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。     

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.     

基于粒特征和连续Adaboost的人脸检测

提出了一种基于粒特征和连续Adaboost算法的人脸检测方法.它使用粒特征并扩展贝叶斯决策弱分类器,设计具有连续置信度输出的查找表型弱分类器形式,构造出弱分类空间,使用大规模的训练集和验证集,采用连续Adaboost算法学习得到Boosting动态级联型的人脸检测器.在CMU MIT正面人脸测试集上,误报20个时,检测率为90%以上.在一台Pentium Dual 1.2 GHz的PC上,处理一幅大小为320×240像素大小的图片平均需100 ms.实验结果表明该方法取得了比较好的精度和速度.     

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。     

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。     

基于连续Adaboost算法的多视角人脸检测

提出了一种基于连续Adaboost算法的多视角人脸检测方法.人脸按其三维姿态被划分成若干个视点子类,针对每个子类使用Haar型特征设计了具有连续致信度输出的查找表型弱分类器形式,构造出弱分类器空间,采用连续Adaboost算法学习出基于视图的瀑布型人脸检测器.为了提高检测速度,使用了多分辨率搜索和姿态预估计策略.对于正面人脸检测,在CMU MIT的正面人脸测试集合上检测的正确率为94.5%,误报57个;对于多视角人脸检测,在CMU侧面人脸测试集合上检测的正确率为89.8%,误报221个.在一台PentiumⅣ2.4GHz的PC上,处理一幅大小为320×240的图片平均需80ms.实验结果表明该方法十分有效,具有明显的应用价值.     

基于Gabor参数矩阵与改进Adaboost的人脸表情识别

针对目前人脸表情识别(FER)中Gabor特征维数高、计算量大并且存在特征冗余的问题,提出一种基于Gabor参数矩阵与改进Adaboost的人脸表情识别算法。首先,结合图像像素信息与Gabor小波核的参数定义Gabor参数矩阵;其次,在Adaboost中引入遗传算法(GA)的思想改进其搜索性能,并利用改进的Adaboost选择与Gabor参数矩阵元素对应的最优特征来构建强分类器,从而通过特征选择的方法降低Gabor特征的维数和冗余,减少计算量;最后,在构建多个强分类器的基础上,提出多表情分类算法实现面部表情的分类识别。基于Matlab的实验结果表明,该算法的平均表情识别率为89.67%,且最优特征的选取效率得到明显提高。     

基于DM6437的Adaboost人脸检测算法的设计与实现

研究并实现了基于DM6437的Adaboost人脸检测算法。在对相关的人脸检测算法研究的基础上,选择了适应能力强、错误率小的Adaboost算法,通过对输入样本进行Harr特征提取,从中选出最优的Haar特征,然后将训练得到的Haar特征转换成弱分类器,再将弱分类器优化组合成强分类器,最后形成级联强分类器用于人脸检测。通过OpenCV在计算机上仿真实现该算法,完成了Adaboost人脸检测算法的DSP程序设计,在DM6437硬件平台上实现了人脸实时检测功能。结果表明,运用该算法能够有效地进行人脸检测,可用于工程实践。     

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.     

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.     

多尺度级联行人检测算法的研究与实现

行人检测算法是利用行人的特征结合分类器对图片中是否有行人进行判断的方法。文中基于传统的HOG行人特征检测方法以及Adaboost分类器思想,改进了行人检测算法。使用多尺度的HOG特征对图片的检测区域进行特征提取,并采用级联的Adaboost分类器结合对应尺度的特征进行分类判断,将判断结果输入下一级分类器中继续进行分类判断,最终实现区域内有无人的检测。实验结果表明多尺度下的级联分类器能够更加有效地筛选出行人区域,在计算时间小幅增加的情况下,很大地提高了检测精度。     

基于Adaboost的红外视频图像疲劳检测算法

针对以往疲劳检测算法普遍存在的受光照条件影响大、检测测速度慢以及可靠性差等问题,本文提出了一种基于Adaboost的疲劳表情快速检测算法。本文算法在不同环境光照的情况下,利用红外光源照明采集获得大量人脸红外图像样本。经过人脸检测定位以后,将人脸区域中眼睛、嘴巴这两个表情信息最集中的关键部位分割出来,用PCA方法分别提取两个子图块的形变特征,分别输入Adaboost训练得到两个分类器。检测时,待检测图像眼、嘴的特征分别通过相应分类器进行判别,将两个分类器的输出进行或运算得到最终的检测结果。该方法正确率高,速度快,具有很好的泛化能力和较强的鲁棒性,能够满足实时应用要求。     

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。     

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。     

基于个性特征的实时人脸比对方法

人脸的个性特征可以很好地描述某个人的人脸,而人脸个性特征的正确选择对人脸比对至关重要.因此提出了基于个性化特征分析的实时人脸比对方法.该方法首先利用Adaboost算法进行人脸定位,接着由主动表观模型AAM进行特征点的自动标定,然后给出了人脸个性特征参数的选择方法.在特征参数权重分析基础之上,提出了基于加权模板的人脸比对算法和模板阈值确定方法.实验结果表明,该方法不仅简单有效,而且在拒识率和误识率方面可以取得比较好的综合效果,适用于实时人脸考勤门禁系统.     

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。     

采用Adaboost算法进行面部表情识别

Adaboost是一种有效的分类器组合方法，它能够提高弱分类器的分类性能。利用Adaboost方法对面部表情进行识别，探讨了Adaboost与主成分分析法的几种结合方案。仿真结果表明这几种方案可行，且识别效果较好。