一种改进的基于Ada-Boost的人脸检测算法

提出了一种改进的基于Ada-Boost的人脸检测算法。该算法在第一阶段使用基于Ada-Boost算法的分级分类器检测人脸,由于受到噪声与亮度的影响,一些非人脸区域可能被误判别为人脸。因此在YCbCr空间中采用肤色模型,去除非人脸区域。在第三阶段,采用SVM更精确地提取人脸区域。实验结果表明,改进的算法在实时性与误检率方面都优于Ada-Boost算法。

一种改进的基于Ada-Boost的人脸检测算法

本文提出了一种改进的基于Ada-Boost的人脸检测算法,该算法在第一阶段使用基于A-da-Boost算法的分级分类器检测人脸,由于受到噪声与亮度的影响,一些非人脸区域可能被误判别为人脸,因此在YCbCr空间中采用肤色模型,去除非人脸区域.在第三阶段,采用SVM更精确的提取人脸区域.实验结果表明,改进的算法在实时性与误检率方面都优于Ada-Boost算法.

基于Ada-boost的文字检测方法

提出了一种新的基于机器学习的文字检测方法。首先,在网上下载280张图片,其中包括书的封面、CD封面和电影海报,人工标记和提取其中的文字区域。其次,基于对文字区域和非文字区域的统计性差异分析,得到两大类特征集,用于构造弱分类器。然后,使用Ada-boost将上一步得到的弱分类器筛选和组织起来,得到一个二级的级联分类器。最后,通过将图片的子区域分类为文字和非文字区域,此级联分类器就能够检测出文字区域。与其他方法相比,此方法在检测单个字符、倾斜甚至竖直的文字方面有很好的鲁棒性。

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15pixel×15pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost算法、极限学习机(extreme learning machine,ELM)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。

基于SVM混合集成的信用风险评估模型

准确的信用风险评估可以降低金融机构的风险。为了进一步提高信用风险评估模型的预测准确率,将基于SVM的集成学习模型应用到信用风险评估问题中,提出了一种混合集成策略,称作RSA。RSA是随机子集模型和Ada Boost两种流行策略的合成,能提高组合成员分类器的多样性,从而提高集成学习模型的预测准确率。模型在两组公开信用数据集上进行了应用,实验结果表明基于RSA的SVM的集成学习模型可以作为信用风险评估的有效模型。

基于浮动阈值分类器组合的多标签分类算法

针对目标可以同时属于多个类别的多标签分类问题,提出了一种基于浮动阈值分类器组合的多标签分类算法。首先,分析探讨了基于浮动阈值分类器的Ada Boost算法(Ada Boost.FT)的原理及错误率估计,证明了该算法能克服固定分段阈值分类器对分类边界附近点分类不稳定的缺点从而提高分类准确率;然后,采用二分类(BR)方法将该单标签学习算法应用于多标签分类问题,得到基于浮动阈值分类器组合的多标签分类方法,即多标签Ada Boost.FT。实验结果表明,所提算法的平均分类精度在Emotions数据集上比Ada Boost.MH、ML-k NN、Rank SVM这3种算法分别提高约4%、8%、11%;在Scene、Yeast数据集上仅比Rank SVM低约3%、1%。由实验分析可知,在不同类别标记之间基本没有关联关系或标签数目较少的数据集上,该算法均能得到较好的分类效果。

一种由粗及精的视线追踪系统平面视线参数检测方法

针对视线追踪系统视线参数检测需求和现有方法的不足,基于亮暗瞳差分方案提出了一种采用由粗及精策略的平面视线参数检测方法。在暗瞳图像应用AdaBoost方法定位人脸,根据人脸五官分布先验知识初步确定人眼区域并标记暗瞳图像对应的人眼区域。在差分图像采用投影法确定瞳孔潜在区域,通过形态和尺度分析滤波定位瞳孔。对瞳孔进行边缘检测和椭圆拟合,提取瞳孔中心参数。在暗瞳图像瞳孔对应区域附近搜索并检测普尔钦斑并提取普尔钦斑中心参数。根据瞳孔和普尔钦斑中心参数获取平面视线参数。在视线追踪系统中的应用表明该方法能够可靠、精确的检测平面视线参数。

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Ada Boost算法的车牌检测方法。针对传统Ada Boost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Ada Boost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。

