智能视频监控中基于肤色信息的人脸检测算法研究

针对智能视频监控中人脸检测受复杂环境以及多姿态人脸的影响,采用一种基于肤色特征与Ada Boost算法相结合的方法,提取两种算法各自优点并加以优化,其主要思想是利用肤色特征建立肤色模型,选出含有人脸预检测肤色区域,进行人脸样本训练,提取人脸样本Haar特征,进行弱分类器训练,利用迭代的方法,再将不同的弱分类器组合成强分类器,最后形成级联分类器,运用级联分类器检测含有人脸的肤色区域。实验结果表明,该方法不仅提高了智能视频监控中人脸检测的效率和准确性,而且具有较好的鲁棒性。     

基于混沌二进制粒子群优化的KNN文本分类算法

中文文本分类的主要问题是特征空间的高维性.提出了基于混沌二进制粒子群的KNN文本分类算法,利用混沌二进制粒子群算法遍历训练集的特征空间,选择特征子空间,然后在特征子空间中使用KNN算法进行文本分类.在粒子群的迭代优化过程中,利用混沌映射,指导群体进行混沌搜索,使算法摆脱局部最优,扩大寻找全局最优解的能力.实验结果表明,提出的新分类算法对中文文本分类是有效的,其分类准确率、召回率都优于KNN算法.     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题,针对粒子群优化算法在算法的后期易陷入局部最优的缺点,提出TPSO(禁忌粒子群优化算法),在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布,后期引入禁忌搜索算法,记录已经达到的局部最优解,在下一次搜索中,不再或者有选择地搜索这些点,从而跳出局部最优点,并且在搜索过程中允许接受劣解,充分利用禁忌搜索的记忆能力及较强的爬山能力,大大提高了获得全局最优解的概率.该算法综合了粒子群优化算法的快速性,随机性和全局收敛性以及禁忌搜索局部寻优的能力.在确保全局收敛性的基础上,能够快速搜索到高质量的优化解.该方法用于几何约束求解的性能明显高于标准粒子群算法,算法具有良好的优化性能和时间性能.     

基于肤色特征和Adaboost算法的人脸检测方法探析

针对采用基于肤色特征的人脸检测方法和基于Ada Boost算法的人脸检测,单一方法的人脸检测系统在检测率和误检率方面不能同时达到比较好的效果。因此结合上述两种算法各自的优点,将两种方法相结合并加以改进,主要思想是基于肤色特征的人脸检测作为预人脸检测,得到含有人脸的肤色区域,运用级联分类器检测这些肤色区域。利用matlab仿真软件进行了大量的仿真探析并进行了统计与分析,探析表明改进算法在误检率和检测率方面明显优于两种单独算法,同时对于人脸姿势方面,也能够达到很好的检测效果。     

均匀搜索粒子群算法

针对基本粒子群优化算法容易陷入局部最优解的问题,本文定义了PSO粒子搜索中心的概念,并对其随机状态下粒子搜索中心在全局最优解与局部最优解之间的概率密度进行了计算,在此基础上提出了粒子搜索中心在两个最优解之间均匀分布的均匀搜索粒子群算法,并通过7个Benchmark函数与基本PSO算法进行了对比实验及算法分析,实验分析结...     

基于混沌搜索的蚁群优化算法

文中算法将蚁群算法与混沌搜索相结合,蚁群算法陷入局部最优时,利用混沌搜索对局部最优解进行二次寻优;对二次寻优结果再重复利用蚁群算法,扩大了搜索范围,避免了算法易陷入局部最优的特点。最后通过三个TSP问题进行实验对比,结果表明基于混沌搜索的蚁群算法充分利用了混沌搜索的随机性和蚁群算法的并行性,在收敛性和优化性方面得到了提高。     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

