标记样本的Adaboost算法

提升(Boost)学习算法中,可以划分为多数提升和Adaboost两类.Adaboost是目前比较流行的分类方法,目前在多媒体和计算机视觉领域得到了广泛的应用.文中介绍了Adaboost方法的原理与方法,通过在提升过程中对训练集中部分样本的标记,提出了一种新的Adaboost算法的训练方法,并且用实验数据对该方法进行验证.该方法通过对前一轮提升后权值较小的那部分样本作标记,增加了后一轮提升抽样的有效容量,从而使算法中的分类器能够更快速地关注那些很难分类的样本.     

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。     

基于二叉树和Adaboost算法的纸币号码识别

运用一种快速弱分类器训练算法和高速缓存策略来加速Adaboost算法的训练。集成学习算法Adaboost能够精确构建二分类器,运用二叉树型结构快速灵活地将纸币号码识别转化为一系列的Adaboost二分类问题。实验结果证明, 快速Adaboost训练算法能加快训练速度,基于二叉树和Adaboost的纸币号码识别系统具有较好的识别率和处理速度,已经应用在点钞机、清分机和ATM中。     

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...     

不均衡数据集中基于Adaboost的过抽样算法

为了提高不均衡数据集中少数类的分类性能，该文融合了提升和过抽样的优点，提出了基于提升算法Adaboost的过抽样算法MCMO-Boost，并且将其与决策树算法C4.5、提升算法Adaboost和过抽样算法SMOTE进行了实验比较与分析。结果表明，MCMO-Boost算法在少数类和数据集的总体分类性能方面都优于其它算法。     

基于Adaboost算法的人脸检测研究

随着计算机科学的发展,人脸识别研究受到越来越多的重视。而作为人脸识别的一个重要步骤的人脸检测直接影响到识别的速度和精度。深入分析了基于扩展的Haar-Like特征和Adaboost算法构造的分类器的人脸检测算法。实验证明,以这种算法设计的检测器的准确度高,实时性好。     

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Adaboost算法的硬件实时人脸检测

实现一个硬件人脸检测系统,该系统工作频率为70 MHz,能够检测一幅256×256的图像中任意位置、任意大小和任意数目的人脸,检测速度为每秒35帧。系统的检测精度为85%,误检率为1.5×10-6。为实现高速人脸检测,在硬件系统架构上做出如下3点创新：实现积分图像和积分平方图像的硬件实时计算,弱分类器特征值计算的深流水线实现,采用并行多内存组织结构。     

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。     

基于动态权重裁剪的快速Adaboost训练算法

提出了基于动态权重裁剪的快速Adaboost训练算法,当训练数据集较大时,可以大大提高训练速度.基于动态权重裁剪的Adaboost训练算法在每次迭代过程中舍去权重较小的大多数样本,保留权重较大的少数样本进行训练,迭代完成后检查这个利用少量样本训练得到的弱分类器在所有样本上的分类性能,如果错误率大于0.5,则扩大样本的数量重新训练本次迭代的弱分类器.由于在大多数迭代过程中,只利用了少量样本进行弱分类器的训练,从而提高了整个算法的训练速度.     

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。     

连续型Adaboost算法研究

现阶段的人工智能与模式识别工作中,连续型Adaboost算法以其良好的识别率和极快的识别速度得到了越来越多的应用.鉴于此,认真研究了连续型Adaboost算法的理论基础,细致分析了基于连续型Adaboost算法的分类器的训练流程,对算法中涉及到的数学量之间的关系进行了探讨,对算法中涉及到的数学过程进行了定量推导,对训练过程中出现的问题的成因进行了定性分析,最后对如何提高连续型Adaboost算法的性能提出了若干建议.     

基于Adaboost算法的车辆轮胎检测研究与实现

为了更有效地对路段车流的车型进行分类统计,可通过测量车辆轴距的方法实现归类。提出了一种基于Adaboost算法,利用OpenCV视觉库对摄像机采集的车辆图片进行轮胎识别的检测方法。其基本思想是建立轮胎样本和级联分类器,利用被训练成的强分类器对摄像机采集的视频截图进行目标车辆轮胎的检测,然后通过检测结果计算出车辆两个轮胎之间的距离参数,从而求出轴距以确定其车型。通过分析检测出来的轮胎图案,发现存在较高的漏检率和错检率。最后,通过调整样本结构,发现大幅提高了检测准确率。     

基于KIM算法和Adaboost级联的快速人脸检测

KIM算法可以有效解决帧差法易产生空洞以及背景减法不能检测出背景灰度接近目标的问题,得到准确的运动区域,再利用基于级联分类器的Adaboost算法对运动区域进行人脸检测。实验结果表明,该方法可以更加快速、准确地实现人脸检测,具有较好的实时性。