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。

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。

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。

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。

一种基于HSV颜色分割和模糊级联分类器的人脸检测技术

在复杂背景下的人脸检测技术是当今智能视觉技术中的一项难题。为了提高人脸检测的精度和实时性,降低误检率,基于HSV模型和模糊级联分类器对复杂背景中的人脸检测技术进行研究。首先在HSV模型中对图像进行选择性光线补偿,然后对图像在HSV模型中进行分割,接着用图形学的方法去噪,再将连通的肤色区域构建肤色团块,并且利用人脸的脸部比例特征来剔除不相符的人脸团块,最后利用模糊级联分类器对肤色团块检测人脸。该算法的误检率和漏检率分别为0.1%和5.9%,检测的准确率可以达到94.1%,并且有效提高了检测速度,具有一定的实用价值。实验结果表明,基于HSV肤色检测和模糊级联分类器的算法能更好地处理人脸在较差光线和有阴影干扰的环境下的检测。

Haar特征耦合级联分类器的车道线检测算法

为提高复杂环境下的车道线检测精度,设计基于Haar特征耦合级联分类器的车道线检测方案。对输入图像进行尺度缩放,根据消失线位置提取感兴趣区域(region of interest,ROI);从该ROI中提取车道线的Haar特征,引入级联的车道线分类器,对ROI中的车道线进行粗检测;借助线段检测器(line segment detector,LSD),对粗检测结果进行线拟合;结合生长策略与几何检查来优化拟合结果,完成目标检测。在多个数据集上进行测试,测试结果表明,与当前的车道线检测方法相比,所提算法具有更高鲁棒性与准确率,可达96.5%。

级联SVM和分类器融合的人脸性别识别方法

传统的支持向量机(Support Vector Machines,SVM)在面对大样本训练问题时,其样本数量会受到内存的限制。因此,提出一种基于级联SVM和分类器融合的人脸图像性别识别方法。级联SVM分类器可以通过设定阈值将识别难易程度不同的样本分成若干层次来进行训练;同时,在级联的每一层上,为了降低分类器在识别过程中受各种因素的影响,对不同特征维数下得到的最优分类器进行融合,通过融合减小误差,使中性的人脸样本有更明确的分类。在同一硬件条件下的实验结果表明,单层SVM最多只能训练7万样本,而四层级联SVM训练样本数可达12万以上,相应的识别率也从单层融合前的96.7%上升至四层融合后的99.1%。

双阈值级联分类器的加速人脸检测算法

提出了一种基于双阈值的两级级联分类器的人脸检测加速方法。该方法首先应用Gabor滤波器提取经模板匹配保留的似人脸样本特征,经主成分分析(PCA)降维后的特征作为第一级BP神经网络输入进行检测,在输出端应用双阈值对人脸/非人脸进行粗检测,然后把介于双阈值之间的人脸/非人脸模块作为第二级AdaBoost算法设计的输入并再次进行精检测,从而在提高检测速度的同时达到提高检测率和降低误检率的目的。实验表明,应用双阈值进行级联分类加速检测后,该方法的检测精度要优于基于简单阈值的分类器。

应用级联分类器检测安瓿内弱小运动目标

针对序列图像内具有低信噪比和低对比度特征的运动目标,提出了一种基于级联分类器的弱小目标检测算法。该算法从安瓿瓶序列图像内提取绝对差分值、局部差分对比度和局部相关系数3个图像特征。每个图像特征对应一个分类器,通过三层级联形式实现序列图像中的小目标检测。第一个节点与传统帧间差分法类似,主要去除大量背景图像并检测出大颗粒运动目标,后两个节点则用于检测弱小目标、排除光流和瓶身污渍产生的噪声点。实验结果显示,相对于传统的帧间差分法,本文算法具有高检测精度和高抗干扰能力等特点,不仅可以检测出图像中弱小运动目标,同时也消除了复杂背景下的噪声影响,弱小目标的检出率达到99.3%,并且满足安瓿在线检测的实时性要求。

基于AdaBoost-SVM级联分类器的行人检测

针对实时行人检测中AdaBoost级联分类算法存在的问题,改进AdaBoost级联分类器的训练算法,提出了Ada-Boost-SVM级联分类算法,它结合了AdaBoost和SVM两种算法的优点。对自定义样本集和PET图像库进行行人检测实验,实验中选择固定大小的窗口作为候选区域并利用类Haar矩形特征进行特征提取,通过AdaBoost-SVM级联分类器进行分类。实验结果表明AdaBoost-SVM级联分类器的分类器准确率达到99.5%,误报率低于0.05%,优于AdaBoost级联分类器,训练时间要远远小于SVM分类器。

