CN106778800A - 一种AdaBoost级联分类器快速检测方法 - Google Patents
一种AdaBoost级联分类器快速检测方法 Download PDFInfo
- Publication number
- CN106778800A CN106778800A CN201611002659.6A CN201611002659A CN106778800A CN 106778800 A CN106778800 A CN 106778800A CN 201611002659 A CN201611002659 A CN 201611002659A CN 106778800 A CN106778800 A CN 106778800A
- Authority
- CN
- China
- Prior art keywords
- level
- adaboost
- sample
- detection
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种AdaBoost级联分类器快速检测方法,包括以下步骤:S1:训练基于AdaBoost的一级级联分类器;S2:测试一级级联分类器每一级的合并后的检测性能;S3:根据一级级联分类器合并后的检测性能,确定使用缩放窗口检测方法的开始层数X;S4:使用X层一级级联分类器和合并操作对样本库进行检测,确定检测到的正样本和误检的负样本;S5:使用检测到的正样本和误检的负样本重新训练AdaBoost二级级联分类器;S6:采用对一级级联分类器缩放分类器和二级级联分类器缩放检测窗口结合的方式进行检测。本发明选用一级级联分类器与二级级联分类器相结合的方式,在保证了检测速度的同时,进一步的提高了系统的检测性能。
Description
技术领域
本发明属于目标检测和识别技术领域,涉及一种AdaBoost级联分类器快速检测方法。
背景技术
在目标检测方法中,现在常用的一类方法是基于统计学习的分类器设计算法。在机器学习方法中,AdaBoost能够将弱分类器组合起来构成强分类器,并在人脸检测等方面也得到了成功的应用。在OpenCV(开源计算机视觉库)中该算法结合Haar特征、HOG等特征得到成功实现和应用,并为广大计算机视觉研究人员使用,使其成为各种场合下目标检测应用的首选。在OpenCV的帮助下,我们可以很快应用AdaBoost算法结合各种特征对目标检测应用的性能进行测试,从而对算法的性能做出评估。
AdaBoost算法最早源于Schapire在1989年提出的Boosting(自举)算法,她是一种能够“Boost”任意给定学习算法精度的普适方法。1995年Freund和Schapirey又对其进行了改进,形成了最初的AdaBoost(AdaptiveBoosting)算法,之后又出现了很多基于此方法的变形,主要有GAB(GentleAdaBoost)、DAB(DiscreteAdaBoost)、RAB(RealAdaBoost)和LAB(LogitAdaBoost)。AdaBoost算法的核心是通过调整样本分布和弱分类器权值,自动地从弱分类器空间中筛选出若干关键的弱分类器,并通过某种方式整合为一个强分类器。
根据Rainer等人对变形的几种AdaBoost算法的测试和比较,GAB(GentleAdaBoost)算法在分类性能上不仅仅是最优的,也是最快的,因此选用这种方法来训练强分类器,算法流程如下:
1.给定N个样本(x1,y1),…(xN,yN),其中xi∈Rk,yi∈{-1,1}。
2.初始化权值wi=1/N,i=1,…N。
3.迭代form=1,…,M
a.通过ωi设置yi到xi的加权最小平方,调整退化函数fm(x);
b.计算
c.令ωi←ωi*esp(-yifm(xi)),i=1,…,N重新归一化权值使∑iωi=1;
4.输出强分类器:
