基于改进AdaBoost分类器的一种目标识别算法

文章提出一种基于改进AdaBoost分类器的目标识别算法,用于克服当前级联AdaBoost分类器存在的分类识别性能不足的问题。首先,对训练样本提取图像的海量Haar-like特征,然后对提取的特征基于AdaBoost算法进行特征选择和分类器构建,最后利用所选择的特征和训练得到的AdaBoost分类器进行目标的两类识别。实验结果表明,本方法优于传统的方法,具有较好的应用意义。     

一种改进的AdaBoost人脸检测算法

为了进一步提高AdaBoost算法的检测准确率和解决AdaBoost算法的退化问题,提出了一种基于线性不对称分类器(LAC)的改进AdaBoost人脸检测算法。该算法对样本权重的更新规则进行了调整,当训练节点分类器的前m个弱分类器时,由于样本权重更新合理,采用原始权重更新方法;当已训练产生一定数量的弱分类器序列后,退化问题严重,由LAC算法对前期训练获得的弱分类器序列进行学习形成最优强分类器,计算该强分类器对负样本集的错分率FPR,更新样本权重,依次循环直到完成该节点所有弱分类器的训练并得到最佳节点分类器,最后通过级联各个节点分类器,构成人脸检测分类器。同时,对已有的Haar特征进行了改进和完善。实验结果表明,该方法不仅提高了检测精度,而且抑制了退化现象,使人脸检测分类器的性能得到进一步的提高,具有较大的实用价值。     

一种基于Haar特征的人脸检测改进算法

本文以人脸检测技术为研究对象,阐述人脸检测应用场景之广泛且是人脸识别过程中关键的环节和前提条件,常被应用于智监控、安防、工业检测等领域,目前主流算法中的具有级联结构AdaBoost公认有效的检测算法之一,本文阐述AdaBoost算法实现过程及其优缺点,并针对其训练周期长的问题提出改进算法,通过分类器误差比较判断替换人为参数设置,实现训练自主,减少人为参数设定不合理所带来的迭代训练周期长,样本过拟合等问题。对比改进前后算法训练时长和准确率,梳理新旧算法在人脸检测的实验结果,证实了新算法保证准确率的基础上,缩短训练时间,具有一定的优越性。     

一种Haar特征车辆检测速度的提升方法

车辆检测是实现汽车自动驾驶的前提,同时也是汽车紧急制动系统的首要依据。车辆检测算法的实时性和精确度将影响整个制动系统的性能,直接关系到司机和乘客的人身安全。目前大多使用Haar特征进行车辆检测,该方法在样本充足的情况下有较高的检测成功率,但是涉及到对整张图遍历搜索,大大延长了算法运行时间,降低了系统实时性。在Haar检测基础上,提出了一种优化方法,修改了遍历逻辑,针对检测区域设置特定模型,显著提高了车辆检测算法的运行速度,提高了系统实时性。实际测试结果表明,该算法大大缩减了图像监测时间,由秒级降至毫秒级,满足系统实时性要求。     

基于改进AdaBoost算法的飞机特征图像识别

飞机特征点图像的识别是航空试飞领域中计算机视觉研究的重要课题,在基于图像的视频安全监控、自动识别与智能人机交互方面有着重要的研究价值。其检测算法经过长时间的发展,已经取得了显著的成绩。本文中对Paul Viola提出的基于积分图像和AdaBoost的检测方法进行了深入研究、改进,并针对实际问题成功应用到飞机特征点图像的快速检测中。     

基于类Haar特征和最近邻分类器的车辆检测

针对传统车辆检测方法计算复杂和误检率高的问题,提出了一种基于类Haar图像特征描述的车辆检测方法。首先,建立特征向量库,利用类Haar特征对训练样本进行特征提取。然后,提取待检测图像的子图像特征信息。最后,最近邻分类器利用特征向量库对待识别的子图像进行车辆存在性检测。利用积分图像的概念对图像进行描述,大幅度提高了特征提取速度。此外,分析了不同数量的类Haar特征对检测效果的影响。实验结果表明,该方法能大幅降低误检率,获得较高的查准率,对日间自然光条件下的车辆有较好的检测效果。     

一种改进AdaBoost算法的方法

针对传统AdaBoost算法的不足,分析了分类器训练时间长和训练过程中容易出现训练结果对训练样本严重收敛的问题(过训练),并提出了解决这一问题的有效方法.新方法主要将特征值和排序结果进行缓存以及对训练样本及时更新.使用该方法训练级联车牌检测器,实验结果表明,新方法较好地解决了传统AdaBoost算法中所出现的过训练和训练耗时的问题,在提高检测率的同时降低了误检率,并且训练时间缩短了50%左右.     

类Haar小波与数字信号调制识别

给出了正弦型类Haar小波的定义,从理论上证明其满足容许性条件。在理想情况下,推导了小波系数幅度与MPSK信号相位跳变和MFSK信号频率跳变之间的关系。利用所得结论和概率统计方法,构造检验统计量进行分类识别;通过仿真,发现在低信噪比(SNR=3 dB)情况下得到较好的识别效果。     

基于特征聚类对群三元组损失的车辆再识别

车辆再识别旨在从多个摄像机拍摄的图像中识别出同一车辆.本文提出了一种对群三元组损失函数,以特征中心点替代均值,并将对群思想和三元组损失相结合,优化了困难样本的识别.车辆再识别过程中,对群损失函数的训练过程扩大了样本规模,增加了计算量,且传统对群损失函数无法准确处理困难正样本.为此,提出了一种特征聚类对群三元组损失函数.本方法采用正样本特征聚类中心并改进了三元组损失函数的设计,从而优化了对群损失函数.在不扩增输入样本数量的同时提升了算法处理困难样本的能力.实验表明,与主流车辆再识别算法相比,本方法可有效提升车辆再识别的准确率.     

