基于Adaboost的选择性样本权重更新算法

提出一种选择性样本权重更新算法 ,把 FNR和 FPR引入样本权重更新过程 ,将分类效果反馈给分类器,实现对分类器结构的有效控制 ,在样本权重更新时合理选择更新方法 ,使得分类器的 FNR或 FPR达到理想状态。实验表明 ,该算法能有效改善整个分类器的 FNR和 FPR。     

基于Adaboost算法的交通事件检测

提出一种Adaboost BP神经网络的交通事件检测方法:以上下游的流量和占有率作为特征,用BP神经网络作为分类器进行交通事件的自动分类与检测.在BP神经网络的训练过程中,提出一种新的训练算法,提高了神经网络的分类能力.为了进一步提高神经网络的泛化能力,采用改进的Adaboost算法,进行网络集成.运用Matlab进行仿真分析.结果表明所提出的交通事件检测算法具有较好的检测性能.     

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。     

基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

基于Adaboost算法的行人检测

提出一种基于Adaboost算法的行人检测方法。Adaboost是将一组弱分类器通过一定的规则,结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器。实验证明基于此算法的行人检测具有检测率高、速度快的特点,能够达到实时检测的要求。     

基于改进的Adaboost和LBP危险物品检测算法研究

针对目前由于环境亮度、光照等多种干扰因素影响,导致对危险物品检测正确率下降的问题,提出一种利用Adaboost和LBP的危险物品检测改进算法,实现了提高正确率和快速识别的目的。该改进算法在训练阶段加入对正样本的HSV颜色空间分类,从而提高了级联分类器的检测效率,同时结合改进的LBP算法进行特征值的提取。相比于传统的物体检测方法,将检测正确率提高了2个百分点,达到93.29%。最后将该算法移植到救援机械臂工作平台,实验结果表明,该改进检测算法在实际环境检测中能够准确、快速地识别危险物品,训练效率明显,同时在不同光照亮度条件下具有良好的鲁棒性,满足实用性要求。     

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。     

基于肤色与改进Adaboost算法的人脸检测

在彩色图像的人脸检测中,针对人脸分类器训练时可能存在的过拟合问题,提出了一种基于肤色与改进Adaboost算法的人脸检测。双阈值的权重更新方式避免了分类器训练过程中可能出现的过拟合现象;人脸检测时利用肤色的聚类性,将检测到的肤色区域作为Adaboost分类器的搜索候选区域。实验证明:在复杂背景中,提出的方法有效地缩短了检测时间,降低了误检率。     

人脸检测算法的改进与仿真研究

研究提高人脸检测算法准确率问题,针对传统AdaBoost算法在人脸检测训练过程中出现的退化现象和识别率低的问题,提出了一种改进的AdaBoost人脸检测方法.在传统AdaBoost算法的基础上,通过假阳性对样本的权值进行动态更新,调节因子对调节权值进行修正防止其过分增大,通过判决阈值改善分类器识别能力.在CMU+MIT...     

基于改进Adaboost集成学习的空间目标识别

针对空间目标的不合作性特点以及Adaboost集成学习算法的过拟合问题, 提出了一种基于组合特征和改进Adaboost的空间目标图像识别算法. 将空间目标图像的几何特征和变换特征进行融合, 从不同的方面更精确地描述目标信息, 并对Adaboost算法进行改进, 根据样本在权重上的分布情况, 在训练时进行分段更新权重, 从而缓解分类器的过拟合现象, 提高目标识别的稳定性. 通过仿真实验证明, 与传统的Adaboost算法相比, 本文算法在空间目标图像识别中取得了更好的效果.     

