一种新的改进AdaBoost弱分类器训练算法

AdaBoost是机器学习中比较流行的分类算法.通过研究弱分类器的特性,提出了两种新的弱分类器的阈值和偏置计算方法,二者可以使弱分类器识别率大于50%,从而保证在弱分类器达到一定数目的情况下,AdaBoost训练收敛.对两种阈值和偏置计算方法的仿真实验结果表明,在错分率降可接受的范围内,二者均使用较少的弱分类器便可获得高识别率的强分类器.     

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。     

一种Adaboost快速训练算法

为解决基于Adaboost算法的人脸检测训练耗时的问题,提出一种Adaboost快速训练算法。基于原算法,在训练中使用序列化表格选取弱特征,在一轮训练结束后不进行样本权值更新,直接在已选分类器的基础上利用直方图统计的方法进行下一轮训练。实验证明该算法有较高的训练效率。     

基于分类器相关性的Adaboost人脸检测算法

为了提高传统Adaboost算法的集成性能,提出一种基于分类器相关性的Adaboost算法.该方法在弱分类器的训练过程中加入分类器的相关性判定,使每一个弱分类器的生成不仅与当前分类器有关,而且与前面若干个分类器相关,并将由此生成的弱分类器组合成新的强分类器.在CMU正面人脸检测集上的仿真结果表明,较传统的Adaboost算法,基于分类器相关性的Adaboost人脸检测算法具有更好的检测效率,同时降低了误检率.     

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法。 Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征。结合Haar-Like 矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测。人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果。     

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。     

一种改进的AdaBoost人脸检测算法

针对传统AdaBoost算法存在的所需样本数量大、训练时间长、分类器检测费时的问题,提出一种快速样本选择和分类器优化算法.首先,提出一个基于SVM的训练样本选择算法,来提高样本的有效率;其次,提出一种将多个分类器组合成一个新的分类器的算法,减少了分类器的总数,且新生成的分类器比原有多个分类器分类能力更强,提高了检测性能.实验结果表明,算法能够用更少的样本与时间达到与传统方法相同的性能.     

基于DM642的AdaBoost人脸检测算法优化与实现

本文首先介绍了Adaboost人脸检测算法的基本原理,指出了现有人脸检测算法多数都是基于PC机实现,没有具体应用于实际的嵌入式系统中。因此提出了基于TMS320DM642实现人脸检测算法,并阐述了算法性能优化的方案。优化后人脸检测算法满足了实时性要求,检测CIF图像速度达到36帧/秒,为实际应用奠定了基础。     

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。     

改进的鸡群算法并用于多分类器系数优化

针对鸡群算法因雄鸡粒子易陷入局部最优而无法取得全局最优问题,提出了基于杂交的改进的鸡群算法。即在雌鸡粒子更新后加入杂交机制,使雌鸡粒子加速离开局部最优点;同时通过更新机制将性能优越的雌鸡粒子设定为雄鸡粒子来避免雄鸡粒子陷入局部最优,并将改进的鸡群算法用于多分类器系数的优化。仿真实验结果表明,改进的鸡群算法不易陷入局部最优,且用该算法优化的多分类器其错误率降低,训练时间缩短。     

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。     

改进的基于AdaBoost算法的人脸检测方法*

针对传统AdaBoost算法的不足,分析了训练过程中出现的退化问题及样本权重扭曲的现象,并提出了解决这一问题的有效方法.该方法对样本权重的更新规则进行了适当的调整,即为每一轮循环设定一个权重更新阈值,根据样本是否被错误分类以及当前权重是否大于该阈值来更新样本权重,从而限制了困难样本权重的过分增大.使用该方法训练级联人脸检测器,试验结果表明,该方法较好地解决了传统AdaBoost算法所出现的退化问题,在保证检测率的同时降低了误检率.     

Haar-like特征双阈值Adaboost人脸检测

目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT（Massachusetts Institute of Technology）标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL（Olivetti Research Laboratory）、FERET（face recognition technology）以及CMU Multi-PIE（the CMU Multi-PIE face database）这3种标准人脸库中,分别与SVM（support vector machine）、DL（deep learning）、CNN（convolutional neural networks）以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处（如球场等地）对多人脸同时检测的实际需求。     

一种基于排序QR分解和Adaboost分类器的盲水印算法

本文提出了一种基于顺序QR分解和Adaboost分类器的智能水印算法。对顺序QR分解并提取R矩阵的对角线元素来构造样本特征向量并嵌入水印。在水印提取过程中,利用Adaboost分类器对待检测的样本向量进行分类。实验结果表明,本文提出的方法不仅能够抵抗诸如噪声、滤波和压缩的类噪声攻击,也可以抵抗类似裁剪和旋转的几何失真。     

基于Gabor变换和Adaboost算法的人体目标检测分类器

针对在图像中检测人体目标,提出一种基于Gabor变换和Adaboost算法的检测方法.首先利用二维Gabor小波变换进行特征提取,然后利用Adaboost算法对Gabor特征进行选取并训练强分类器.为了提高检测精度,提出采用单一正样本集合与多个负样本集合分别进行训练,形成多个强分类器级联的层级检测分类器.实验结果表明了该方法的有效性,同时显示该方法须与其它辅助手段相结合,才能提高检测的实时性.     

改进的快速行人检测方法

行人检测在视频监控以及智能车系统中有着广泛的应用前景,为了能够更有效地检测行人,将人脸检测中级联检测框架引入行人检测中,并对其进行改进,采用Gentle AdaBoost算法进行分类器训练,以提高训练效率,同时在训练前引入了特征预筛选,以减少训练时间和系统开销。实验表明,改进后的方法训练时间短,检测精度高,同时具有较快的检测速度。     

最小距离分类器的改进算法--加权最小距离分类器

最小距离分类器是一种简单而有效的分类方法。为了提高最小距离分类器的分类性能,主要的改进方法是选择更有效的距离度量。通过分析多重限制分类器和决策树分类器的分类原则,提出了基于标准化欧式距离的加权最小距离分类器。该分类器通过对标称型和字符串型属性的距离的加权定义。以及增加属性值的范围约束,扩大了最小标准化欧式距离分类器的适用范围,同时提高了其分类准确率。实验结果表明,加权最小距离分类器具有较高的分类准确率。     

基于Adaboost算法的人脸检测实现

人脸检测是指把人脸从一幅静止的图像或者动态视频中检测出来,并且指出人脸在图像或视频中的大小和位置.目前存在着大量的人脸检测算法,其中Adaboost算法是比较实用的人脸检测算法.Adaboost算法中人脸的特征采用的是矩形特征,在大量的样本集中,提取样本的矩形特征进行训练,生成多个弱分类器,然后合并多个弱分类器形成一个...     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题。针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等。     

AdaBoost人脸检测算法在DSP上的移植与优化

将Viola等人提出的AdaBoost人脸检测算法由PC机移植到TMS320DM642嵌入式平台,采用EMCV （Embedded Computer Vision Library）移植方案,将PC平台的OpenCV（Open Source Computer Vision Library）视觉库中有关AdaBoost算法的模块修改使之适应嵌入式DSP平台。该移植工作主要解决了OpenCV在嵌入式平台的不兼容问题以及不同体系架构的编译器环境和库文件导致的编译和链接错误。优化工作在TI的编译器CCS中进行,在编译器平台下进行C语言的项目及程序优化,并进行了大量实验数据的对比,给出了优化的方案,对实现系统的实时性有指导性作用。