基于改进Cascade RCNN的输电线路防振锤脱落检测方法

无人机巡检输电线路时,因拍摄角度和距离问题,容易出现被输电线遮挡和远距离拍摄的防振锤脱落目标,导致目标特征被遮挡且分辨率较低,且部分防振锤出现滑移现象,导致目标识别准确率降低。针对以上问题,提出一种基于改进Cascade RCNN的防振锤脱落检测网络。第一,设计了对比学习网络,将正负样本与真实样本的特征进行对比学习,利用对比损失函数训练网络,使其能更加关注到被遮挡的防振锤脱落目标,提升其特征提取能力;第二,进行了分类器增强操作,筛选出网络级联结构中回归效果较好的感兴趣区域并送入最后的分类回归队列中,提高了分类器的分类能力,进而提升检测目标的分类分数;第三,设计了并行注意力机制模块,整合网络提取的特征,增大关键特征的权重,使网络关注到图像中更关键的区域;在特征金字塔中,将双线性插值方法代替为反卷积,提升特征还原能力。经交叉验证实验结果表明,改进后的模型召回率、精确率和平均精度达到了97.5%,91.0%和92.0%,相比基线模型分别提高了6.9%,28.4%和8.0%。

基于Cascade Adaboost分类器的马铃薯快速定位方法

针对马铃薯表面灰度不均匀、纹理复杂不易定位的问题,通过采集类Haar(Haar-like)、局部二值模式(Local Binary Pattern,LBP)和方向梯度直方图(Histogram of Oriented Gradient,HOG),提出了基于级联自适应提升(Cascade Adaptive Boosting,Cascade Adaboost)分类器的马铃薯定位方法。同时,针对背景区域易误判为马铃薯区域的问题,提出了一种候选区域二次筛选法。结果表明:优化后,利用训练好的类Haar+Cascade Adaboost分类器、LBP+Cascade Adaboost分类器和HOG+Cascade Adaboost分类器对测试集马铃薯图像进行测试,其检出率、虚警率、总体识别率分别为1.7%、0.8%、97.2%;95.9%、0.0%、98.9%和86.7%、3.5%、93.9%;耗时分别为8.2、7.5和30.3 ms。这说明基于级联自适应提升(Cascade Adaptive Boosting,Cascade Adaboost)分类器的马铃薯定位方法,可快速准确定位运动中的马铃薯目标,其中LBP+Cascade Adaboost分类器的效果最优。

一种可用于肝癌呼气信号鉴别的改进AdaBoost级联分类器

为了降低呼气检测技术在肝癌筛查中的漏诊率,本研究设计一种改进的AdaBoost级联分类器,并将其应用于鉴别健康志愿者和肝癌患者的呼气信号。首先,对训练样本进行自助划分获得一组训练子集。基于该训练子集,先后利用不同的机器学习算法,采用K折交叉训练和投票法得到多个子分类器;接着,将多个子分类器加权组合得到一个改进的AdaBoost分类器;然后,再次自助划分训练样本,以新的训练子集训练得到另一个AdaBoost分类器;最后,将两个AdaBoost分类器串联形成级联分类器。测试样本送入该级联分类器后,按照级联规则,潜在的异常样本将被反复筛查。以电子鼻采集到的120名志愿者的呼气信号的Relief优化特征集为训练样本,构建改进AdaBoost级联分类器,并对40例测试样本进行鉴别。结果表明,该级联分类器可有效区分出测试组中的肝癌患者和健康人的呼气信号,平均敏感性为93.42%,明显优于传统AdaBoost级联分类器,漏诊率显著降低。此外,该级联分类器的稳定性较好,精度的变异系数仅为3.95%。可见,改进AdaBoost级联分类器可有效提升分类器对肝癌呼气信号的检测能力,对实现基于呼气检测的肝癌无创普及性筛查技术的研究具有重要意义。

作用于大数据处理的级联分类器泛化设计

针对级联分类器的设计主要集中于分类器组合优化等方面,有关自动化设计研究相对较少。为了简化设计流程,设计一种方法以自动设计具有理想性能的级联分类器。这种方法不需要分别考虑每个可能的级联长度并通过最终数值优化来进一步确定每个级联长度的次优参数,而是向能够设置级联的泛化边界方向来研究,探讨如何简化级联分类器的设计流程,实现自动化设计。

基于SVM级联决策树的复合电能质量扰动识别

针对双重及以上复合电能质量扰动特征重叠和识别困难的问题,提出了一种基于支持向量机(Support vector machine,SVM)级联决策树的电能质量复合扰动分类识别方法。首先,基于S变换提取的扰动初始特征,针对电压暂降、谐波、电压中断等7种单一扰动构建多个二分类SVM;然后通过SVM的二分类统计学习进行扰动蕴含特征的重构,以降低复合扰动的特征重叠;最后利用新构建的复合扰动特征,结合CART决策树的二分离散特征处理,实现SVM级联决策树的复合电能质量扰动多分类识别。仿真试验表明,所提方法可有效降低复合扰动下特征重叠程度,有较强的抗噪性,能准确识别包括双重及多重复合的21种电能质量扰动。