提升小波包和BP-AdaBoost模型在大跨斜拉桥拉索损伤识别中的应用

为了有效地进行工程结构的损伤识别,提出基于提升小波包特征提取和BP-Ada Boost模型的大跨斜拉桥拉索损伤识别方法。该方法首先利用提升框架,将结构损伤前后的振动测试信号进行提升小波包分解,提取小波包信号分量能量并将能量累积变异值作为特征值,识别斜拉索损伤位置,然后以此建立BP-Ada Boost(Back Propagation neural network,Adaptive Boosting)模型,利用Ada Boost算法和BP神经网络相结合的方法对大跨斜拉桥拉索的损伤程度进行识别,并研究噪声对该算法的影响。数值分析结果表明,采用基于提升小波包和BP-Ada Boost模型相结合的方法能够有效地识别大跨斜拉桥拉索损伤。

基于RBF神经网络的人脸识别算法

针对人脸识别技术中存在的高维问题、小样本问题和非线性问题这3个难点,围绕人脸特征提取和人脸识别2个方面展开研究。在特征提取中,采用基于主成分分析和Fisher线性鉴别来克服在人脸识别中的小样本问题,同时也将人脸图像从高维空间映射到低维空间,从而解决了高维问题;在分类识别方面,采用具有很强非线性映射功能的RBF神经网络进行模式分类,解决人脸识别中的非线性问题。利用Matlab分析了RBF网络的聚类性能和分类性能。在ORL人脸数据库上的仿真实验中,人脸识别率达到97.5%,取得比较满意的结果。结合OpenCV中的Haar特征和AdaBoost算法进行人脸检测,在VC平台下开发出基于VC++和OpenCV的人脸识别系统软件,系统界面友好,操作简便,扩展性良好。

基于多分类AdaBoost改进算法的TEE标准切面分类

针对超声图像样本冗余、不同标准切面因疾病导致的高度相似性、感兴趣区域定位不准确问题,提出一种结合特征袋(BOF)特征、主动学习方法和多分类AdaBoost改进算法的经食管超声心动图(TEE)标准切面分类方法。首先采用BOF方法对超声图像进行描述;然后采用主动学习方法选择对分类器最有价值的样本作为训练集;最后,在AdaBoost算法对弱分类器的迭代训练中,根据临时强分类器的分类情况调整样本更新规则,实现对多分类AdaBoost算法的改进和TEE标准切面的分类。在TEE数据集和三个UCI数据集上的实验表明,相比AdaBoost.SAMME算法、多分类支持向量机(SVM)算法、BP神经网络和AdaBoost.M2算法,所提算法在各个数据集上的G-mean指标、整体分类准确率和大多数类别分类准确率都有不同程度的提升,且比较难分的类别分类准确率提升最为显著。实验结果表明,在包含类间相似样本的数据集上,分类器的性能有显著提升。

基于静态权值组合集成模型的WSN时钟偏差估计

针对无线传感器网络(WSN)时钟同步精度低、复杂度高等问题,提出了一种基于静态权值组合集成模型的时钟偏差预测方法。对传感器节点的时间戳观测值进行有放回抽样,将面向回归问题的Ada Boost.RT集成学习算法的误差函数和阈值调整方法进行改进,并以改进的Ada Boost.RT算法作为集成框架,采用DPNN作为弱学习机构建集成局域模型对时间偏差进行有效预测。实验表明,对于长期预测,Ada Boost.RT模型和改进型Ada Boost.RT模型的预测效果相对于DPNN全局模型提升了20%。此外,在长期观测和短期观测两种情况下,Ada Boost.RT改进型模型的预测效果要优于Ada Boost.RT模型,能够更有效地减小时间估计偏差。

基于多识别区域融合的机动车驾驶员检测框架

受光照条件、图像噪声和复杂背景等因素的影响,在机动车驾驶员检测过程中难以获取不同卡口图像下的驾驶员特征.为了解决上述问题,文中提出基于多识别区域融合的精准驾驶员位置检测框架,用于提高驾驶员识别率.首先基于图像梯度特征算法获得车牌定位,然后使用自适应方法得到车窗区域,最后采用多识别区域融合策略得到准确的驾驶员区域.在10个图像测试库上的测试表明,文中方法可以获得较高的识别率.

