合无人机大气数据测量系统的工作原理,选用32位高速处理芯片(AVR32UC3B0256)、新型数字式压力传感器BMP085,以AVR32 Studio为开发平台,采用去最值滑动平均滤波算法进行数据处理,实时测算出飞行参数。经实验验证,所设计的系统具有实时性、低功耗、小型化、低成本等特点,能较好地完成无人机气压高度、指示空速、温度等大气数据的测量,有较强的现实意义。     

一组用于快速人脸检测的分开Haar特征

本论文提出了一种能快速、精准用于人脸检测的特征即分开Haar特征（Separate Haar，简称Sep-Haar）.本文研究过程中有3个关键贡献，第一是提出"分开Haar特征"，即在Haar特征矩形之间添加了一个不关心的区域，可通过这个算法得到一些更有效的特征.第二是为这个不关心区域选择最好宽度的算法，这个算法用于减少学习特征的总数量，以减少内存的使用.第三是同样通过Adaboost算法应用，采用Sep-Haar特征能使用较少量的特征而得到最好的误报率.基于此研究结果，本文也提出了一种新分类器，每个阶段都有较小的误报率，实验结果表明使用该特征能够在减少检测时间情况下提高命中率.     

基于LabVIEW Vision的无人机自主着降系统设计与实现

四旋翼无人机具有低成本、垂直起降、机动性好等优点,在民用领域诸如航拍、植保、物流、电力巡线等场合得到了广泛的关注和应用;随着四旋翼无人机应用的普及,一些新的问题也随之出现,其中一个厄待解决的问题是如何提高无人机的降落精度和可靠性,特别在超视距应用场景下,这一需求尤为突出;通过采用机器视觉技术,利用LabVIEW Vision编制视觉识别软件,可以控制四旋翼无人机实现高精度的自主降落。     

基于分层滤波算法的无人机控制系统故障检测技术

针对传统无人机控制系统故障检测技术检测误差率高，检测速率低的问题，引入分层滤波算法研究了一种新的无人机控制系统故障检测技术，构建地面坐标系得到模型数据，同时收集无人机系统的内部转向角因素，录入转向角数据，采用算法整合处理主系统数据，利用滤波手段控制数据录入量，综合提取特征参数，选取不同于正常状态的特征参数，利用噪声估计器诊断故障，分析残差与“零”之间的关系，从而实现无人机控制系统的故障检测。实验结果表明，相较于传统技术，基于分层滤波算法的无人机控制系统故障检测技术误差率降低了0.56%，检测速率提升了27.39%。