AdaBoost分类器

摘要： 目的 设计基于多角度像特征的果蔬识别方案.方法 采用多角度特征的果蔬识别算法,在水平、垂直、多角度旋转等Haar-like特征的基础上与AdaBoost自学习算法充分结合.通过离线训练,获得识别西红柿的AdaBoost分类器,在此基础上以平均像素值为核心创造颜色特征分类器,使Haar-like与AdaBoost分类器有机结合,实现对果蔬类型的自动识别.结果 以西红柿为例进行识别时,准确性超过95％,且该方法对干扰因素具有较强的抗性,完成一帧图像的识别只需85 ms.结论 该方法能够迅速的完成识别任务,达到了实时性方面的要求.

摘要： 针对目前采摘机器人工作环境复杂、效率低下等问题,在采摘机器人体系结构的基础上,提出了一种将AdaBoost分类器和颜色特征分类器相结合用于番茄采摘机器人的目标识别方法.通过试验分析该方法的性能,并与改进前的性能进行比较.试验结果表明,该方法的平均番茄识别时间为78.955 ms,识别准确率达到97％以上,性能优良,达到番茄采摘机器人对目标识别的要求.为实现采摘机器人智能化提供了一定的参考和借鉴.

摘要： 本文引入模糊推理的思路,提出了一种新的模糊弱分类器,为增强AdaBoost强分类器的噪声抵抗能力提供有效手段.把每个特征分布分解成多个模糊规则的叠加,模糊规则对应的隶属度函数采用高斯函数.样本具体的特征值经过模糊化后得到的隶属度函数与模糊规则进行适配,设定适配度阈值来判定样本的类别.在训练流程中,通过枚举搜索寻找最佳的模糊规则构成最佳模糊弱分类器,按AdaBoost算法组合到强分类器中.经UCI数据库、MIT-CBCL人脸数据库等仿真试验测试表明,由模糊弱分类器构成的改进Adaboost强分类器具有更好的噪声抵抗能力,且弱分类器个数更少.

摘要： 针对双阈值型AdaBoost分类器存在搜索弱分类器过程复杂和训练耗时长的问题,结合遗传算法的思想,提出了一种基于遗传寻优的双阈值型AdaBoost分类器.该方法通过对特征和两个阈值的编码来寻找弱分类器,利用遗传算法的全局寻优性,能够快速寻找到最佳弱分类器,减少训练时间.另外,在此基础上提出设置两阈值之间最小间距的方法,增强其抗干扰能力,具有更好的鲁棒性.为验证实验效果,对MIT-CBCL人脸库提取局部二值模式(Local Binary Pattern,LBP)特征进行验证.实验结果显示,改进后的双阈值型AdaBoost分类器比经典AdaBoost分类器在训练时间上提升了5倍,比双阈值型AdaBoost分类器提升了18倍,具有更快的收敛速度.与此同时,因为增加了两阈值之间的最小间距,改进后的算法具有更强的抗噪性能.

摘要： 高压输电线路中防震锤锈蚀会危害输电线路的安全运行.基于图像处理技术提出了一种基于聚合通道特征的防震锤检测和锈蚀缺陷识别的算法.该算法首先引入聚合通道特征(Aggregate Channel Features,ACF)分别提取无人机拍摄的输电线路图像中的颜色、梯度幅值和梯度方向直方图,构建多尺度ACF金字塔;利用滑窗法和Adaboost分类器检测图像中的防震锤,并使用非极大抑制操作得到最佳防震锤的位置;再结合Graph Cuts算法实现防震锤图像的分割;最后采用RGB颜色模型识别防震锤锈蚀缺陷.实验结果表明:该算法对防震锤位置的检测和锈蚀识别的精度较高.

