共查询到20条相似文献，搜索用时 96 毫秒
1.
针对传统基于HOG特征与AdaBoost算法分类器在目标检测中存在检测速度慢、误差率大的问题,提出一种基于改进帧差法与AdaBoost算法相结合的动态行人检测方法。帧差法是运动目标检测的一种算法,能够将运动中的区域很好地显示出来。改进的帧差法不再单一使用一个阈值,而是利用多个阈值,以更好地分割出检测行人,再通过分类器进行多尺度检测来确定目标。该方法减少了传统HOG特征的检测时间,能够更快地找出感兴趣区域,并提高检测速度和误差率。 相似文献
2.
为满足车辆检测实时性和准确性需求,将基于C4.5的决策树算法作为AdaBoost算法的弱分类器,产生一种速度快、识别率高的强分类器,称之为AdaBoost DT算法。算法训练多个决策树并将之作为弱分类器,之后通过改进级联架构的AdaBoost算法将若干弱分类器组合成一个强分类器。该算法特点在于：相对于广泛使用的以SVM作为弱分类器的算法,其以决策树作为分类器,速度提高了29%;通过在AdaBoost算法进行强分类器的形成阶段加入再判决函数,准确率提高了14.1%。 相似文献
3.
为进一步提升方向梯度直方图-局部二值模式(HOG-LBP)特征融合的行人算法在检测精度以及加快融合后的算法检测速度,提出了一种基于级联特征分类器的行人检测算法。计算样本集的方向梯度共生直方图(CoHOG)特征和鲁棒局部二值模式(RLBP)特征,使用这两种特征训练两种特征弱分类器,并将两种特征融合训练CoHOG-RLBP特征弱分类器。针对算法中存在的特征维数过高导致算法检测速度慢的问题,将各特征分类器以不同数量进行级联,构建一个6级特征弱分类器组成的级联特征分类器实现对行人目标的检测,同时使用soft-NMS算法对输出的检测窗口进行融合。在INRIA行人数据集上进行实验,实验结果表明本文算法有效提高了检测的精度与速度。 相似文献
4.
在模式分类领域,分类器特征输入的选择对分类效果是至关重要的.我们提出了一种新的基于相对熵的特征选择AdaBoost方法.在该算法中,引入相对熵度量两类间的距离.在每一轮中,选择最优特征作为二维分量分类器的输入.随着权值的改变,在每一轮中特征的选择也不同.最后,由一组弱分类器结合而成的强分类器.实验表明,与遍历搜索的AdaBoost算法相比,该算法的检测正确率提高了5%,而时间缩短了20%以上. 相似文献
5.
6.
《西安文理学院学报》2020,(2)
针对行人检测时行人外观易受外界因素影响导致检测效率低的问题,从特征提取和分类器设计两个方面对近年来国内外出现的行人检测算法进行综述.首先对影响行人检测率的处理方法进行分类,然后将行人特征分为单一特征、自学习特征和融合特征,结合支持向量机和Adaboost两类分类方法,从算法复杂度和检测效率等方面对这些算法进行分析和比较.最后提出行人检测技术中存在的问题,给出一些建设性意见,并对该技术的未来进行展望. 相似文献
7.
根据神经元的几何特征,通过SVM支撑向量机,构造一族神经元分类器.该分类器能够较准确地区分运动神经元、中间神经元以及感觉神经元,并且可以检测到这几种分类以外的神经元. 相似文献
8.
中文文本分类是对中文按类别来进行分类。基于交叉覆盖算法的文本分类运用交叉覆盖算法作为分类器,能够实现对中文文本的分类。通过它和SVM(Support Vector Machine)分类器的对比实验,说明了交叉覆盖算法,相比于SVM分类器对中文文本分类效果更好。 相似文献
9.
SVM算法只使用已归类的数据训练分类器,而EM算法用少量已归类数据,结合大量的未归类数据来训练分类器,在减少已归类数据的同时保证了分类器的精度。本文基于EM算法的思想,根据SVM文本分类模型,提出一种新的迭代SVM文本分类算法。实验结果表明,迭代SVM算法分类精度高于传统的SVM文本分类算法,具有较好的性能。 相似文献
10.