混沌粒子群优化粒子滤波算法

针对基于粒子群优化算法的粒子滤波计算复杂度大,并且容易陷入局部最优,提出了一种新的基于混沌的粒子群优化粒子滤波算法。该算法在粒子群优化的基础上,引入混沌序列,利用混沌运动的遍历性、随机性等特点改善了初始样本的质量,同时利用混沌扰动避免搜索过程陷入局部最优,使算法具有更快的收敛速度和更好的全局搜索能力。最后利用UNGM模型将该算法与标准粒子滤波和粒子群粒子滤波进行仿真对比,并利用纯角度目标跟踪模型验证了算法的有效性。实验结果表明,该算法改善了粒子群优化算法的粒子滤波易陷入局部最优的现象,提高了粒子滤波的精度和速度,具有较高的应用价值。     

基于混沌粒子群的IDS告警聚类算法

为了提高入侵检测系统(IDS)的告警质量,减少冗余报警,提出了一种基于混沌粒子群优化的IDS告警聚类算法。算法将混沌融入到粒子运动过程中,使粒子群在混沌与稳定之间交替运动,逐步向最优点靠近。该算法能够克服粒子群算法的早熟、局部最优等缺点,指导聚类中心寻找到全局最优解。通过理论分析与实验测试,验证了该算法在入侵检测系统中,能够大量减少告警数量,提高告警质量,具有较高的检测率和较低的误报率。     

一种新的混沌粒子群优化算法

针对粒子群优化算法(PSO)缺少跳出局部最优的机制而易出现早熟问题,提出一种新的混沌粒子群优化算法(NCPSO).该算法引入混沌扰动更新粒子的位置,避免搜索陷入局部最优,再嵌入判断早熟停滞的方法,一旦检测到早熟现象,使用逃逸策略来增大粒子群的多样性.最后用3个常用的测试函数进行仿真,实验结果表明:NCPSO算法比PSO算法、CPSO算法有更高的寻优精度和更快的收敛速度.     

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。      

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。     

基于随机子空间和AdaBoost的自适应集成方法

如何构造差异性大且精确度高的基分类器是集成学习的重点,为此提出一种新的集成学习方法——利用PSO寻找使得AdaBoost依样本权重抽取的数据集分类错误率最小化的最优特征权重分布,依据此最优权重分布对特征随机抽样生成随机子空间,并应用于AdaBoost的训练过程中.这就在增加分类器间差异性的同时保证了基分类器的准确度.最后用多数投票法融合各基分类器的决策结果,并通过仿真实验验证该方法的有效性.     

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%。     

一种基于AdaBoost人脸检测算法在Android平台的实现

针对Android系统自带的人脸检测算法不能精确地检测人脸,尤其是带眼镜后,根本无法检测到人脸.本文研究了一种基于Android系统下的AdaBoost人脸检测算法.首先介绍了Android平台下的人脸检测体系结构,然后对AdaBoost人脸检测模块,包括特征值与特征值的计算、AdaBoost分类器、开发环境搭建分别进行了说明.最后通过样本创建,以及训练好的分类器进行人脸检测.实验结果表明：由于充分利用AdaBoost人脸检测方法实时性比较强、检测率高,该方法完全满足Android平台下人脸检测的需要.     

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     

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。     

基于视频的人脸检测算法研究

针对传统AdaBoost算法在视频中检测人脸误检率较高的问题,文中提出了一种结合运动分析和肤色检验的改进型人脸检测算法。该方法通过运动检测来提取运动前景,并选择肤色模型对人脸肤色进行相似度求取,利用几何特征进一步缩小检测范围;采用增加新Haar特征和改进权重更新方式的改进型AdaBoost算法对人脸候选区域进行实时检测。实验结果表明,与传统AdaBoost方法和增加肤色检验的AdaBoost方法相比,该方法的误检率分别降低了18.68%和8.79%,检测时间则分别缩短约800 ms和250 ms。     

基于计算机视觉技术的人脸检测系统设计

通过对基于Haar-like特征的AdaBoost人脸检测算法研究,利用由该算法训练的级联分类器和计算机视觉类库OpenCV进行人脸检测系统设计,实现了基于静态图像、摄像头视频和avi视频的人脸检测与标记,以及标记后的人脸区域图像实时显示和存盘。此外,在VC＋＋6.0环境下实现了对人脸检测系统软件界面的开发。实验结果表...