一种加入动态权重的AdaBoost算法

【目的】由于AdaBoost算法弱分类器对各待测样本其投票权重是固定不变的,这会导致使用该算法进行分类时准确性不高,于是针对该问题提出了一种结合静态权重与动态权重的学习算法AdaBoost＿DW。【方法】该算法保留了AdaBoost算法训练阶段产生的全部弱分类器,在预测阶段加入了能度量待测样本与各个弱分类器适应性的动态权重,通过双权重共同决定该弱分类器的投票权重。【结果】实验结果表明,AdaBoost＿DW算法的分类精度绝大多数情况下高于原AdaBoost算法。【结论】证明了动态权重的加入能够提高原AdaBoost算法在各数据集上的分类准确率。     

基于改进AdaBoost算法的行人检测方法

基于传统AdaBoost算法的识别率和误报率同时低的原因。提出一种改进AdaBoost算法的行人检测方法,采用类Haar特征作为行人特征,引入误报率来更新样本权重,使得识别率降低得更慢,实现一个级联的行人检测分类器。相比于传统AdaBoost算法,改进算法不仅取得较优的识别率,并且可以降低分类器训练的层数。实验证明了改进算法的有效性。     

基于Online AdaBoost的偏振图像目标跟踪

根据偏振图像的特点,文章提出一种基于在线AdaBoost的目标跟踪方法.该方法以最小二乘回归作为弱分类器,以强度、偏振度和边缘方向特征组成的向量为其输入;通过AdaBoost算法将多个弱分类器集成为强分类器,并在跟踪过程中利用AdaBoost算法对强分类器进行在线更新,以适应目标与背景的变化;利用强分类器生成当前置信图...     

AdaBoost图像到类距离学习的图像分类方法

近年来,距离度量学习已经成为图像分类领域的研究热点之一,图像到类距离的度量作为其中的一种方法,取得了不错的分类效果.该方法是一种非参数方法,但由于缺少训练学习,其分类性能很容易受干扰因素的影响,为此提出一种基于AdaBoost算法的图像到类距离学习的图像分类方法 .首先将图像到类的距离进行阈值化处理,并使用线性分段函数作为图像到类距离的评价函数,然后将该评价函数作为弱分类器加入到AdaBoost算法中生成一个强分类器.为了选择最优的弱分类器,使用粒子群优化算法确定图像的相似性阈值,再基于权重错误误差最小化原则得到距离评价函数的两个评价值.最后通过实验验证,该方法在Scene-15和Caltech-101图像数据集上比其他方法有更好的分类效果.     

一种改进的AdaBoost算法——M-AsyAdaBoost

提出一种Asymmetric AdaBoost改进算法——M-Asy AdaBoost.M-Asy AdaBoost算法通过新的样本权重分配方式可以确保训练过程不失败;分类器权重采用对正样本的分类错误率形成优化权重,突出对正样本的识别能力,提高检测概率;并且通过对加入分类器集的分类器的限制,使检测概率单调增加.该算法在较低虚警概率下,达到高检测概率.计算机仿真结果验证了算法的正确性.     

基于级联AdaBoost的Snort异常检测预处理插件研究

在开源网络入侵检测系统Snort的预处理阶段加入了一种新的预处理插件,插件中使用改进的AdaBoost算法进行异常网络流量的特征提取和构造每一级AdaBoost分类器,然后用级联的结构将多个AdaBoost分类器做线性组合共同完成入侵检测,组合系数通过自适应学习得到。实验表明,该插件可以有效地检测Snort规则集中无可匹配特征的异常网络流量,降低Snort系统对于异常流量检测的漏报率和误报率,满足高速网络环境对入侵检测实时性的要求。     

Adaboost算法在人脸识别系统中的应用

针对人脸识别系统中采用的AdaBoost算法存在特征冗余的缺点,采用进化算法对其优化,消除冗余.首先采用AdaBoost算法提取类Harr小波特征,然后采用进化算法在低维的AdaHarr特征空间中寻找全局最优解,得到相应的弱分类器及其权重与阈值,将其加权求和得到最优的强分类器,以此建立最优人脸识别系统.对提出的算法进行测试,结果表明,在人脸识别系统中,基于进化算法的AdaBoost算法比优化前算法的弱分类器数量与正确率均得到提升,可见该算法能改善人脸识别系统的性能.     

基于Haar与MB-LBP特征的车牌检测算法

针对传统AdaBoost算法中训练耗时及权值扭曲现象,提出了一种融合Haar和MB-LBP特征的车牌检测算法.首先,分别计算使得分类误差最小的Haar与MB-LBP特征,经比较2种特征的误差,选择最优的特征构成弱分类器,并利用AdaBoost算法将各弱分类器进行有效的级联;其次加入了权重阈值,调整了样本权值的更新规则,避免了训练过程中权值扭曲现象.该算法用于检测图像中的数字0～9,利用非最大抑制合并检测到的数字区域,通过车牌的灰度跳变特征过滤候选区域,更精确地定位车牌.实验表明,该方法有效地缩短了训练时间、减少了特征的个数、避免了训练中出现的权值扭曲现象、检测率较高且误检率较低.     