基于计算机视觉与机器学习的烟丝杂质图像级联检测方法

为提高烟丝杂质检测及剔除的准确率,设计了一种基于计算机视觉与机器学习的烟丝杂质图像级联检测方法。该方法采用颜色特征和梯度能量计算机视觉方法对烟丝杂质进行定位,结合HOG特征、LBP特征与级联Adaboost分类器,设计多窗口检测算法对烟丝杂质进行实时检测。结果表明:基于颜色特征的静态杂质检测方法的准确率高于梯度能量方法,在结合了HOG特征和级联Adaboost分类器算法后,检测结果非常稳定,烟丝杂质检测准确率达到97.33%,在实际操作过程中不需要人工调整算法参数,在保证算法准确率和有效性的同时降低了时间成本。

基于Haar特征的Adaboost算法的猪脸检测

为了能够更好地帮助猪场养殖户对猪场进行日常信息管理和全流程追溯,利用基于Haar特征的Adaboost算法对猪脸进行检测。检测方法如下:首先对采集的猪脸图像进行灰度处理,去除噪声;其次利用Adaboost算法搭建模型,训练出可以区分猪脸的弱分类器,这些弱分类器通过优化后再级联到一起构成强分类器;再次采用Haar特征来计算样本中对应的特征值信息;最后对图像进行多次缩放保证进行猪脸检测时能够捕捉到足够的信息。实验结果表明,与传统的主成分分析法相比,基于Haar特征的Adaboost算法生成的猪脸分类器能够更好地进行猪脸检测,在运行速度和检测准确率上都有较大提升。

基于改进PERCLOS的疲劳驾驶检测系统的设计

针对疲劳驾驶事件频发、检测难度较高的问题,设计一种基于改进PERCLOS的疲劳驾驶检测系统。以搭载CMOS摄像头的OpenMV作为主控,实时检测驾驶人的人脸图像,采用基于Haar特征的Cascade分类器来分割人眼区域,再从人眼区域内提取瞳孔的颜色深度特征,计算得出人眼开合度,从而判断驾驶员是否在眨眼。使用眨眼频率替代PERCLOS算法中的眼睛闭合时间的评价指标,结合方向盘握力特征和汽车横向加速度特征进行多传感器信息融合,综合判断驾驶员是否处于疲劳状态。实验结果表明,系统检测准确率达到90%以上,实时性较强,能够以一种低成本方案解决疲劳驾驶检测的需求。

融合SIFT和级联分类器的特种车辆自动检测识别

针对特定场景中特种车辆因多环境影响因素下数据不均衡、检测精度和识别准确率低的问题,提出一种融合尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)和级联分类器的特种车辆自动检测及识别预测方法。首先,图像预处理后运用SIFT特征提取图像主体区域特征点及特征描述子;其次,结合SIFT特征点的密度调整优化算法实现目标车辆检测;最后,运用KMeans聚类算法获得目标检测框中SIFT特征描述子的中心聚类点,生成表征目标主体图像的128维特征描述子,并最终输入RF-RBF(Random Forest-Radial Basis Function)级联分类器进行学习并识别预测。该文均采用K折交叉验证方法保证模型的稳定性和可靠性。实验结果表明,在特定场景下特种车辆目标检测获得了75.47%平均交并比,级联分类器在特种车辆识别的综合准确率、精确率、召回率、F1-Score值以及FPS值分别为87.35%、88.17%、97.27%、92.38%以及21。进一步验证融合SIFT和级联分类器模型具有较好的自动化检测准确性和识别分类能力。

基于图像特征转换和级联分类器的混凝土表面裂缝快速识别方法

提出了一种基于图像特征转换和级联分类器模型的快速混凝土表面裂缝快速识别方法,并利用交叉验证法对网络结构进行了优化。研究结果表明:将裂缝图案经特征变换后转化为一组特征值,能够有效突出裂缝的形态特征,极大降低运算复杂性;级联分类器模型对样本库容量要求更低,效率较高,具有更高的鲁棒性及识别准确度。

基于Haar-like特征分类器的列车受电弓智能定位研究

弓网系统在高速行驶的动车组运行过程中发挥着至关重要的作用,列车在运行过程中,受接触网高度变化、列车运行线路复杂背景等因素影响,给受电弓的准确定位及后续故障检测带来巨大干扰。本文提出了一种基于Haar-like特征分类器的列车受电弓智能定位方法。该方法采用积分图方式来高效计算受电弓监测视频帧下的Haar-like特征,利用Adaboost算法训练受电弓分类器,从而得到级联boosted分类器,以完成受电弓的实时位置检测。上述方法的有效性和泛化性在2段真实的受电弓监控视频流中得到验证,实现了在复杂背景噪声下的受电弓区域的准确有效定位。