OpenCV中对经典AdaBoost算法的四种实现形式选择提供了接口,可以测试对比各种训练方法下得到的训练器的性能。另外对于训练终止条件提供接口可进行选择。满足检测率和误报率可以终止训练。或者指定弱分类器个数的最大值,这样可以控制训练时间,但是这样可能存在得到的强分类器达不到指定的检测率和误报率训练就终止了。
级联分类器是由一系列的分类器的串联组成,用于下级分类器的样本就要求是上一级分辨正确的正样本和分辨错误的负样本来做本级训练的正样本和负样本,这样才可以达到层层精确筛选的目的,非目标样本应尽可能在较早级联层次得到滤除,只有通过所有级分类器的样本才被认定为正样本即目标区域。
级联分类器设计思路就需要指定各个参加级联的强分类器具备相应的结构,所谓相应的结构的第一点要求是前面分类器的结构简单也即强分类器中包含尽可能少的弱分类器,这样才能提高检测速度。第二点要求是检测率高,能够滤除那些与目标差异较大的负样本。那么对于参与训练的负样本的选择就需要尽可能选择与正样本差异大且多样化的负样本,才能得到满足分类器级联设计思想的强分类器。第三点要求是级联的下一级分类器是对上一级分类器无法分辨的样本进行再次准确分类,因此,在级联的检测器中不断增加更多的强分类器可以很快排除背景区域,从而节约出时间用于那些更像目标的区域进行计算。在级联结构中,前面几级的分类器相对说结构比较简单,使用的特征数较少,但检测率很高,同时能够尽可能地滤除那些与目标差异较大的负样本。后面级的分类器则使用更多的特征和更复杂的结构,从而可以将那些与目标相似的负样本与目标物体区分开。
为了能够检测到不同尺度下的目标,目前常用的检测方式可以总结为三种,第一种是缩放待检测图像,构造图像金字塔,用与标准训练样本大小相同的窗口去对不同尺度下的检测图像进行遍历检测。第二种是直接在待检测图像上用不同尺度的窗口进行遍历,将遍历窗口归一化到标准训练样本大小再送入分类器进行判别。第三种是直接在待检测图像上用不同尺度的窗口进行遍历,按照尺度对分类器进行尺度变换,将不同尺度的遍历窗口直接送入相应尺度的分类器进行判别。相比之下,第三种方式缩放分类器的运算与缩放待检测图像和缩放检测窗口的运算量要小很多,并且可以做提前运算,存储备用。在求取Haar特征时还可以利用积分图像快速求取特征,运算速度占一定优势,但在检测性能方面由于缩放分类器会带来一定的误差,因此较之第二种方法检测性能有所下降。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:客服现有技术中的缺陷,提供一种AdaBoost级联分类器快速检测方法,使得到的分类器在保持检测速度的前提下可以进一步提高检测性能。
(二)技术方案
为了解决上述技术问题,本发明提供一种AdaBoost级联分类器快速检测方法,其包括以下步骤:
S1:训练基于AdaBoost的一级级联分类器;
S2:测试一级级联分类器每一级的合并后的检测性能;
S3:根据一级级联分类器合并后的检测性能,确定使用缩放窗口检测方法的开始层数X;
S4:使用X层一级级联分类器和合并操作对样本库进行检测,确定检测到的正样本和误检的负样本;
S5:使用检测到的正样本和误检的负样本重新训练AdaBoost二级级联分类器;
S6:采用对一级级联分类器缩放分类器和二级级联分类器缩放检测窗口结合的方式进行检测。
其中,所述步骤S1中,基于AdaBoost的一级级联分类器的训练过程为:建立一个训练样本库,设定训练参数,得到若干个AdaBoost分类器级联在一起作为最终的分类器输出。
其中,所述步骤S1中,训练样本库中,以待检测目标作为正样本,非检测目标图像作为负样本。
其中,所述步骤S1中,训练参数包括训练的正、负样本数量、样本归一化大小、终止训练的检测率和误报率、AdaBoost的类型,弱分类器类型。
其中,所述步骤S2中,测试一级级联分类器每一级的合并后的检测性能的过程中,检测窗口经过一级级联分类器的每一级时,被判断为正样本的将继续进行下一级的判断,如果没有下一级将做为检测到的目标框输出;被判断为负样本的检测框将作为非目标框输出,并且不再进行下一级的判断;
