一种基于改进的AdaBoost的SAR图像分类方法

合成孔径雷达(SAR)图像由于受到相干斑点噪声的影响,使得其高精度的分类算法研究受到极大的挑战.为了提高SAR图像分类的性能,本文根据SAR图像的成像机理和统计特性,通过灰度共生矩阵特征的提取,结合纠错编码,构造了一种SAR图像分类的Ada Boost改进算法.实验结果表明,该算法得到较好的分类结果,分类精度得到了显著的提高.     

基于改进AdaBoost算法识别包装瓶的设计与实现

设计使用智能手机远程控制机器人,以树莓派(Raspberry Pi)作为系统主控核心,充当服务器端的角色,融合Haar-like特征值、分类器的加权系数以及AdaBoost算法,提出WIE-AdaBoost算法,并给出实现流程,最终通过无线网络使用智能手机实现对不同包装瓶的准确分类,并进行实验验证其准确性。实验结果表明,改进后的AdaBoost算法在训练集样本相对适合的情况下,对各种包装瓶的识别准确率达到92.86%,比传统AdaBoost算法的准确率提升9%左右,系统识别时间约为5 ms,已达到工业识别1 s的要求。     

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。     

改进AdaBoost算法的人脸检测技术

针对常见的人脸检测算法存在的误检率高、漏检率高等不足,增加了AdaBoost算法中的新型类Harr_Like特征,去除了一些分辨效果不是很好的特征,提高检测人脸的实时性.再利用三庭五眼的先验知识进一步判别真实的人脸.实验结果表明,改进后的算法实时性得到了一定的提高,误检率和漏检率得到了一定的降低。     

应用于说话人识别的AdaBoost GMM算法

与文本无关的话者识别一般采用高斯混合模型(GMM),而AdaBoost算法是用于提高各种现有学习算法精度的一种通用的优化算法.论文中讨论如何应用AdaBoostGMM算法进行说话人识别.     

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。     

电表图像中多条码的定位与识别

根据条形码的平行、密集等特性,设计了一套在电表图像中对多条条形码进行定位并且逐一识别的算法,可用于抄录条码的人工智能设备,该算法主要分三部分,分别是条码定位、条码抽取和条码识别．其中条码定位和条码抽取的算法,是根据条形码的平行和紧密的形态特性而设计;而条码识别在条码抽取的基础上利用组合计算条和空的宽度比例．实验表明,本文算法能够对图像中多个条形码进行准确且快速的定位,并且能逐个识别和校验。     

粗糙K-means和AdaBoost结合的雷达辐射源快速识别算法

针对数据集识别难度分布不均匀,提出了基于粗糙K-means和AdaBoost的雷达辐射源快速识别算法。该算法由2个阶段构成:初级识别阶段提出一种改进粗糙K-means算法,将数据特征空间分割为确定区域、粗糙区域和不确定区域,构建雷达辐射源快速识别算法模型,对数据集进行筛选和识别,同时提出了一种确定粗糙K-means算法初始聚类中心和聚类数量以解决其固有缺陷的思路;在高级识别阶段,基于粗糙区域已知数据训练的多类AdaBoost分类器识别不确定区域未知数据,提升识别精度。仿真结果表明:该算法与RBF-SVM和AdaBoost相比,精度浮动在-0.1%到+1.4%之间,训练时间和测试时间分别最大缩短0.857s和0.005s,在保持了较高识别精度和泛化能力的同时,明显降低了计算复杂度,缩短了耗时,提供了设计雷达辐射源快速识别算法的新思路。     

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.     

基于改进Adaboost算法的人脸检测研究

分析Adaboost弱分类器计算耗时的原因,并提出了本文的改进。根据强分类器错误率上限的计算公式,推导出弱分类器错误率的期望值,并以此作为减少计算量的依据。实验结果表明,本文的改进方法,在保持弱分类器性能不变的条件下,可以有效降低计算量。     

基于VQMAP模型和AdaBoost学习算法的说话人识别

为了解决传统说话人识别系统在集成学习后识别速度变慢且容易过学习的问题,构造了一种基于最大后验矢量量化(VQMAP)模型和自适应提升(AdaBoost)学习算法的说话人识别系统.首先,分析了说话人识别系统中基分类器性能对集成分类器泛化误差的影响.然后,针对说话人的类别数,构造适当精度的VQMAP模型.最后,利用包含提前终止策略的AdaBoost学习算法将该模型提升为强分类器.实验结果表明:该算法的识别速度较高,是最大后验高斯混合模型(GMMMAP)的9倍;该算法可有效控制AdaBoost学习算法在说话人识别中的过学习问题,其性能优于VQMAP模型,且在训练数据较少或者类别数可预计的情况下,其性能可接近甚至超过GMMMAP模型.     