一种改进的AdaBoost算法——AD AdaBoost

目标检测问题是计算机视觉领域最普遍和关键的问题之一.基于级联结构的AdaBoost算法目前被认为是较有效的检测算法,但是其在低FRR端的性能仍需改进.文章提出了一种针对目标检测问题的改进AdaBoost算法———AD AdaBoost.AD AdaBoost采用了新的参数求解方法,弱分类器的加权参数不但与错误率有关,还与其对正样本的识别能力有关.该算法能够有效地降低分类器在低FRR端的FAR,使其更适用于目标检测问题.新旧算法在复杂背景中文字检测的实验结果对比证实了新算法在性能上的改进.

基于级联支持向量机融合多特征的人脸检测

人脸图像中包含丰富的特征信息,不同特征具有其各自的优势。基于此,提出一种基于级联支持向量机有效融合多种特征的人脸检测算法。该算法首先利用肤色模型对待检图像进行预处理,筛选出疑似人脸区域。然后在疑似区域中提取图像的HOG(Histogram of Oriented Gradients)和LBP(Local Binary Patterns)特征,并分别对这两种特征集进行特征选择,训练两个SVM(Support Vector Machine)分类器,最后将两个SVM分类器级联起来实现人脸检测。在多个人脸图像数据库上的实验结果表明,该人脸检测算法提高了人脸检测率,降低了误检率,并且对多种光照条件、姿态、表情以及部分遮挡的情况都具有较好的鲁棒性。

改进的基于AdaBoost算法的人脸检测方法

针对传统AdaBoost算法的不足,分析了训练过程中出现的退化问题及样本权重扭曲的现象,并提出了解决这一问题的有效方法。该方法对样本权重的更新规则进行了适当的调整,即为每一轮循环设定一个权重更新阈值,根据样本是否被错误分类以及当前权重是否大于该阈值来更新样本权重,从而限制了困难样本权重的过分增大。使用该方法训练级联人脸检测器,试验结果表明,该方法较好地解决了传统AdaBoost算法所出现的退化问题,在保证检测率的同时降低了误检率。

基于结构特征和灰度特征的车牌字符识别方法

提出了基于结构特征和灰度像素特征的车牌字符级联识别方法。为提高车牌字符识别性能,分别在车牌二值小字符图像上提取结构特征和直接利用PCA降维后的车牌二值小字符图像的像素特征作为输入,用支持向量机(SVM)将其映射至高维空间分别进行分类,取两者中置信度高的结果作为预分类结果。当分类结果为"8"、"B"这类易混的字符时,取对应的灰度小字符图像像素值作原始特征,用PCA降维后再次用SVM进行分类,分类结果作为最后的二次分类结果。若为"0"、"D"时,则再次利用结构特征分类器做最后分类。该算法被用于台湾地区车牌的字符识别系统中,实验表明它能有效提高易混字符的识别正确率,具有很高的识别性能,应用前景广泛。

基于肤色和AdaBoost算法的彩色人脸图像检测

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸。实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果。

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法.Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征.结合Haar-Like矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测.人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果.

基于Gabor、Fisher脸多特征提取及集成SVM的人脸表情识别

针对静态的灰度图像表情库,提出了基于多种脸部表情特征多级分类的表情识别算法。首先在选取的人脸特征点上作局部的Gabor小波变换。为了提高特征提取速度,利用改进的弹性图匹配算法来提取图像中的人脸有效区域,在提取的人脸区域中提取几何特征,并通过Fisher脸法提取统计特征,利用几何特征与建立的相应一级集成SVM来进行初次分类。最后利用Fisher特征与建立的相应二级集成SVM进行最终分类。通过在JAFFE与Cohn-Kanade表情库中实验,证明该方法与单个特征相比较,具有更高的表情识别率以及更强的鲁棒性。

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。

基于单目视觉的前方车辆检测与测距

针对智能车辆控制中的防碰撞问题,提出一种新的前方车辆检测与测距方法。采用多尺度分块二值模式与Adaboost提取车辆候选区域,根据候选区域内的水平边缘和灰度特征去除车辆误检,解决分类器检测过程中路面和绿化带的干扰问题。利用改进的车辆底部阴影定位方法获得车辆准确位置提高测距精度,建立基于位置信息成像模型的车距测量方法,测量前方车辆距离。实验结果表明,该方法在不同天气情况下车辆平均检测率为98.42%,车距测量平均误差为0.71 m。