基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.

adaboost分类器的构建及其对肝癌非编码区有害突变的鉴定

目的建立adaboost分类器模型,评估肝癌非编码区疾病相关突变的可能性,识别非编码区的有害突变。方法利用人类基因突变数据库(HGMD)疾病相关的非编码区突变共13 108个作为实验组,中性单核苷酸多态性(SNP)作为对照,结合非编码区的调控因子,如保守区、进化性的RNA保守结构、高表达基因、DNA酶Ⅰ超敏感位点、转录因子结合位点、组蛋白修饰和早期复制基因等指标,建立adaboost分类器,分析以上指标对预测非编码区中有害突变的价值。构建预测概率的受试者工作特征(ROC)曲线,计算其相应的ROC曲线下面积(AUCROC)。分别利用全基因组关联研究(GWAS)和Clin Var疾病相关的突变数据库对模型进行验证。结果对疾病相关突变鉴别的重要性由大到小分别是保守区、早期复制基因、非翻译区(UTR)、启动子、高表达区、H3K36me3和保守性的转录因子结合位点等。应用adaboost分类器的预测概率建立ROC曲线,其AUCROC为0.90。GWAS和ClinVar疾病相关突变的平均得分显著高于中性SNP(P<0.05)。结论adaboost分类器有助于评估肝癌非编码区有害突变的可能性,是一种准确率高的预测工具。

基于AdaBoost分类器和特征脸的人脸检测与识别

本文在人脸检测与识别技术理论研究的基础上,提出了一种有效的人脸检测与识别机器学习方法.该方法采用了海尔特征级联的AdaBoost分类器进行人脸检测,使用了特征脸的主分量分析法进行人脸识别.实验结果表明该方法能较快地定位并跟踪人的脸部,然后通过比较人脸数据库能较好地识别出待检人物的身份.

基于LLE降维和BP_Adaboost分类器的GIS局部放电模式识别

在气体绝缘组合电器(gas insulated switchgear,GIS)实体模型中分别放置了针-板、悬浮金属颗粒和绝缘子表面固定金属颗粒放电模型,用超声波传感器采集到其放电波形。对放电波形提取的特征向量进行局部线性嵌入(local linear embedding,LLE)算法降维处理,用降维后的向量作为输入对BP_Adaboost分类器进行训练和测试类型识别。识别结果表明,用这样方法进行GIS绝缘缺陷类型识别可以在减少计算量的同时保持较高的识别率,说明了其在局部放电模式识别应用中的有效性。

Adaboost分类法在边境管控目标识别中的应用

边境环境复杂性使得边境管控视频监控系统的智能化需求日渐突出。本文针对边境管控系统中对视频图像中的目标自动识别的需要,采用Adaboost算法,实现基于haar特征的分类器,生成边境管控系统在线目标识别可直接调用行人特征分类模型文件,取得了较好的目标识别效果。

基于DM642的纹理检测与Adaboost分类器相结合的车牌定位

智能交通系统(Intelligent Transportation System,简称ITS)是一种实时、准确、高效的综合交通运输管理系统,而车牌识别(License Plate Recognition LPR)技术是智能交通系统的关键技术之一.为了在嵌入式系统中实现车牌的实时检测,研究了基于TMS320DM642的车牌检测、定位与识别技术.本文提出一种基于纹理检测和Adaboost分类器相结合的车牌定位算法,针对该算法与DM642的结合进行了系统设计,并且基于EMCV与Opencv图像处理库进行了代码移植.该系统很好的避免了单独纹理检测的定位无方向性和单独Adaboost分类的定位不完整性的缺点,较好的提高了定位准确率,且定位后的车牌图像能够基于TCP协议发送到PC服务器,实现远程的车辆车牌的定位和监控.

篮球视频中基于AdaBoost分类器的运动员检测方法

针对篮球视频中运动员的检测识别问题,提出一种基于AdaBoost分类器的检测方法 .首先,从视频中获取有用帧,并通过SampleCreator软件来标记运动员,提取出全身和上半身矩形图像.然后,基于积分图技术从对象图像中提取Haar特征.接着,利用AdaBoost算法选择出具有较强分类性能的特征,训练一系列的弱分类器,并将其进行级联来构建最终的强分类器.最后,通过强分类器对Haar特征进行判别,从而检测图像中的运动员.实验结果表明,该方法能够准确检测并识别视频中的运动员.

