摘要：在Gentle Adaboost算法中,强分类器由弱分类器线性组成,但这种组合并不能保证强分类器是最优的。因此,提出一种基于分类结果的优化方法。算法模拟弱分类器系数增加或减少对分类结果的影响,选择最利于分类的系数调整方向,设计了优化机制。在MIT人脸数据库上的仿真实验表明,分类器优化后,检测精度得到了提高。

摘要：针对通过改进分类算法提升声音环境识别正确率的目的,提出了基于BP-Adaboost强分类模型对声音所属环境进行识别的方法。提取声音信号中的梅尔倒谱频系数,通过T分布检验保留高识别度特征,作为声音信号的广义特征;另外,改进传统的分类器训练方式,利用Adaboost算法将多个BP神经网络弱分类器组合成为强分类器,训练声音环境识别模型,根据广义特征对不同环境中的声音进行识别。实验结果表明,BP-Adaboost强分类识别算法相较于传统方法在声音环境识别中的准确率与处理速度上均有显著提升,平均识别率提升了17%,计算效率提升了30%。

摘要：为了解决当前焊缝缺陷检查算法在焊缝缺陷特征微弱、背景复杂的环境下,导致其缺陷漏检的不足,本文设计了基于水平集与强分类器Adaboost的焊缝图像缺陷检查算法。首先,设计水平集迭代轮廓线,制定演化收敛停止条件,定位出焊缝准确位置,并提取其轮廓;然后计算轮廓几何特征,建立基于Ada Boost的分类器,完成对缺陷的确认和分类。实验数据显示:与当前工件表面焊接缺陷检查技术相比,面对缺陷特征微弱、背景复杂环境时,本文算法具有更高的检测精度,能准确定位识别焊缝缺陷。

摘要：针对传统AdaBoost算法检测速度快准确率低的问题,本文提出了一种改进的AdaBoost算法以提高人脸的正确检测率,该算法首先利用快速积分图提取人脸的Haar特征,然后使用阈值设定的方法对传统的AdaBoost算法进行改进,并将每次检测的最优弱分类器级联形成最终的强分类器,通过强弱分类器对Haar特征判别,从而检测图像中的人脸部分。采用本方法对多种实验图像集进行人脸检测实验,FERET彩色图像库的正确检测率为96.07%,视频图像的正确检测率为96%。实验结果表明,本文所设计的人脸检测算法能够对静态图像以及视频图像中的人脸进行有效检测,为人脸的正确识别打下了基础,该算法也为计算机视觉领域的研究提供一种有效方法。

摘要：美国的Voila博士提出的基于Haar-like特征的人脸检测算法是一种具有巨大发展潜力的新算法,快速而准确。通过研究,认为这一算法还存在两个有待改进的地方:一是在检测率和误检率之间难以权衡,二是可检测人脸姿态受训练样本制约。对此提出了改进措施,设计了一个可以检测相对于垂直方向有±45°偏转的正面人脸的检测算法,与基于Haar-like特征的人脸检测算法相比,具有更好的鲁棒性和更低的误差率。

摘要：Adaboost算法可以将分类效果一般的弱分类器提升为分类效果理想的强分类器,而且不需要预先知道弱分类器的错误率上限,这样就可以应用很多分类效果不稳定的算法来作为Adaboost算法的弱分类器。由于BP神经网络算法自身存在的局限性和对训练样本进行选择的主观性,其分类精度以及扩展性有待提高。将Adaboost算法与BP神经网络相结合,使用神经网络分类模型作为Adaboost算法的弱分类器。算法在matlab中实现。对2个UCI的分类实验数据集进行实验,结果表明Adaboost能有效改善BP神经网络的不足,提高分类正确率和泛化率。

摘要：为了解决车辆目标特征不明显而导致识别率低的问题,提出了基于多维特征融合与Adaboost-SVM强分类器的车辆目标识别算法。首先,根据车辆目标几何特征、颜色特征和纹理特征,融合为多维特征向量,达到组建强特征向量的目的。然后,融合Adaboost与多个弱分类器,建立强分类器,根据SVM的超优分类平面模型,训练多维特征向量,设计了Adaboost-SVM分类器,达到稳定准确识别车辆目标特征的目的。最后,将样本图像分为训练样本集与测试样本集,通过强分类器,实现并测试车辆目标识别算法。实验测试结果显示:与当前车辆识别技术相比,该算法拥有更高的识别准确度。

摘要：针对机器人动作理解,设计基于强分类器的BP网络机器人动作理解系统,阐述了BP网络模型和AdaBoost算法并说明了弱分类器与强分类器的训练步骤。使用了公开的MSRC-12 Gestrue数据集来验证系统的可靠性。为实现原始数据的降维并保证运动信息的完整,系统通过提取了关键帧中人的9段骨骼向量与中心骨骼向量间的夹角作为动作特征;利用BP网络弱分类器对训练样本的错分误差更新样本的权值;并将10轮训练得到的分类器融合为最后的决策函数,完成了对不同个体的6种动作的准确识别。