一种改进的特征加权K-means聚类算法

提出了一种改进的特征加权K-means聚类算法.该算法首先基于数据样本分布选取初始聚类中心,然后设计特征加权的K-means聚类算法.实验结果证明,该算法能产生质量较高的聚类结果,并且能处理数值、符号两类数据.     

基于多特征的PCB缺陷识别算法研究

印制电路板(PCB)表面的图形品质的检测方法随着PCB的发展而逐渐发展,本文提出了一种基于多特征的AdaBoost算法的PCB板缺陷识别算法.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PCB缺陷识别算法具有较高的识别率和泛化能力.     

基于AdaBoost算法和光流匹配的实时手势识别

着眼于更宽泛和更便捷的应用需要,提出了基于AdaBoost算法和光流匹配的实时手势识别方案.只需连接到计算机的摄像头读取二维手势视频片段就能对手势作为较为准确的识别.其中,采用AdaBoost算法遍历图像,完成静态手势的识别工作;在动态手势的识别过程中,运用了光流法结合模板匹配的方法.整个系统对静态和动态手势的识别均具有较强的鲁棒性.     

基于AdaBoost算法和人眼定位的动态人脸检测

在快速人脸检测算法中,基于AdaBoost算法的人脸检测算法得到越来越多的认可。然而,该算法在复杂环境下常有误检的情况。为了既快速又能提高检测的准确率,提出了以人眼定位的算法作为辅助的人脸检测算法。首先应用AdaBoost算法检测人脸的位置,然后再利用改进的模板匹配算法对人眼进行快速识别与定位。在人眼检测方面,利用金字塔算法加快了检测速度。实验表明,该方法可减少AdaBoost算法的误检率。     

基于改进的Adaboost_SVM的人脸表情识别

针对AdaBoost算法随着学习难度的增加导致分类器的分类效率下降、稳定性变差等问题,支持向量机在小样本中有特有优势;本文结合两种算法优势,基于蚁群算法对SVM的参数进行优化,改进了Adaboost_SVM级联分类算法,首先提取haar-like矩形特征通过Adaboost分类器快速排出非人脸区域;用Gabor小波变换提取人脸表情特征,再结合Adaboost_SVM级联分类器进行人脸表情识别。通过对JAFFE表情库进行试验,表情平均识别率达到94.2%,检测速度有了很大提高。     

基于PCA和AdaBoost的改进人脸识别算法研究

利用人脸作为特征的生物识别系统是近年来模式识别和图像处理领域的研究热点之一.介绍了一种改进的人脸识别算法.算法以主成分分析(PCA)算法作为主体,以AdaBoost算法作为辅助,把以投影后人脸特征空间中的欧式距离作为识别的主要评判依据.与传统人脸识别系统相比,新算法可以避免系统在识别前进行人脸检测的巨大运算量,并有效区分人脸和非人脸图像,提高运算效率和识别精度.仿真结果表明,这种改进的算法硬件资源占用少,运算时间短,更适合在嵌入式平台上实现.     

基于HSV模型和改进AdaBoost算法的车牌检测

提出了一种基于HSV颜色模型和改进AdaBoost算法的车牌检测方法。针对传统AdaBoost算法在训练过程中出现的过配现象和检测率偏低问题,文中在传统AdaBoost算法的基础上对其权值更新规则和弱分类器加权参数做了改进,并通过利用HSV颜色模型构建第一层强分类器,并构建成级联分类器应用于车牌检测。实验证明使用该方法得到的车牌检测器不仅提高了车牌检测率和检测速度,并在一定程度上避免了过配现象产生     

基于AdaBoost和PCA的动态人脸考勤技术研究

设计并实现了基于Adaboost和PCA的动态人脸识别考勤系统。利用AdaBoost快速人脸检测方法为基础,然后使用PCA方法来实现人脸识别.实验结果表明,利用该方法开发的动态人脸识别考勤系统具有识别率高、实用性好、可靠性强等特点.     

基于AdaBoost的行人检测研究与实现

行人检测是城市交通环境下的智能车辆导航系统中的一项关键技术,对推动智能车辆的发展及保障城市交通安全具有十分重要的作用。     

Enhanced Biometric Score Fusion Scheme Based on the AdaBoost Algorithm

Information fusion in biometric systems, either multimodal or intramodal fusion, usually provides an improvement in recognition performance. This paper presents an improved score-level fusion scheme called boosted score fusion. The proposed framework is a two-stage design where an existing fusion algorithm is adopted at the first stage. At the second stage, the weights obtained by the AdaBoost algorithm are utilized to boost the performance of the previously fused results. The experimental results demonstrate that the performance of several score-level fusion methods can be improved by using the presented method.     

基于改进BP算法的数字字符识别

本文利用BP神经网络算法，在MATLAB环境下，分别用理想字符信号和含噪声字符信号对同一网络进行了训练，使系统具有较强的容错性。最后用实际扫描的不同字体字符进行了识别实验。实验结果证明了系统在实际应用中的可行性。