抗外点干扰的鲁棒AdaBoost分类器构建方法

根据AdaBoost算法易受外点影响这一缺陷,提出一种利用Ransac算法实现抗外点干扰的鲁棒AdaBoost分类器构建方法。不同于其他AdaBoost算法在分类器构建中单纯使用样本加权或权值控制的手段,该算法将Ransac算法引入AdaBoost分类器模型构建过程中,去除潜在外点,克服现有AdaBoost算法缺陷。同时,借助Ransac算法,从全部AdaBoost分类器中选择最佳分类器模型,消除由外点引起的分类器降级。最后,将该AdaBoost分类器模型用于含有一定量外点的笔迹样本进行验证,实验结果证明了该方法的有效性。

一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法

提出一种基于类haar特征和改进AdaBoost分类器的车辆图像识别算法,以解决当前基于SVM分类器或级联分类器存在的分类识别性能不足以及传统基于AdaBoost算法的训练所需时间过长的问题.首先,基于积分图提取图像的扩展类haar特征,然后对所提取的海量类haar特征应用改进的AdaBoost分类器训练方法进行特征选择及分类器训练,最后利用所选择的特征信息及训练得到的分类器进行两类分类识别.实验结果表明,文中方法无论是在识别性能还是训练所需时间方面均明显优于传统方法,具有较好的应用前景.

AdaBoost分类问题的理论推导

为解决AdaBoost算法在二分类问题及多分类问题上缺乏共同的理论基础,算法系列的系统性难以得到理论诠释这一问题,首先,从算法思想的层面对AdaBoost算法与最优贝叶斯推理的关系进行了探讨;然后对AdaBoost算法的训练流程及相关参量进行了定量分析;最后从基本不等式定理入手,重点推导了AdaBoost算法由二分类问题向多分类问题延展的理论依据,探讨了AdaBoost算法的本质.总结并证明了AdaBoost算法的2条理论基础:当非负数之和是一个定值时,其差值越大则其乘积越小;非负数的算术平均数大于等于它们的几何平均数.并且分别就二分类问题和多分类问题对AdaBoost算法的应用提出了优化策略.

一种改进的级联AdaBoost分类器

在基于级联结构的AdaBoost分类器中引入了辅助判决函数。当样本被某级AdaBoost分类器判为假后,使用该级的辅助判决函数对其进行二次判决。辅助判决函数不仅考虑了当前级分类器的判决结果,还考虑前面分类器的历史判决信息。实验结果表明,该方法相对级联AdaBoost分类器以及二维级联AdaBoost具有更好的识别效果。

基于遗传寻优的双阈值型AdaBoost分类器

针对双阈值型AdaBoost分类器存在搜索弱分类器过程复杂和训练耗时长的问题,结合遗传算法的思想,提出了一种基于遗传寻优的双阈值型AdaBoost分类器。该方法通过对特征和两个阈值的编码来寻找弱分类器,利用遗传算法的全局寻优性,能够快速寻找到最佳弱分类器,减少训练时间。另外,在此基础上提出设置两阈值之间最小间距的方法,增强其抗干扰能力,具有更好的鲁棒性。为验证实验效果,对MIT-CBCL人脸库提取局部二值模式(Local Binary Pattern,LBP)特征进行验证。实验结果显示,改进后的双阈值型AdaBoost分类器比经典AdaBoost分类器在训练时间上提升了5倍,比双阈值型AdaBoost分类器提升了18倍,具有更快的收敛速度。与此同时,因为增加了两阈值之间的最小间距,改进后的算法具有更强的抗噪性能。

自适应特征筛选的地雷目标AdaBoost分类器

为解决前视地表穿透虚拟孔径雷达中地雷的分类问题,在传统AdaBoost算法的基础上,将特征选择作为弱分类器迭代的一部分,并将恒探测率下的虚警率作为特征选择的代价函数,提出一种基于弱分类器迭代及自适应特征选择的分类算法。通过实测数据验证,该分类算法适用于前视地表穿透虚拟孔径雷达中地雷与杂波的分类,同传统AdaBoost算法相比,分类性能有很大改善。

Hadoop云平台下基于HOG特征和Adaboost分类器的快速行人检测算法

行人检测在安保领域、无人驾驶领域、机器视觉领域以及多媒体分析领域等具有广泛的应用;针对目前行人检测技术运算量大、实时性差等不足,提出了一种Hadoop云平台下基于梯度直方图(HOG)特征和Adaboost算法的快速行人检测方法;该方法首先利用云计算模式提取图片的HOG特征,然后利用PCA方法对提取特征降维,最后使用Adaboost算法构建分类器对降维特征进行分类;利用不同场景照片对本文方法进行实验,仿真结果表明,在保持较高检测准确度前提下,采用Hadoop云计算的检测速度比传统的基于HOG特征行人检测算法提高将近五倍,有效提高检测算法的实时性。

