Adaboost算法及其在实时视频流中的应用

针对Adaboost算法在实时视频流中的应用,本文基于Adaboost算法的人脸检测原理,即通过提取图像中的haar特征,在训练过程中选出最优特征,转换成弱分类器,优化组合于人脸检测。最终,利用opencv的开发包,通过VC++软件编程实现基于Adaboost算法实时视频流中的人脸检测。     

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算法的多姿态人脸实时视频检测

针对实时视频中的多姿态人脸检测问题,应用扩展的类Haar特征,训练能有效检测多种姿态和多种旋转角度人脸的分类器;并使用该分类器实现了一个实时视频的多姿态人脸检测系统.该系统分为训练和检测两个子系统,训练系统应用大量包含正反例子的图片进行训练,得到分类器;检测系统首先使用DiectShow从USB摄像头获取图像,然后读入分类器,对图像进行检测并显示.实验结果表明,该系统能够快速准确地在视频中检测出多种姿态的人脸,有较强的实用价值.     

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算法的实时行人检测系统

为解决智能视频监控系统下中远距离的行人检测问题,设计并实现了一个基于目标形状特征的检测系统;提出了4种较为有效的旨在描述人体形状局部特性的矩形特征,引入了对传统Adaboost算法的改进措施,减小了计算量,优化了系统结构;试验表明,该系统具有较高的检测率和处理速度,对阴影、雨天、枝叶晃动等监控场景中常见的噪声干扰不敏感,在P43·0GHz的PC上处理320×240的视频序列可达到15帧/s以上。     

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.     

一个基于Adaboost的快速人脸检测系统的实现

人脸检测技术作为计算机视觉和模式识别领域中的一个重要课题,具有很高的学术研究价值和商业应用价值。本文使用Adaboost算法训练了一个分类器,并且实现了一个快速人脸检测系统。从一个特征库中选择少量关键的类Haar特征产生一个高效的强分类器,再使用cascade方法将强分类器构成一个更为复杂的级联分类器。采用放大检测窗口的方法获得图像的待检测子窗口,比传统的金字塔法减少了很多计算量。实验证明该系统能够快速准确地在一幅图片中检测出人脸。     

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和Camshift的人脸检测

Adaboost算法具有很好的实时性,但是也存在检测过程中鲁棒性不强,遇到遮挡问题检测失效等问题。针对这些问题,提出了基于改进Adaboost的人脸检测算法,该算法结合了Camshift人脸跟踪算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,能有效克服检测过程中遮挡以及类肤色干扰问题等。     

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。     

基于肤色和Adaboost算法的人脸检测研究

人脸检测是计算机视觉和人工智能领域中的一项富有挑战性的工作,在虚拟现实、人机交互等很多领域都有广泛的应用.研究了基于Adaboost的人脸检测,并提出了肤色与Adaboost算法相结合的人脸检测方法.对输入的彩色图像进行从RGB空间到YCrCb空间的转换,再结合形态学等方法进行区域肤色分割,排除背景干扰,然后用Adaboost算法对可能区域进行检测,得到人脸位置.实验表明,该方法有较高的准确性和鲁棒性,可以得到满意的检测效果.     

基于CUDA的Adaboost算法并行实现

Adaboost算法是一种用于目标检测的有效算法,自2001年应用于人脸检测以来,陆续有各种改进算法提出,旨在提高检测精度和适用范围.然而,训练一个Adaboost分类器仍然是一个很耗时间的过程.目前,CUDA与Adaboost结合的研究主要集中于在已有分类器的基础上加速目标检测的过程,构建实时目标检测系统.本文对Ad...     

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Adaboost与LDP算法的人脸识别研究

针对人脸识别过程中识别时间和成功率等问题,提出一种基于改进Adaboost与LDP算法的人脸识别算法。对于采集到的图像首先使用基于YCbcr模型的皮肤分割算法,去除图像中的非人脸部分,减少图像的大小,节约特征提取的时间。再使用基于Adaboost的级联分类器检测出人脸区域。最后利用改进后的局部方向模式提取人脸特征进行人脸识别。使用yale人脸库作为样本集进行了实验,实验结果表明：结合了肤色分割的Adaboost算法检测成功率增加、耗时减少,改进后的LDP算法与传统LDP用时相差不大,但是识别成功率有所提高。     

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。