摘要： 针对能够通过人眼球运动控制其运动的眼控机械臂,提出了一种基于图像梯度的眼动追踪算法.首先通过60 Hz摄像头捕捉连续帧图像并采用n帧一次比较的方式代替逐帧比较方式.然后对捕捉到的图像进行灰度化处理以消除噪声点.接着利用Haar特征和Adaboost分类器将人脸区域提取出来.再根据三庭五眼的原则进行眼球区域粗略萃取,并进行部分区域单独放大灰度化处理.最后利用图像梯度,对目标函数设定阈值进行二值化,完成精确的眼球中心定位.实验表明,该方法的准确度和定位速度完全适用于眼控机械臂.

摘要： 传统的人脸检测算法日渐成熟,但由于人脸五官的复杂性和外物的遮挡,使得人脸识别的准确率大大降低.在此背景下,笔者提出以Haar-Like T特征为基础的人脸检测算法,运用Adaboost分类器进行特征选择.实验结果表明:相比于传统的Haar-Like人脸检测算法,本文所提算法的检测率更高,误检个数更少,显著提升了人脸检测的效率.

摘要： 目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9％、80.1％、91.2％. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.

摘要： 目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9％、80.1％、91.2％. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.

摘要： 目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9％、80.1％、91.2％. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.

摘要： 目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9％、80.1％、91.2％. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.

摘要： 目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9％、80.1％、91.2％. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.

摘要： 目的:为了准确地给专利申请书分配IPC分类号,本文提出一种基于多特征多分类器集成的专利自动分类方法. 方法:使用从专利申请书中提取的全词典TFIDF特征、信息增益词典TFIDF特征、段落向量特征、主题模型向量特征,分别训练朴素贝叶斯、支持向量机、AdaBoost分类器,以此构建特征–类别矩阵,并结合F1权重矩阵集成,获得最终IPC预测分类号. 结果:对2014年–2016年“发动机或泵”领域的10个小类进行分类,使用Top Prediction、All Categories和Two Guesses三种评估方法得到准确率分别为:78.9％、80.1％、91.2％. 局限:训练仅仅使用了2014年–2016年共三年的专利数据,数据规模有限. 结论:在“发动机或泵”领域,本文方法能够有效地提高专利文本分类的准确率.

摘要： 人脸识别考勤系统的设计涉及人脸识别子系统和考勤管理子系统,人脸图像的检测与特征提取是系统设计的关键技术.本文提出一种利用Adaboost检测人脸与梯度方向直方图HOG方法进行特征提取的人脸识别考勤系统设计方案.采用Adaboost分类器算法检测实时视频中的人脸区域,对该区域完成几何校正、中值滤波、直方图均衡化、归一化等图像预处理,然后应用HOG方法对处理好的图像提取特征,并对高维特征进行PCA+LDA降维,利用最近邻方法实现与注册人脸特征向量的比对,最后将识别结果存入考勤数据库,便于考勤管理子系统调用.

摘要： 人脸识别考勤系统的设计涉及人脸识别子系统和考勤管理子系统,人脸图像的检测与特征提取是系统设计的关键技术.本文提出一种利用Adaboost检测人脸与梯度方向直方图HOG方法进行特征提取的人脸识别考勤系统设计方案.采用Adaboost分类器算法检测实时视频中的人脸区域,对该区域完成几何校正、中值滤波、直方图均衡化、归一化等图像预处理,然后应用HOG方法对处理好的图像提取特征,并对高维特征进行PCA+LDA降维,利用最近邻方法实现与注册人脸特征向量的比对,最后将识别结果存入考勤数据库,便于考勤管理子系统调用.

摘要： 人脸识别考勤系统的设计涉及人脸识别子系统和考勤管理子系统,人脸图像的检测与特征提取是系统设计的关键技术.本文提出一种利用Adaboost检测人脸与梯度方向直方图HOG方法进行特征提取的人脸识别考勤系统设计方案.采用Adaboost分类器算法检测实时视频中的人脸区域,对该区域完成几何校正、中值滤波、直方图均衡化、归一化等图像预处理,然后应用HOG方法对处理好的图像提取特征,并对高维特征进行PCA+LDA降维,利用最近邻方法实现与注册人脸特征向量的比对,最后将识别结果存入考勤数据库,便于考勤管理子系统调用.

