基于Gentleboost算法的人物检测

传统的人物检测方法多是对于小样本,并且对于背景复杂的图片检测率很低,但是现实中的场景复杂,而且实时检测系统需要处理大量图片。针对传统检测方法在人体检测中的这些不足,提出了一种基于集成学习的方法——Gentleboost算法的人物检测方法,利用人物的身体碎片以及这些碎片相对于身体中心的相对位置作为特征,用Gentleboost算法训练的分类器来对人体进行分类。为了提高分类器的学习效率,解决复杂场景中人体检测的难题,提出了一种利用线性回归末端作为弱分类器的方法,从正、负两个方面对预测模型进行加权,改变了原来的仅从正预测进行加权的方法。将Gentleboost和基于YCbCr外表滤波加上身体部分特征的人物检测算法(简称为YCbCr算法)进行比较,并且对不同迭代次数的分类性能也进行了比较。实验结果表明,Gentle-boost的性能要优于YCbCr算法,而且随着迭代次数的增加,检测精度也随着增加,并且逐渐趋于稳定。该方法执行起来简单,数值上也比较稳定,正确率高,可以处理大量图片,解决了人体检测中的一些关键问题。

基于共享特征的高分辨率遥感影像多级分类

高分辨率遥感影像细节丰富,具有类内差异大、类间差异不明显的特点。为此,模拟人的目视解译方式,提出一种基于共享特征的多级二叉树分类算法,把多类分类问题划分为多个两类分类问题,每级两类分类都提取共享特征,仅解译一类目标,已解译的类别不再参加后面的分类,利用这样的逐步淘汰机制完成一幅遥感影像的全部解译。实验结果表明,与K近邻、支持向量机等其他多类分类算法相比,该算法具有更高的分类精度。

实时行人检测算法的研究与应用

为了提高实时行人检测结果的准确性,避免出现较大的漏检率,分析了现阶段使用较广泛的实时行人检测算法:经典AdaBoost算法和非对称的GentleBoost算法。通过对比分析发现,非对称的GentleBoost算法能够针对实时行人检测筛选出特定的区域,降低训练样本的总数。同时,经过与传统的行人检测算法进行对比试验发现,所提出的算法能够在复杂的行人背景下进行分析,提高了实时行人检测的准确度和降低漏检率。