基于双阈值的增强型AdaBoost快速算法

在应用AdaBoost算法的人脸检测中,针对训练时间太长及权重调整过适应等问题,提出一种基于特征值等分和双阈值的增强型AdaBoost快速训练算法,给出了双阈值的快速搜索方法。在MIT-CBCL人脸和非人脸训练库上对算法进行了实现。实验结果显示,改进后的双阈值增强型AdaBoost算法简化了训练过程,训练速度提高50倍,收敛速度也更快。使用训练得到的检测器对MIT+CMU人脸测试库进行了测试,结果表明,该方法在检测精度和速度等方面都优于单阈值方法。

融合双肤色模型及AdaBoost算法的人脸检测

为提高人脸检测的精度,提出一种融合双肤色模型与Adaboost算法的人脸检测方法。首先采用YCbCr颜色空间的固定阈值模型初次分割图像,利用分割结果修正高斯肤色模型的参数并对图像进行肤色二次分割,对两次分割的结果进行逻辑运算,粗定位人脸区域。结合Adaboost算法,实现对候选人脸区域的精确定位。实验结果表明,该方法提高了人脸检测率,降低了误检率,具有较好的鲁棒性。

基于双阈值运动区域分割的AdaBoost行人检测算法

结合单目摄像机静止拍摄的视频序列使用背景差法或AdaBoost算法检测行人时分别存在易受噪声干扰或检测速度慢的问题,提出一种双阈值运动区域分割的AdaBoost快速行人检测算法。首先建立背景帧,利用前景帧与背景帧的差分图像拟合噪声曲线,提取噪声与亮暗运动目标的阈值,消除噪声,分割出运动区域;然后通过AdaBoost学习算法选择少量有效的Haar-like弱矩形特征构造强分类器;最后在运动区域利用强分类器检测是否包含行人。实验结果表明,该方法迅速缩小了检测范围,加快了检测速度,降低了误检率。

基于双阈值AdaBoost算法的4-CBA含量软测量建模

针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。

双策略耦合优化的含瓦斯煤破裂过程信号辨识

为解决含瓦斯煤破裂过程信号特征的辨识问题,以双向长短时记忆网络(BiLSTM)为基分类器,提出一种基于AdaBoost算法与哈里斯鹰优化(HHO)算法双策略耦合优化的辨识模型。首先针对AdaBoost算法中错误样本占比随迭代不断增加影响最终强分类器辨识效果的问题,引入权重参数,以改变弱分类器权重,提高辨识精度;然后为确定最优的模型参数,结合HHO,优化辨识参数与权重参数,优化过程中HHO与改进的AdaBoost算法产生耦合作用,使得辨识模型的准确性和稳定性达到最优,平均准确率为91.36%,标准差缩小至0.0174。研究结果表明:双策略耦合优化HHO-AdaBoost-BiLSTM含瓦斯煤体破裂过程信号特征辨识模型准确性更高,稳定性更强。

基于双肤色模型和AdaBoost的人脸检测系统设计

本文在Windows平台下,基于VS2010和Intel开源计算机视觉库OpenCV设计了一个实用的人脸检测系统,实现复杂背景图像中可能存在的人脸区域检测。人脸检测功能的实现主要融合双肤色模型和AdaBoost算法。首先基于YCbCr颜色空间的简单边界模型和高斯模型对图像实现分割并分析处理,实现人脸区域的粗定位。然后对人脸候选区域采用AdaBoost算法进行精检测。该系统使用简单,检测效果较好。

基于优化加权参数的AdaBoost人脸检测算法

针对在已有人脸检测方法中采用单阈值所导致的误检率太高的问题,提出一种基于优化加权参数的快速AdaBoost训练检测算法。算法通过改变弱分类器加权参数求解公式的方法,保证了在低误检率的前提下也能获得低误警率;通过特征值曲线自适应得到双阈值,然后构造双阈值弱分类器并进行集成,形成强分类器。实验结果表明,该算法不仅能够有效地提高检测精度,而且,由于双阈值能够减少搜索次数,从而使训练和检测时间也有明显的改进。

基于特征裁剪的双阈值Adaboost人脸检测算法

针对传统Adaboost算法存在训练耗时长的问题,提出一种基于特征裁剪的双阈值Adaboost算法人脸检测算法。一方面,使用双阈值的弱分类器代替传统的单阈值弱分类器,提升单个弱分类器的分类能力;另一方面,特征裁剪的Adaboost算法在每轮训练中仅仅利用错误率较小的特征进行训练。实验表明基于特征裁剪的双阈值Adaboost人脸检测算法通过使用较少的特征和减少训练时的特征数量的方式,提高了算法的训练速度。

基于双特征的改进型AdaBoost人脸检测算法

针对传统AdaBoost算法在单特征分类器训练时耗费时间长、弱分类器质量低的问题,本文提出一种基于双特征的改进型AdaBoost分类检测算法。首先,通过粒子群寻优算法(PSO)搜寻最优的两个特征,以及两特征对应的阈值,形成双特征型弱分类器。接着将弱分类器组合成强分类器,最后在MATLAB软件中利用MIT人脸数据库进行仿真实验,结果表明本文基于双特征的分类器性能优于单特征分类器。

图像分区域多特征融合斜向车辆检测算法研究

目前基于机器视觉的车辆检测和跟踪技术成为道路环境感知的重要手段,用于预防交通事故的发生。针对前向车辆的检测技术日益成熟,并有商业化的产品出现,而斜向车辆的检测技术尚不成熟。该项目主要研究斜向车辆的检测与跟踪问题。针对车道线检测算法,提出基于Hough变换与K-means聚类融合的改进车道线检测算法,并结合ROI区域提取,缩小检测范围。针对车辆检测,提出对车辆检测算法的两级优化:首先利用车辆阴影特征和图像垂直边缘特征融合,生成疑似目标区域,提出两次自适应阈值分割与OTSU算法融合的改进双阈值分割算法用于改善阴影特征提取的效果;其次,通过HOG特征与Haar-like特征结合,与Adaboost算法联合训练Adaboost级联分类器,生成目标验证区域,并提出基于高斯核函数的核主成分分析法,对图像特征降维处理,改善实时性。基于上述算法优化,对斜向车辆的检测试验结果表明:采用阴影特征与边缘特征融合的优化算法对斜向车辆的识别准确率达90%;在良好天气条件下,HOG+Haar-like融合特征的Adaboost级联分类器检测的准确率达95%;采用核主成分分析降维后检测时间缩短了26%;二者融合的综合效果改善明显。