摘要： 人脸识别考勤系统的设计涉及人脸识别子系统和考勤管理子系统,人脸图像的检测与特征提取是系统设计的关键技术.本文提出一种利用Adaboost检测人脸与梯度方向直方图HOG方法进行特征提取的人脸识别考勤系统设计方案.采用Adaboost分类器算法检测实时视频中的人脸区域,对该区域完成几何校正、中值滤波、直方图均衡化、归一化等图像预处理,然后应用HOG方法对处理好的图像提取特征,并对高维特征进行PCA+LDA降维,利用最近邻方法实现与注册人脸特征向量的比对,最后将识别结果存入考勤数据库,便于考勤管理子系统调用.

摘要： 本发明公开了一种基于Adaboost级联分类器检测避雷器螺母的方法，包括以下步骤：初始化单目相机参数；采集避雷器螺母的图像样本，训练检测螺母的级联分类器；采集避雷器铭牌的图像样本，训练检测铭牌的级联分类器；采集包含避雷器螺母的图像；利用级联分类器检测出铭牌区域；将铭牌区域按照置信度排序，依次从置信度高的铭牌区域中检测螺母，直到检测出螺母为止。本发明能够快速、准确地从图像中检测出螺母，并且有效地降低误检率，为带电作业机器人机械臂末端拆装避雷器提供有效数据，使得机械臂能够准确地靠近避雷器，完成后续避雷器的抓取和拆卸工作，具有好的应用前景和价值。

摘要： 在用于对象分类的方法的所描述的示例中，该方法在单指令多数据(SIMD)处理器上实现的基于决策树的自适应增强(AdaBoost)分类器中执行，该方法包括：接收(700)特征向量，该特征向量从耦合到该SIMD处理器的存储器中的图像中的N个连续窗口位置中提取；以及通过该AdaBoost分类器使用特征向量和该SIMD处理器的向量指令同时评估(708)该N个连续窗口位置，其中该AdaBoost分类器同时遍历(714)该N个连续窗口位置的决策树，直至该N个连续窗口位置分类完成(712)。

摘要： 本发明提供一种基于Haar‑NMF特征和级联Adaboost分类器的脱岗检测方法，涉及视频信号处理技术领域。该方法采用低维Haar‑NMF特征代替传统的Haar特征，Haar‑NMF特征可以很好地表征图像中局部区域的特征，如在岗人员的头部和肩部特征，满足检测方法对检测准确率的要求；采用级联Adaboost分类器代替基本的Adaboost分类器，提高了检测的准确率并减少运算量，满足了检测方法对检测速度的要求。并针对检测过程中的漏检问题和误检问题进行优化，提高了检测方法的整体性能。本发明提供的基于Haar‑NMF特征和级联Adaboost分类器的脱岗检测方法，在保证检测成功率的基础上，缩短了样本的训练和检测的时间，并且通过增加分类器的级数提高了检测方法的部分性能，同时提高了检测速度。

摘要： 本发明提供了一种基于AdaBoost的人脸检测分类器构造方法，其特征在于：首先，提出了一种新的Haar特征，用于生成弱分类器，此特征关注了脸部器官的全局分布，并且对范围在30°至60°的左右旋转具有一定的鲁棒性；其次，对于样本训练过程中可能会出现的退化问题，这里使用双阈值的方法，权重阈值限制样本权重的过分增大，轮数阈值在给予困难样本足够重视的基础上限制大权重样本的数量与存在时间。

摘要： 本发明提供一种Adaboost分类器训练方法及系统。所述方法包括：通过第一训练集训练所述Adaboost分类器训练时需要用到的SVM分类器；使用训练出的SVM分类器提取第二训练集的样本特征；根据提取出的第二训练集的样本特征训练Adaboost分类器。本发明能够缩短Adaboost分类器的训练时间。

