基于双阈值的改进型Adaboost人脸检测算法

针对Adaboost人脸检测算法训练时间长以及不能有效区分特征值聚集分布的情况,提出了一种基于双阈值的改进型Adaboost人脸检测算法,并给出了双阈值的搜索算法。在MIT-CBCL和MIT+CMU人脸库上对算法进行了仿真验证。仿真结果显示,改进的双阈值Adaboost算法在不降低检测率的同时大幅度提升了训练的速度,同时检测速度也有所提升,该方法的综合性能优于单阈值算法。     

基于特征裁剪的双阈值Adaboost人脸检测算法

针对传统Adaboost算法存在训练耗时长的问题,提出一种基于特征裁剪的双阈值Adaboost算法人脸检测算法。一方面,使用双阈值的弱分类器代替传统的单阈值弱分类器,提升单个弱分类器的分类能力;另一方面,特征裁剪的Adaboost算法在每轮训练中仅仅利用错误率较小的特征进行训练。实验表明基于特征裁剪的双阈值Adaboost人脸检测算法通过使用较少的特征和减少训练时的特征数量的方式,提高了算法的训练速度。     

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.     

基于新Haar-like特征的多角度人脸检测

在Haar-like特征的基础上增加新的检测特征,给出特征计算方法和积分方法,实现多角度人脸检测。将多角度人脸分为3类,即全侧脸、半侧脸和正面人脸。利用连续Adaboost算法训练各类人脸检测器,用金字塔式结构将各类人脸检测器级联成一个多角度人脸检测器。在CMU人脸检测集合上,该检测器的成功率为85．2％,高于Adaboost算法和浮点Adaboost算法。     

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。     

快速局部遮挡人脸检测算法研究

针对Adaboost人脸检测算法在分类器训练过程中耗时较多的问题,对Adaboost算法进行了详细分析,提出了加快寻找每一轮最佳弱分类器的四点均值法。该方法对每个特征,计算所有训练样本对应的特征值,并将其从小到大排序,求相邻的4个特征值的平均值,该平均值作为阈值,计算错误率,找出最佳弱分类器。减少特征量,修改弱分类器权重,加快收敛速度,使用不同遮挡部位的人脸样本训练分类器,实现了局部遮挡人脸的检测。实验结果表明,该方法明显提高了训练速度,缩短训练时间,并能较准确地检测局部遮挡人脸。     

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.     

联合多任务学习的人脸超分辨率重建

目的 人脸超分辨率重建是特定应用领域的超分辨率问题,为了充分利用面部先验知识,提出一种基于多任务联合学习的深度人脸超分辨率重建算法。方法 首先使用残差学习和对称式跨层连接网络提取低分辨率人脸的多层次特征,根据不同任务的学习难易程度设置损失权重和损失阈值,对网络进行多属性联合学习训练。然后使用感知损失函数衡量HR（high-resolution）图像与SR（super-resolution）图像在语义层面的差距,并论证感知损失在提高人脸语义信息重建效果方面的有效性。最后对人脸属性数据集进行增强,在此基础上进行联合多任务学习,以获得视觉感知效果更加真实的超分辨率结果。结果 使用峰值信噪比（PSNR）和结构相似度（SSIM）两个客观评价标准对实验结果进行评价,并与其他主流方法进行对比。实验结果显示,在人脸属性数据集（CelebA）上,在放大8倍时,与通用超分辨率MemNet（persistent memory network）算法和人脸超分辨率FSRNet（end-to-end learning face super-resolution network）算法相比,本文算法的PSNR分别提升约2.15 dB和1.2 dB。结论 实验数据与效果图表明本文算法可以更好地利用人脸先验知识,产生在视觉感知上更加真实和清晰的人脸边缘和纹理细节。     

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.     

基于多阈值Boosting方法的人脸检测

Adaboost算法采用单阈值弱分类器,难以拟合复杂分布,其训练过程收敛速度较慢。针对该问题设计一种多阈值弱学习器,利用平方和减少最大化准则划分节点并生成弱分类器,在训练数据集上采用GAB算法将弱分类器提升为强分类器。实验结果表明,在弱分类器数目相同的情况下,该方法的正样本误报率低于Adaboost算法。     

Adaboost人脸检测方法的改进

针对Adaboost人脸检测训练非常耗时的问题，从训练中直接求解目标函数和弱分类器使用双阈值判决构造强分类器两个方面对人脸检测系统进行了改进。实验结果表明，改进后的系统使用的弱分类器数目大大减少，并且训练速度比传统方法高11倍左右。     

基于相关性的AdaBoost人脸检测算法

为提高传统AdaBoost算法的集成性能,降低算法复杂度,提出2种基于分类器相关性的AdaBoost算法。在弱分类器的训练过程中,加入Q统计量进行判定。每个弱分类器的权重更新不仅与当前分类器有关,而且需要考虑到前面的若干分类器,以有效降低弱分类器间的相似性,剔除相似特征。仿真结果表明,该算法具有更好的检测率,同时可降低误检率,改进分类器的整体性能。     

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...     

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.