基于注意力模型的混合推荐系统

推荐系统作为信息爆炸时代下解决信息过载问题的重要方式受到了越来越大的关注。传统的推荐系统普遍存在精度不高、评价标准不明确等缺陷,将机器学习尤其是深度学习技术引入推荐系统将有效改善上述缺陷及瓶颈。提出了一种基于注意力模型的混合推荐系统,利用深度神经网络中的注意力模型对特定推荐商品的物品属性进行加权分配,获得预推荐商品的用户认可度评分;通过自适应增强模型替换传统的损失排序模型,使得精确度、召回率等相关评价指标获得较大提升。在现有推荐系统评价指标的基础上,首次引入了用户群体评价认可度指标,通过认可度指标可以在用户体验维度对推荐系统性能给出更精确的评价。

运动目标检测算法综述

运动目标检测是将感兴趣的动态目标从图像背景中分割出来,主要应用于图像分析和目标跟踪中。该文主要介绍了几种常用经典运动目标检测算法,即基本差分法、高斯模型法和Ada boost检测算法原理,并给出了相应实验结果,最后总结了算法的应用场景和优劣性。

城市生活直接能耗分类评估

本文提出一个新的评估城市生活能耗管理水平的方法,使用影响城市生活能耗的客观因素对城市进行分类,并为不同类型城市设计能耗标杆体系,以解决城市间能效可比性及能效目标针对性问题。地区自然条件、经济发展情况、城市化程度、科技水平均为影响城市人均生活能耗的客观因素。本文运用单因素多阶段及AdaBoost分类两种方法将全国城市分为:采暖-高产值、采暖-低产值、非采暖-高产值、非采暖-低产值四类。全国地级以上城市生活能效评估结果表明:两类高产值地区的人均生活能耗水平显著高于两类低产值地区,而采暖地区人均生活能耗由于快速增加的住宅供热能耗而逐年攀升。2006—2015年全国地级以上城市人均生活能耗均值年均增幅为7.08%。在四类城市中,采暖-高产值地区由于更高的经济发展水平及供热需求,生活能耗水平稳居各类城市首位,超过全国平均水平约110%;非采暖-高产值地区增速平缓,且自2014年起出现下降趋势;采暖-低产值地区目前生活能耗总量较低,但巨大的供热能耗需求导致其年均能耗上升速度高达10.19%;非采暖-低产值地区能耗持续处于最低位置,仅为全国平均水平的约30%。在生活能源消费结构方面,不断增长的住宅供热面积导致集中供热能耗占生活能耗总量的比例于2015年上升至44.90%,已成为限制生活能耗管理水平提高的首要因素。

基于模糊多标签AdaBoost算法的心脏瓣膜疾病分类

针对心脏瓣膜疾病模糊分类问题,提出基于多标签Ada Boost的模糊分类改进算法。结合模糊集理论,采用隶属函数将疾病的严重程度映射到区间[0,1]内的实数值,将超声诊断结果用模糊标签向量表示。利用余弦相似性分析疾病之间的复杂关系,计算标签相关性矩阵并对模糊标签向量进行补充。结合实际问题选取合适的阈值,将标签空间划分为标签集、标签相关集和标签无关集。本文算法以最小化排序损失为目标,针对不同的标签给予不同的权值调整因子,调整样本权重更新速度,强迫弱分类器关注与样本标签相关性较高的标签。在临床超声心动图(TTE)测量数据集上的实验结果表明:在对超声诊断结果模糊化时,通过隶属函数将疾病严重程度中的"无病"映射为0,"轻度"映射到区间[0.8,0.85],"中度"映射到区间[0.85,0.9],"重度"映射到区间[0.9,1],构造模糊标签矩阵,并通过标签相关性矩阵对其进行补充,此时所构造的分类器性能达到最优。将本文算法与Ada Boost.MLR算法、Ada Boost.MR算法、BPMLL算法、Rank SVM算法和ML-KNN算法进行对比分析,在多标签分类的5种评价指标上,本文算法的分类性能均优于其他对比算法,分类结果更接近超声诊断结果。

基于人脸识别技术的智能小区安防系统设计

文章针对目前智能小区存在的安全隐患,提出了利用人脸识别技术的智能安防管理系统设计。该设计基于AdaBoost算法,通过对输入图像的Haar-like特征进行训练构成级联式强分类器来实现人脸图像的检测,并利用欧式距离的计算比较最终完成身份的识别,解决使用中身份被盗用的问题。

视频监控场景下的面部遮挡检测

提出了一种监控场景下的面部遮挡检测方法。基于Ada Boost算法进行人脸验证,通过面部划分,分块分析是否存在遮挡情况。首先判断是否有人进入,在有人进入的情况下进行面部遮挡检测,对眼部区域采用Ada Boost方法及墨镜特征提取方法判断是否遮挡,而对嘴部区域采用高斯肤色模型进行判断。实验结果表明,该方法能实时检测面部遮挡的情况,并达到了较好的效果,适用于银行ATM等监控场景,具有较高的应用价值。