AdaBoost分类器的一种快速训练方法

针对训练AdaBoost分类器的计算量随候选特征和训练样本数量的增加而急剧增加问题,提出了AdaBoost分类器的快速训练方法.AdaBoost分类器由多个决策桩构成.由于正负样本特征值分布的随机性,现有方法都在训练样本的特征值中穷举搜索来获得最佳决策桩.首先,注意到优秀特征阈值-误差(T-E)曲线的近似凸性,提出使用二分搜索法确定最佳决策桩.与穷举搜索相比,比较操作时间复杂度由O(N)降低为Olog N AdaBoost分类器的快速训练方法.在公开行人检测数据集Inria Pedestrian dataset和Caltech Pedestrian Detection Benchmark上的实验表明,提出的快速训练方法得到的分类器与普通方法的检测性能相当.

一种基于顺序QR分解和AdaBoost分类器的盲水印算法

提出了一种基于顺序QR分解和Ada Boost分类器的智能水印算法。对顺序QR分解并提取R矩阵的对角线元素来构造样本特征向量并嵌入水印。在水印提取过程中,利用Ada Boost分类器对待检测的样本向量进行分类。实验结果表明,提出的方法不仅能够抵抗诸如噪声、滤波和压缩的类噪声攻击,也可以抵抗类似裁剪和旋转的几何失真。

AdaBoost分类算法的数学分析

本文对AdaBoost算法进行了介绍,并从整个数学推导过程中分析怎样挑选分类器并设置权值,最终通过一组弱分类器组合构成强分类器。

基于AdaBoost分类器的典型战术数据链信号识别方法

现代作战体系主要依靠战术数据链传递战术信息,因此对侦收到的敌方数据链信号进行准确高效识别的重要性日益凸显。现有特征提取方法是基于单一的信号维度,无法在更高维度条件下获得信号多维耦合特征,同时单一分类器分类识别概率不高。针对此问题,提出在数据链信号时频图和循环谱图中提取多维特征,采用基于AdaBoost算法的自适应优化组合分类器,形成AdaBoost强分类器对数据链信号进行识别。通过仿真分析可知,基于多维特征的AdaBoost强分类器对数据链信号的分类识别,相较于单个分类器,其识别准确率有明显提升,具有良好的应用前景。

采用PHOG融合特征和多类别Adaboost分类器的行为识别

为了解决类能量图易受人体运动时间和位置移动等因素影响而难以有效描述动作细节特征的问题,本文提出了一种基于类能量图金字塔梯度直方图(PHOG)融合特征和多类别Adaboost分类器的人体行为识别方法。该方法首先对经过躯体配准的运动人体目标轮廓图像构造平均运动能量图(AMEI)和增强的运动能量图(EMEI),分别提取其分层梯度方向直方图(PHOG)特征并进行串联融合,作为一种多层次的行为特征描述;然后使用基于查找表的LUT-Real Adaboost算法设计多类别分类器,实现图像中人体行为动作的识别。实验结果显示其在典型的人体动作数据集DHA上的正确识别率达97.6%,高于其它采用单一特征描述和SVM等分类器的方法。表明该方法将整体与局部特征相结合,可以有效描述不同尺度下的动作细节特征,增强了人体行为特征的描述能力,提高了识别性能。

基于混合SVM与AdaBoost分类的面部表情识别的人机交互

基于二维主元分析(2DPCA)方法提出一种混合支持向量机(SVM)与AdaBoost算法的面部表情分类方法。首先,该方法对灰度图像进行人脸检测,通过小波变换和二维主元分析得到特征数据,有效地减少了计算量;然后,采用SVM方法对特征数据进行分类学习,得到初始分类器;最后,通过AdaBoost算法对SVM分类结果进行进一步加强,形成强分类器,提升了分类能力,确保了表情识别工作,并实现基于面部表情识别的智能轮椅的人机交互的鲁棒性。实验结果表明:该方法不仅有效地提高了样本的分类能力,而且降低了计算的复杂度,在智能轮椅人机交互实验中的平均识别率达到92.5%。