期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多模式弱分类器的AdaBoost-Bagging车辆检测算法
被引量:
7
1
作者
王海
蔡英凤
袁朝春
《交通运输工程学报》
EI
CSCD
北大核心
2015年第2期118-126,共9页
针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的...
针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。
展开更多
关键词
车辆检测
判别式模型
生成式模型
多模式弱分类器
AdaBoost-Bagging
分类器
原文传递
题名
基于多模式弱分类器的AdaBoost-Bagging车辆检测算法
被引量:
7
1
作者
王海
蔡英凤
袁朝春
机构
江苏大学汽车与交通工程学院
出处
《交通运输工程学报》
EI
CSCD
北大核心
2015年第2期118-126,共9页
基金
国家自然科学基金项目(61403172
51305167
+7 种基金
61203244)
交通运输部科技项目(2013 364 836 900)
中国博士后科学基金项目(2014M561592)
江苏省六大人才高峰项目(DZXX-040)
江苏省自然科学基金项目(BK20140555)
江苏省博士后科研计划项目(1402097C)
江苏大学高级专业人才科研启动基金项目(12JDG010
14JDG028)
文摘
针对现有车辆检测算法在实际复杂道路情况下对车辆有效检测率不高的问题,提出了融合多模式弱分类器,并以AdaBoost-Bagging集成为强分类器的车辆检测算法。结合判别式模型善于利用较多的特征形成较好决策边界和生成式模型善于利用较少的特征排除大量负样本的优点,以Haar特征训练判别式弱分类器,以HOG特征训练生成式弱分类器,以AdaBoost算法为桥梁,采用泛化能力强的Bagging学习器集成算法得到AdaBoost-Bagging强分类器,利用Caltech1999数据库和实际道路图像对检测算法进行了验证。验证结果表明:相比于单模式弱分类器,AdaBoostBagging强分类器在分类能力和处理时间上均具有优越性,表现为较高的检测率与较低的误检率,分别为95.7%、0.000 27%,每帧图像的检测时间较少,为25ms;与传统级联AdaBoost分类器相比,AdaBoost-Bagging强分类器虽然增加了12%的检测时间和30%的训练时间,但检测率提升了1.8%,误检率降低了0.000 06%;本文算法的检测性能显著优于基于Haar特征的AdaBoost分类器算法、基于HOG特征的SVM分类器算法、基于HOG特征的DPM分类器算法,具有较佳的车辆检测效果。
关键词
车辆检测
判别式模型
生成式模型
多模式弱分类器
AdaBoost-Bagging
分类器
Keywords
vehicle detection
discriminative model
generative model
multi-mode weak classifier
AdaBoost-Bagging classifier
分类号
U491.116 [交通运输工程—交通运输规划与管理]
原文传递
题名
作者
出处
发文年
被引量
操作
1
基于多模式弱分类器的AdaBoost-Bagging车辆检测算法
王海
蔡英凤
袁朝春
《交通运输工程学报》
EI
CSCD
北大核心
2015
7
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部