改进特征的车牌识别算法

由于光照不均、倾斜、模糊、字符笔画粗细不均匀、切分位置偏差因素,现有车牌识别算法的最终字符识别正确率较低。对现有几种BP字符识别算法所选取的输入特征进行改进和融合,作为BP神经网络的输入,以提高识别的准确度。通过对大量样本仿真实验,证明新特征很好地保留了字符的纹理信息,提高了BP网络对畸异字符的适应性,同时提高了综合识别率,有较高的实用价值。     

基于改进ReliefF算法的哑铃动作识别

为了实现哑铃动作分类识别的目标,在哑铃上加装惯性传感器模块,通过采集哑铃锻炼过程中的运动信号,经信号标准化、滤波、基于初始静态量周期分割预处理后,提取侧平举、前平举、反握弯举、锤式弯举、弯举5种哑铃动作的特征向量,使用改进的ReliefF特征选择算法,选择最优特征向量,采用基于平衡决策树的支持向量机对不同的哑铃动作进行分类识别。通过在实验室自主研发的哑铃动作识别系统上进行测试,结果表明：系统能够在单个哑铃动作周期内对哑铃动作进行识别,且识别率可达90%以上,为提供更加个性化的哑铃动作指导奠定基础     

基于改进kNN算法的人脸识别研究

通过分析人脸识别流程和结构设计分析得出分类算法的选择决定着人脸识别结果质量;从而对经典k NN算法进行分析,提出了一种动态取得k值的改进k NN分类算法。通过实验测试,证明改进的k NN分类算法可以有效地提高识别精度的稳定性。     

一种改进YOLOv3的手势识别算法

为了解决YOLOv3算法在手势识别中存在识别精度低及易受光照条件影响的问题,提出了一种改进的YOLOv3手势识别算法。首先,在原来3个检测尺度上新增加1个更小的检测尺度,提高对小目标的检测能力;其次,以DIoU代替原来的均方差损失函数作为坐标误差损失函数,用改进后的Focal损失函数作为边界框置信度损失函数,目标分类损失函数以交叉熵作为损失函数。结果表明,将改进的YOLOv3手势识别算法用于手势检测中,mAP指标达到90.38%,较改进前提升了6.62%,FPS也提升了近2倍。采用改进的YOLOv3方法训练得到的新模型,识别手势精度更高,检测速度更快,整体识别效率大幅提升,平衡了简单样本和困难样本的损失权重,有效提高了模型的训练质量和泛化能力。     

基于改进遗传算法的虹膜识别方法研究

为了提高虹膜识别算法的有效性,提出了基于改进遗传算法进行特征选择的虹膜识别方法.针对虹膜图像纹理分布的特点,采用了多尺度环对称Gabor滤波器进行特征提取.同时,在特征选择上对经典遗传算法进行了改进,调整了遗传算法的交叉机制,提高了算法的搜索效率.为了检验算法的有效性,在中国科学院CASIA虹膜数据库上进行验证,实验结果表明该方法具有较高的识别精准度.     

基于改进Faster R-CNN的车辆类型识别算法

提出一种基于改进Faster R-CNN(region-convolutional neural networks)的车辆识别算法,用于处理不同类别车辆的识别问题.为了解决部分外形相似类别的车辆之间的误检问题,该方法使用空洞卷积来提高感受野,结合空洞空间金字塔池化(atrous spatial pyramid pooling,简称ASPP)来增强多尺度信息的获取,以此来增强网络对外形相似车辆之间差异的敏感性,提升算法的准确率.实验结果表明,改进的Faster R-CNN模型mAP值达到93.45%,具有较高的精确度、较小的误检率和更好的鲁棒性.     

基于改进的局部方向模式人脸表情识别算法

针对LDP利用Kirsch算子计算8方向的边缘响应值并排序,特征提取速度慢的问题,提出了一种改进的分解局部方向模式DLDP(divided local directional pattern)特征提取方法。将Kirsch算子的8个方向掩模分成2个子方向掩模再分别计算边缘响应值,获得2个编码(DLDP1和DLDP2),级联两个编码的直方图得到表情特征DLDP。然后利用主成分分析法(PCA,principal component analysis)降维处理。最后用支持向量机进行表情识别,在JAFFE数据库上的实验表明,本文方法与近几年效果较好的特征提取算法相比,不仅缩短了特征提取的运算时间,而且提高了识别率。