《实验室研究与探索》2019,(9):86-91
提出一种改进的Haar特征获取方法,并结合CamShift算法提取车辆检测信号实现特定车辆实时跟踪。首先利用倾斜45°特征与像素和的商计算信号的Haar特征值;其次利用AdaBoost算法训练样本得到特征信号分类器,构建特征信号样本级联分类器,利用获得的级联分类器对视频信号进行检测;最后将检测结果中的特定车辆外切矩形作为CamShift算法的初始窗口,并对CamShift算法后续跟踪窗口进行检测,以提高检测效率和跟踪实时性。实验表明,该方法对车辆图像信号具有较好的检测效果,对特定车辆跟踪具有较高的实时性。 相似文献
11.
近年来基于Adaboost的人脸检测算法因其快速和可接受的检测率得到了成功的应用,但Viola-Jones学习算法需要对级联分类器的每一个特征反复训练弱分类器显得非常缓慢。本文给出了一种新的级联检测器节点分类设计方法,首先将每个节点所有弱分类器的训练移到循环外,然后选择使强分类器有最小错误率的特征集代替选择单个最小加权误差的特征生成强分类器。实践表明该训练速度快于Viola-Jones的方法。 相似文献
12.
针对AdaBoost人脸检测算法分类器训练时Haar特征数目过多,导致训练过程过于耗时的问题,提出了一种基于“大T”型区域的AdaBoost人脸检测算法。通过提取500张人脸样本中的主要特征区域,投影到20×20的模板中,对重叠区域取其并集求得“大T”型特征筛选区域,以此模板优化Haar特征,使用于分类器训练的Haar特征集中于人脸面部的关键区域。实验结果表明,在LFW、PKU数据库中进行人脸检测,在不降低原始AdaBoost算法检测率的同时,对PKU数据库中的多人脸检测算法的漏检率有所改善,同时优化了算法训练时间。 相似文献
13.
介绍了AdaBoost人脸检测算法以及人脸符合的几何规则。考虑到使用AdaBoost人脸检测算法存在计算量比较大的问题,因此文中提出基于几何形状的AdaBoost人脸检测算法,改进了人脸检测分类器训练方法,降低了误检率,提高了人脸检测的计算速度。 相似文献
14.
15.
16.
针对不均衡数据处理问题,提出一种AdaBoost与在线连续极限学习机的集成算法。用在线连续极限学习机(OSELM)作为基分类器,根据AdaBoost集成各个基分类器,用AdaBoost集成分类器的权值,得出最终结果。实验结果表明,该方法具有较高的准确率。 相似文献
17.
《嘉应学院学报》2016,(5):16-20
针对传统Android恶意应用检测方法在处理大规模样本时存在的训练时间长、存储空间消耗大的问题,提出一种基于增量学习SVM的Android恶意应用检测方法.该方法提取Android应用的权限申请和API函数调用特征,利用增量学习SVM理论将训练样本集随机划分为初始样本集和若干个增量样本集,利用循环迭代方法训练SVM分类器,每次新的训练仅保留上一轮训练得到的支持向量集并合并到新增样本集中,舍弃大量对分类结果不产生影响的样本以提高分类器学习效率,同时产生新的支持向量集,并最终得到一个高精度的SVM分类器.通过将增量学习SVM算法与基本SVM算法进行对比实验,结果表明,该算法可以有效降低分类器学习时间,减少样本存储的空间占用,同时随着样本规模的积累逐步提高分类精度. 相似文献
18.
19.
20.
当前的茶叶分级研究主要基于纹理特征构造分类器,但易受采样过程中的光照、噪声影响.本文提出了结合经典的SIFT(Scale-invariant feature transform)特征描述子在自然光条件下的茶叶分级问题,并使用多类AdaBoost算法对样本进行分类.单幅图像的提取结果显示,SIFT特征对带瑕疵的图片仍具有很好的描述能力.在采集的90幅3级茶叶样本上的实验结果显示,纹理特征+SIFT特征取得了比单组特征更好的分类性能. 相似文献