摘要： 本发明公开了一种基于模糊型弱分类器的AdaBoost分类方法，其通过提取多幅图像中的所有LBP特征构建一个训练样本，并给定训练样本对应的样本分类标签矩阵；利用模糊推理对弱分类器进行寻优以获取最佳模糊型弱分类器；通过计算最佳模糊型弱分类器的权重，加权到最佳模糊型弱分类器构成强分类器；当构成的强分类器中的每个分类标记与样本分类标签矩阵中的每个分类标签对应相同时，确定构成的强分类器为最佳强分类器，反之通过计算寻找下一个最佳模糊型弱分类器时的权值向量，再迭代寻优；优点是其在面对复杂的数据集的情况下仍具有很好的分类效果，在有噪声干扰的条件下具有更好的抗噪能力。

摘要： 本发明公开了一种利用优化的AdaBoost加权方式和弱分类器对心电信号分类的方法，属于数据源分类技术领域。所述方法包括：对心电数据进行特征提取，获得心电信号训练样本数据集；根据心电信号样本的初始权重，抽样选取心电信号训练数据集获得心电信号样本；用弱分类器对心电信号样本进行分类，分类错误的样本的加权方式由弱分类器的分类错误率和样本被错分的概率这两个因素所决定。本发明充分考虑分错样本的错分概率，通过设置合适的阈值，并以此对弱分类器进行筛选，来得到分类精度更高的强分类器。

摘要： 本发明公开了一种基于Adaboost级联分类器检测避雷器螺母的方法，包括以下步骤：初始化单目相机参数；采集避雷器螺母的图像样本，训练检测螺母的级联分类器；采集避雷器铭牌的图像样本，训练检测铭牌的级联分类器；采集包含避雷器螺母的图像；利用级联分类器检测出铭牌区域；将铭牌区域按照置信度排序，依次从置信度高的铭牌区域中检测螺母，直到检测出螺母为止。本发明能够快速、准确地从图像中检测出螺母，并且有效地降低误检率，为带电作业机器人机械臂末端拆装避雷器提供有效数据，使得机械臂能够准确地靠近避雷器，完成后续避雷器的抓取和拆卸工作，具有好的应用前景和价值。

摘要： 本发明公开了一种Adaboost融合多分类器的光伏系统故障电弧检测方法，对系统电流进行实时采样，并对采样数据进行特征计算，将特征量输入至训练好的三种模型，将三种模型的判断结果输入至训练完成的Adaboost模型，得到用于光伏系统状态指示的判定电平，通过构建的故障电弧切断标准便可判断当前时间窗内光伏系统是否发生故障电弧。本发明解决了故障电弧检测中的类不平衡问题，提高数据处理效率及对复杂故障电弧情况的识别能力；并且为可用机器学习模型提供了融合为一个机器学习模型的方法，允许在不修改源代码的情况下快速编辑模型结构，使得整个模型效果更优，提升了直流光伏系统安全稳定运行的能力。

摘要： 本发明提供一种基于Haar‑NMF特征和级联Adaboost分类器的脱岗检测方法，涉及视频信号处理技术领域。该方法采用低维Haar‑NMF特征代替传统的Haar特征，Haar‑NMF特征可以很好地表征图像中局部区域的特征，如在岗人员的头部和肩部特征，满足检测方法对检测准确率的要求；采用级联Adaboost分类器代替基本的Adaboost分类器，提高了检测的准确率并减少运算量，满足了检测方法对检测速度的要求。并针对检测过程中的漏检问题和误检问题进行优化，提高了检测方法的整体性能。本发明提供的基于Haar‑NMF特征和级联Adaboost分类器的脱岗检测方法，在保证检测成功率的基础上，缩短了样本的训练和检测的时间，并且通过增加分类器的级数提高了检测方法的部分性能，同时提高了检测速度。