搜索结果: 1-7 共查到“计算机图象处理 AdaBoost”相关记录7条 . 查询时间(0.034 秒)
一种Adaboost快速训练算法
人脸检测 分类器 训练算法
2009/10/20
为解决基于Adaboost算法的人脸检测训练耗时的问题，提出一种Adaboost快速训练算法。基于原算法，在训练中使用序列化表格选取弱特征，在一轮训练结束后不进行样本权值更新，直接在已选分类器的基础上利用直方图统计的方法进行下一轮训练。实验证明该算法有较高的训练效率。
基于Adaboost权值更新以及K-L距离的特征选择算法
边界片段特征 权值更新 K-L距离
2009/9/9
对于颜色、纹理变化较大的目标, 边界片段是一种较为稳定的特征. 手工分割样本再提取边界片段的传统做法由于工作量巨大而限制了样本的数目, 不能满足统计学习中大样本训练的要求. 但是如果对训练样本采用自动分割的方法就不可避免地引入很多背景中的噪声. 在这种情况下特征的选择就显得尤为关键. 本文提出一种基于Adaboost权值更新以及K-L距离的特征选择算法, 在Adaboost的每一轮训练中动态地选择...
基于矩形特征和改进Adaboost的手势检测
改进Adaboost 复杂背景 手势检测
2009/7/31
为了实时、精确地从视频流中检测和识别出特定手势，提出一种矩形特征描述手势，给出快速计算方法和手势类可分离性的评价方法。为了避免分类器的过度训练问题，提出一种基于此方法的改进的Adaboost算法。实验结果表明，矩形特征能够产生可靠的检测器，对手势的姿态变化较敏感。在摄像头实时捕获视频中，其检测手势实时性较好，对复杂背景和噪声有较强的适应能力，当手势旋转角度小时，正确检测率可以达到95%以上。
基于Adaboost集成RBF神经网络的高速公路事件检测
Adaboost 高速公路事件检测 RBF神经网络
2009/7/21
提出一种基于Adaboost集成RBF神经网络的高速公路事件检测方法。首先对高速公路事件检测原理进行分析，进行了相关的参数选择，确定了RBF神经网络的结构，然后采用改进的Adaboost方法集成RBF神经网络进行高速公路事件检测并给出了事件检测算法的步骤，最后进行了仿真实验，实验结果表明，该方法可以明显提高RBF神经网络性能（高检测率、低误报率），且具有较强的泛化能力，适宜高速公路事件检测。
基于改进的Adaboost算法的交通事件自动检测
事件检测 神经网络 交通流
2009/7/17
针对交通领域中的事件检测（无事件模式和事件模式）模式识别问题，提出了一种基于改进的Adaboost算法的交通事件检测方法。阐述了Kohonen神经网络的结构与训练算法，分析了事件对交通流的影响规律，并合理地选取了Kohonen神经网络的输入量；最后采用改进的Adaboost算法对分类结果进行加权投票。仿真实验表明，提出的方法学习速度快、泛化能力好，对交通事件具有较好的检测效果。
动态权值预划分实值Adaboost人脸检测算法
人脸检测 层叠分类器 动态权值
2009/5/5
提出了Real-Adaboost的一种改进算法。该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分，并动态更新人脸训练样本的权值。与以往的Real-Adaboost算法比较，该算法大大缩短了训练时间，算法训练时间复杂度降到O(T*M*N)，同时加速了强分类器的收敛性能，减少检测器的弱分类器数量，减少检测时间。
基于多特征融合和Adaboost算法的图像检索
图像检索 Adaboost算法 多特征融合
2008/3/11
提出了一种多特征融合的图像检索方法。首先将图像进行分块，并提取分块主色，然后采用主色直方图作为图像的颜色特征。同时，提出采用Gabor小波描述图像的纹理特征，采用小波矩描述形状特征，最后将三种不同特征进行融合的检索方法。为了提高图像检索的准确度，提出Adaboost的相关反馈算法，在反馈过程中，Adaboost算法对特征进行降维，加快检索的速度。最后分别给出基于单一特征，特征融合和相关反馈方法的查...