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和最小割算法的视频人脸检测

Adaboost算法是一种被广泛应用于人脸检测的分类器学习方法,通过Haar-like特征和样本的学习和训练,形成一个强分类器,能有效地区分人脸跟非人脸.文中提出一种Adaboost结合最小割算法的人脸提取方法,该方法着眼于图像中的轮廓及肤色信息,对每个点设置一个权值,寻找一条权值最小的边界,准确提取出人脸.实验结果表明,Adaboost和最小割的人脸提取算法,分割效果较好,且耗时较小.     

多特征融合的道路车辆检测方法

通过改进基于Haar-like特征和Adaboost的级联分类器,提出一种融合Haar-like特征和HOG特征的道路车辆检测方法。在传统级联分类器的Harr-like特征基础上引入HOG特征;为Haar-like特征和HOG特征分别设计不同形式的弱分类器,对每一个特征进行弱分类器的训练,用Gentle Adaboost算法代替Discrete Adaboost算法进行强分类器的训练;在级联分类器的最后几层上使用Adaboost算法挑选出来的特征组成特征向量训练SVM分类器。实验结果表明所提出的方法能有效检测道路车辆。     

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.     

基于RS_Adaboost的入侵检测方法

针对入侵检测系统存在的对入侵事件高漏报率和误报率,提出了一种将粗糙集(RS)方法与自适应增强(Adaboost)算法相结合的入侵检测方法。利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少Adaboost训练数据,提高处理速度。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。实验表明,该方法具有较高的检测率和检测效率。     

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算法的软件缺陷预测模型

将Adaboost算法应用到软件缺陷预测模型中是软件缺陷预测的一种新思路,Adaboost算法原理通过训练多个弱分类器构成一个更强的级联分类器,有效地避免了过拟合问题。通过采用美国国家航空航天局(NASA)的软件缺陷数据库的仿真实验,分别对原始BP神经网络算法和Adaboost算法进行分析对比,其中Adaboost的弱分类器采用神经网络。实验结果表明,Adaboost级联分类器有效地提高了软件缺陷预测模型的预测性能。     

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.     

双层结构Adaboost健壮分类器用于人眼精确定位

提出了一种双层结构的Adaboost分类器用于眼睛的定位检测和跟踪。双层眼睛分类器由训练的双眼区域和单眼区域的分类器级联构成一个强分类器。该算法较传统的YCbCr色度空间眼睛模板而言,对光照变化有更大的适应性。相对普通的Adaboost眼睛分类器,该算法保留了原有普通Adaboost分类器的高检测率,同时有效降低了眼睛的误检率。通过研究训练样本数,训练级数和Adaboost分类器误检率的关系,分类器训练效率得到提高。     

基于Adaboost和CART结合的优化分类算法

提出了一种基于Adaboost算法和CART算法结合的分类算法。以特征为节点生成CART二叉树,用CART二叉树代替传统Adaboost算法中的弱分类器,再由这些弱分类器生成强分类器。将强分类器对数字样本和人脸样本分类,与传统Adaboost算法相比,该方法的错误率分别减少20%和86.5%。将分类器应用于目标检测上,实现了对这两种目标的快速检测和定位。结果表明,改进算法既减小了对样本分类的错误率,又保持了传统Adboost算法对目标检测的快速性。     

基于 Adaboost的手写体数字识别

提出了一种新的基于集成学习算法Adaboost的手写体数字识别系统。Adaboost方法可以在仅比随机预测略好的弱分类器基础上构建高精度的强分类器。实验证明,基于Adaboost的手写体数字识别系统具有较高的识别率和泛化能力,已经应用在OCR识别软件中。     

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.     

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。     

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...     

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。     

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.