基于改进DPSO的组合测试数据生成算法

对离散粒子群优化算法进行改进,提出一种两两覆盖的组合测试数据生成算法。以一个粒子代表一个测试数据集,从整体上评价测试数据集对各个因素组合的覆盖情况,以测试数据中各因素离散值出现的次数为依据,随机产生粒子位置。实例分析表明,该算法与初始值无关,可有效生成测试数据且收敛速度快。     

基于Adaboost算法的人脸检测

该文提出了一种基于改进的Adaboost算法的人脸检测方法.Adaboost是一种构建准确分类器的学习算法,它将一族弱学习算法通过一定规则结合成为一个强学习算法,从而通过样本训练得到一个识别准确率理想的分类器.但是,Adaboost在有高噪音样本的情况下,有可能发生过配现象,该文在Adaboost算法的基础上,对其权值更新规则做了改进,并结合PCA进行人脸检测.仿真试验表明,该方法具有良好的性能,同时可以在一定程度上有效防止过配现象的发生.     

基于Adaboost算法的人眼定位

提出一种新型的基于Adaboost人眼定位算法。该算法首先使用基于Harr特征和Ad—ab00St算法的人脸检测方法寻找人脸候选区域。并对候选区域进行归一化处理。然后使用基于Harr特征和Adaboost算法进行人眼定位。为了减少左右眼差异带来的影响,使用左眼检测器和右眼检测器。实验表明,这种方法具有准确性高和速度快的特点,达到实时人脸检测的性能要求。     

基于Adaboost算法的多角度人脸检测

文中提出了一种基于Adaboost算法的多角度人脸检测方法.多角度人脸检测问题的研究与正面人脸检测相比,相对薄弱,离实际应用的需求还比较远.首先使用Haar特征设计并构造弱分类器空间,用Adaboost算法学习得到基于视图的多分类器级联的人脸检测器;然后将多角度人脸划分成三类:全侧脸,半侧脸及正面人脸,并为不同角度的人脸建立不同的检测器分别用于检测.在CMU侧面人脸检测集合上,用基于Adaboost的方法对多角度人脸图像进行仿真实验,检测正确率为89.8%,误报数为243个.相比Schneiderman等人的方法,该方法具有更好的性能.     

基于非线性Logistic模型的改进UDEED算法

针对UDEED算法中线性Logistic模型分类预测准确率较低的问题,基于泰勒展开式,提出一种多项式核的非线性Logistic模型改进算法。研究非线性Logistic模型的核函数参数估计方法,更新损失函数的计算规则,并利用梯度下降法求解改进UDEED模型,实现数据集的分类预测。实验结果表明,与UDEED算法相比,改进算法提高了分类预测的准确率。     

一种改进的基于蓝噪声的误差分散算法

传统的误差分散算法大大促进了数字半调技术的发展。但由于该算法采用类似扫描仪的处理路线,简单的误差分散核,固定的阈值,并且忽略了关键灰度、点增益、图像色调,很容易出现比较明显的人工纹理。论文提出了一种改进的基于蓝噪声的误差分散算法。该算法采用可变的处理路线,多灰度误差分散核,并且根据图像色调、点增益自动调整量化阈值和关键灰度的误差分散系数,达到了较好的视觉效果。     

基于Adaboost算法的人眼状态检测

人眼检测在表情识别和人脸识别中起着非常重要的作用,作为一种预处理的手段,人眼检测和定位可以有效地提高表情识别和人脸识别的识别率.提出了一种基于Adaboost算法的实时人眼状态检测的方法.Adaboost是一个构造准确分类器的学习方法.它将一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器.分析和讨论训练阶段不同的人眼特征选择对最终检测的影响,并实验测试各种特征方法对特定目标的检测率,给出一个理想的分类器.     

基于Adaboost算法的行人检测方法

鉴于Adaboost算法简单可靠、学习精度高的特点,提出一种基于Adaboost算法的行人实时检测方法。选取了扩展的类Haar特征,采用Adaboost算法训练得到了一个识别准确率理想的行人分类器,通过VC编程将级联分类器应用到实际的行人检测系统中。试验结果表明,该方法可以快速、准确地实现行人的在线检测,具有较好的实时性。