基于RBF-RF级联分类器电子鼻对中药的快速鉴别

目的:将电子鼻引入中药研究领域,探讨其在实际应用中的难点并提出解决方案,建立优化判别模型,为中药鉴别提供一种简便、快速、有效的分析方法,同时为气敏传感器的研发及应用提供新思路。方法:采用电子鼻提取中药气味特征,基于MOS传感器的离子迁移谱,建立中药气味指纹图谱。以传感器最大响应值为分析指标,针对鉴别难点,提出两种解决方案:尝试不同检测器,即扩充传感器数量,尽量缩小"嗅觉盲区";采用"级联分类器"构建法,即采用径向基函数(RBF)与随机森林(RF)二级级联分类器构建判别模型。通过十折交叉验证和外部测试集验证对所建模型进行系统性能的评估。结果:两种方案准确、可行,具有较高的正判率和较好的泛化能力(所得最高正判率分别为95%和100%、96%和80%)。结论:本研究首次采用"级联分类器"模式构建中药电子鼻鉴别的判别模型,在传感器数量有限的情况下,从所得数据中挖掘最大信息量;以"拆分任务、剥离难点、由易到难、分级递进"为原则,实现电子鼻对中药的快速、准确鉴别。所建模式识别法在可操作性、鉴别准确率和稳定性上均优于传统嗅觉识别法,为中药鉴别提供一种简便、快速的分析方法。

基于EM-PCA和级联分类器的人脸检测

为了提高人脸检测的速度及鲁棒性,提出了一种基于级联分类器和期望最大、主成分分析(EM-PCA)的人脸检测方法.该方法在训练阶段利用不同分辨率的训练样本来训练2个fisher线性分类器,再利用EM-PCA提取特征来训练非线性支持向量机(SVM);在检测阶段,首先通过2个fisher线性分类器快速过滤掉大量的背景区域,再利用非线性支持向量机对余下的候选区域进行进一步验证,以确认是否为人脸.实验结果证明了该方法的有效性和正确性.

基于快速级联分类器的行人检测方法研究

行人检测是图像处理、计算机视觉等方面研究的重要环节,通常用于视频监控和智能车辆等领域。行人检测图像易受到背景的影响,常用的帧差法及单纯训练分类器法在行人检测中存在着准确率低、分类训练算法复杂、实时性差等问题。首先采用改进型帧差法获取行人运动信息,然后利用直方图坐标对应划分出运动区域,最后通过训练双特征级联分类器对运动区域进行检测识别。实验结果表明,本方法可以有效减少误检和漏检现象,检测时间平均减少了32.77ms,检测准确率平均提高了10%以上,因此本方法有效提高了识别准确率和识别速度。

基于组合特征和级联分类器的防震锤检测算法

提出一种高压输电线路上的防震锤检测识别算法,算法基于分块的Haar特征、基于区域的LBP特征以及HOG特征一起作为组合特征来检测防震锤。其主要分为5个步骤:预处理待检测图像;改进归一化互相关匹配算法并进行模板匹配,得到防震锤疑似区域样本集;提取防震锤疑似区域的组合特征;对防震锤疑似区域使用级联分类器进行多级分类;统计分类结果。实验结果表明,该算法具有较高的精确率、召回率和准确率。

一种级联式微博情感分类器的构建方法

该文从统计学方法与机器学习的分类思想出发,对中文微博文本的情感类别进行研究。针对微博文本的特点,提出了一种级联式微博情感分类器模型,该模型首先构建基于情感词典和新浪表情符号词典的微博情感初级分类模型;然后根据基准词构建基于类别倾向相似度的二级分类模型,对初级模型未能确定情感类别的微博进行再次分类,并对初级模型的词典进行更新;最后采用朴素贝叶斯分类器构建三级分类模型,对以上还未确定情感类别的微博进行三级分类。通过与NLPCC2014微博情感分类评测参赛结果进行比较,说明了所提方法的有效性。

基于Haar特征级联强分类器和肤色模型的人脸检测

提出了基于Haar特征级联强分类器和肤色模型校验的快速人脸检测算法。利用基于人脸Haar特征的级联强分类器快速检测人脸,得到待判人脸区域,其中可能含有非人脸误检区域;利用肤色聚类模型对待判人脸区域进行筛选,过滤误检的非人脸区域。实验结果表明,该算法误检率低,检测速度快,在实际应用中有一定的价值。

基于级联稀疏表示分类器的人脸识别算法

针对基于稀疏表示的分类器算法复杂度高、识别速度较慢的问题,提出了基于级联稀疏表示分类器的人脸识别算法。该算法采用级联的思想,通过多次重复使用基于稀疏表示的分类器,逐级精确确定待分类样本所在的类,降低了计算复杂度和识别难度,达到了识别率高、鲁棒性强、识别速度快的目标。

基于Haar级联分类器和LBPH算法的人脸识别

随着人们安全出入控制和金融贸易安全方面的需要不断增长,生物统计识别技术有着广阔的发展和应用需求。人脸识别作为最热门研究方向之一,需要有较强的检测率和识别的准确率,本文通过Haar级联分类器将捕捉到的人脸进行特征化,通过LBPH算法提取直方图特征,从而实现动态的人脸识别。实验表明:该算法可以在部分遮挡和微笑的情况下,能够对动态人脸进行有效识别。

加权判决级联分类器人脸检测方法研究

AdaBoost算法要提高检测精度,需要级联更多的强分类器,这样会降低检测速度。针对这个问题,在AdaBoost级联分类器中引入加权判决函数,对其中相互独立的级联分类器判决结果进行信息融合,不增加级联的强分类器个数,提高了检测率。实验结果表明,该方法在保证检测速度的同时,提高了检测率,在CMU+MIT人脸测试库上取得较好的效果。