共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
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
3.
4.
介绍了一种基于肤色模型与改进Adaboost算法相结合的人脸检测方法。该方法首先利用肤色在YcbCr空间中的聚类特性,对图像进行预检测,得到候选人脸区域,进而采用改进的Adaboost方法对弱分类器进行级联,得到最终的人脸分类器。在特征选择上,使用基于像素的多层特征(Pixel Based Hierarchical Feature,PBHF),以解决传统Adaboost方法检测时间过长的问题。实验结果表明,该人脸检测方法比单纯采用Haar like 特征的人脸检测方法更加有效。 相似文献
5.
《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
6.
针对疲劳驾驶预警系统中人脸检测准确率低、误检率高的问题,提出一种基于肤色与 Haar-like 扩展集的驾驶员人脸检测算法。首先根据驾驶员人脸肤色在 YCbCr色彩空间的聚类性、脸部特征及驾驶环境,筛选人脸肤色作为候选区|然后在传统基于 Haar-like 特征的 AdaBoost 算法中,加入两组新的符合人脸特征分布的Haar-like 特征进行驾驶员人脸检测。以 MIT 人脸库和拍摄的驾驶员人脸图像作为训练与检测样本,与传统AdaBoost算法进行对比实验。结果表明,该算法对正面人脸和侧面人脸(倾斜角度小于 45°)检测准确率分别提高 1.25%和 5.00%,误检率降低 2.81%和 4.50%,人脸检测准确率得到较大提高。 相似文献
7.
宋晓秋 《绵阳师范高等专科学校学报》2013,(11):79-82
文章提出了一种新的将肤色算法与AdaBoost算法结合起来的人脸检测算法.算法主要是将用肤色检测算法得到的肤色特征,做为一种新的矩形特征加入到AdaBoost算法的训练过程中.新算法提高了人脸检测的正确率,降低了误检率,新算法的鲁棒性更强. 相似文献
8.
宋晓秋 《绵阳师范学院学报》2013,(11):79-82
文章提出了一种新的将肤色算法与AdaBoost算法结合起来的人脸检测算法.算法主要是将用肤色检测算法得到的肤色特征,做为一种新的矩形特征加入到AdaBoost算法的训练过程中.新算法提高了人脸检测的正确率,降低了误检率,新算法的鲁棒性更强. 相似文献
9.
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
10.
针对眼睛检测在多姿态人脸中稳定性较好的特点,提出了一种基于肤色检测与AdaBoost人眼检测的多姿态人脸检测算法。首先,利用肤色模型快速排除大部分非肤色区域,然后在肤色区域使用单眼分类器检测眼睛,接着对检测到的单眼矩形进行配对以及角度矫正,最后进入双眼分类器作进一步验证,验证通过则利用统计数据实现人脸定位。实验表明,该方法具有较高的检测率,对于多姿态人脸的检测具有较好的鲁棒性。 相似文献
11.
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
12.
13.
14.
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
15.
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
16.
17.
18.
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
19.
近年来Adaboost算法被成功地用于人脸检测中,本文给出了一种基于加权最小平方误差boosting算法的人脸检测。首先本方法在每一次循环中用加权最小平方误差准则训练弱假设,与原始Adaboost算法不同的是弱假设的生成不仅用于预测分类,而且用于估计每次预测的自信率,然后由这组合自信率的弱假设集成构造出强分类器。实践表明基于加权最小平方误差boosting算法的分类器有较高的检测率和较低的正样本误检率。 相似文献
20.
针对复杂背景和可变光照条件下,彩色静止图像的人脸检测问题,综合利用YCbCr和HSI颜色空间下的肤色模型,先进行肤色分割,定位出候选人脸,再用AdaBoost级联分类器进行检测验证,有利于提高检测效率,降低误检率。 相似文献