基于量子演化理论的行人检测改进算法

对视频中移动摄像头下的行人检测问题进行了研究,在AdaBoost行人分类算法、支持向量机(SVM)理论和多目标优化原理的基础之上,并结合三者的特点,提出了一种基于量子演化算法的行人检测优化算法。首先,使用传统的AdaBoost算法对行人进行粗粒度的分类,然后使用支持向量机(SVM)设计精度更高的行人检测器。针对SVM的分类器参数多、关系复杂,而且无好的调节准则,根据核函数的构建条件,将实值量子演化算法引入到SVM参数的寻优问题中,对于分类性能采用多目标优化的方法,取得了较好的效果;同时从理论上分析了算法的复杂度。经过实例测试,算法与经典多目标优化算法NSGA-II的相比,改进效果明显。最后的实验说明了算法检测的准确性。     

基于AdaBoost算法与神经网络的快速虹膜检测与定位算法

针对目前已有的虹膜检测与定位算法的局限性, 设计了一组具有局部互联结构的神经网络, 结合AdaBoost算法用于虹膜的检测与定位. 算法主要有以下特征： 根据虹膜图像的特点设计了一组具有不同感受野和不同复杂程度的局部互联神经网络虹膜分类器; 应用AdaBoost算法整合神经网络分类器, 产生一个具有很强虹膜检测能力的总分类器; 采用级联结构提高系统的检测速度. 实验结果表明, 该方法具有极高的检测精度与速度, 有效地解决了包含大量脸部区域的虹膜检测与定位问题, 以及以往方法很难解决的白内障患者的虹膜检测和定位问题.     

基于Gamma和AdaBoost的人脸检测系统设计

为了有效地实现人脸的检测效果,文章在AdaBoost算法基础上提出一个改进的人脸检测算法．为了有效地消除光照和成像对人脸的影响,该算法将Canny修剪算法和伽马矫正算法进行结合,有效地消除光照和成像设备对人脸的影响．并利用VisualC＋＋和OpenCV等开发工具设计了一个人脸检测系统．本系统采用20×20的人脸图像和背景图像各1000张训练了一个7层的级联分类器,每一层构成的强分类器由一组基于Haar特征的弱分类器构成．该系统通过自选137幅包含人脸和背景的图片对系统进行测试,获得94．72％的正确检测率以及26．42％的误检率．     

基于模型决策树的AdaBoost算法

AdaBoost算法是一种将多个基学习器通过合理策略结合生成强学习器的集成算法,其性能取决于基学习器的准确率和多样性。但弱学习器分类精度不高往往也导致了最终强分类器性能较差,因此进一步为了提高算法的分类精确率,本文提出一种MDTAda模型,首先利用基尼指数迭代构造一棵不完全决策树,然后在决策树的非纯伪叶结点上添加简单分类器,生成MDT(模型决策树),将MDT作为AdaBoost算法的基分类器,加权平均生成强分类器。在标准数据集上的实验表明,相比传统的AdaBoost算法,本文提出的算法拥有更好的泛化性能和更优的间隔分布,且在与AdaBoost算法达到相同精度时所需迭代次数更少。     

基于AdaBoost算法的快速虹膜检测与定位

针对目前虹膜检测和定位方法中检测速度和定位精度等方面存在的不足,提出了一种利用AdaBoost算法进行虹膜快速检测和定位的方法.根据虹膜灰度图像的空间结构特征,提取出3类能反映这些结构的Haar-like矩形特征,从中挑选对虹膜图像有最好区分性的385个特征构成弱分类器,再组合生成强分类器.使用正负样本图像训练后,由强分类器级联组成了一个23层分类器系统.实验结果表明:该分类器系统的检测速度平均可达66帧/s,正样本的识别率约为96%,满足了虹膜识别系统实时性的要求.与其他方法相比,有更高的检测速度和定位精度.     

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.     

基于RBF核函数的集成分类AdaBoost算法研究

基于径向基函数的神经网络、支持向量机已被广泛应用于模式分类。为了进一步提高分类的精度,将径向基函数应用于集成的AdaBoost算法,即以RBF神经网络和以RBF核函数的支持向量机分别作为AdaBoost的弱分类器,集成更高精度的强分类。通过对标准数据集的分类实验性能对比,证明了其算法解决分类问题有效性。     

BP_Adaboost算法的改进及在首轮融资时总票房分类预测中的应用

为获得改进的分类算法BP_Adaboost,利用思维进化算法(MEA)和列文伯格-马夸尔特算法(LM)结合改进的BP神经网络作为弱分类器,由改进的弱分类器集成得到MEA-LM-BP_Adaboost算法.提出了基于MEA-LM-BP_Adaboost算法的首轮融资时总票房分类预测方法,该方法包括变量选取及操作化处理、网络参数优化、MEA改进弱分类器、LM算法改进弱分类器、MEA-LM-BP_Adaboost算法的流程设计、待预测电影验证6个部分.选用2013～2018年的245部国产电影作为样本验证该预测方法和模型,测试集分类准确率可达73.3％.最后在模型准确率、稳定性、K折交叉验证3方面进行模型整体性能比较,结果表明本文提出的模型整体性能最好.     

产生式与判别式组合分类器学习算法

在AdaBoost集成方法的基础上,研究了一种产生式与判别式模型组合的方法。该算法在每轮中同时学习一个产生式分类器和一个判别式分类器,选择误差率较小的作为个体分类器,然后对所有个体分类器采用加权的方法得到最终分类器。实验结果表明,该方法在准确率和收敛速度上都具有很好的效果。