对于级联分类器的每一级对检测窗口都有一个判断输出,将此输出与标记结果比对,判断在当前层下输出的正确性即检测率和误报率。
其中,所述步骤S3中,确定使用缩放窗口检测方法的开始层数X时,测试一级级联分类器检测并且合并之后的检测性能,根据系统要求的检测率,选择与系统要求的检测率最接近且高于系统要求的检测率的那一层与二级级联分类器级联,并将这一层确定为使用缩放窗口检测方法的开始层是X。
其中,所述步骤S4中,使用X层一级级联分类器和合并操作对样本库进行检测,使用检测到的正样本作为二级级联分类器训练用的正样本,使用误检作为二级级联分类器训练用的负样本。
其中,所述步骤S5中,使用检测到的正样本和误检的负样本重新训练AdaBoost二级级联分类器时,使用的训练样本为一级级联分类器做步骤S4筛选后的样本。
其中,所述步骤S6中,对一级级联分类器采用缩放分类器的方式进行检测,对于各个尺度下分类器使用的HAAR特征使用积分图像计算得到,经过一级分类器的筛选和合并操作后,单帧图像内剩余少量的待分析窗口,将这些少量的待分析窗口送入二级级联AdaBoost分类器使用缩放窗口的方式检测,即将一级分类器的检测结果缩放至标准模板大小再送入分类器进行检测。
(三)有益效果
上述技术方案所提供的AdaBoost级联分类器快速检测方法,选用一级级联分类器与二级级联分类器相结合的方式,在保证了检测速度的同时,进一步的提高了系统的检测性能。
附图说明
图1为现有技术中级联分类器的级联示意图。
图2为本发明实施例中检测方法的级联示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
参照图2所示,本实施例AdaBoost级联分类器快速检测方法包括以下步骤:
S1:训练基于AdaBoost的一级级联分类器
通常基于AdaBoost的级联分类器的训练是通过建立一个训练样本库,根据实际需求选择训练参数,得到若干个AdaBoost分类器级联在一起作为最终的分类器输出。其中训练样本库通常选取大量待检测目标作为正样本,非检测目标图像作为负样本。训练参数包括很多,关键的几个参数有训练的正负样本数量、样本归一化大小、终止训练的检测率和误报率、AdaBoost的类型,弱分类器类型等等,都会影响到最终的分类器的性能。
影响AdaBoost分类器性能的最重要的因素就是用于训练的正负样本,它不但影响到分类器的检测性能,同时还影响到分类器的检测效率。检测性能高要求分类器能够正确的判别正负样本的类别。检测效率要求分类器能够快速的判别出样本的类别。AdaBoost级联分类器的训练是训练若干个AdaBoost分类器级联在一起。级联的使用可以提高分类器的检测效率,通常AdaBoost级联分类器的训练方法是在确定训练用的正负样本后,用此样本库训练得到一个AdaBoost分类器,用这个AdaBoost分类器对样本库中的正负样本进行判别,把正确判别的正样本和错误判别的负样本作为下一级训练用的样本,训练得到下一级AdaBoost分类器,依照此方法训练得到若干个AdaBoost分类器,将它们级联在一起作为最终的AdaBoost级联分类器。
通常训练AdaBoost分类器将所有选中的训练样本全部参与到训练中,这种方式得到分类器较为复杂,尤其作为级联分类器的第一级非常影响检测效率。为了不影响级联分类器的检测性能,又能提高级联分类器的检测效率,选用一种提高级联分类器检测效率的训练方法。此方法可描述为在训练级联分类器的第一级AdaBoost分类器时,在训练样本库中挑选具有代表性的训练样本作为第一级AdaBoost分类器的训练样本,得到一个检测效率可以接受的简单的分类器。此第一级分类器可以排除大部分非检测目标,但可以保留全部待检测目标。这样大部分可被简单高效的分类器排除掉,进入下一级分类器进行判别的检测区域量急剧减少,通过这种方式达到提高检测效率的目的。由于所有的待检测目标可继续由后续的级联分类器进行判断,因而不会降低检测性能。本发明描述的具有代表性的训练样本是指清晰的正样本和与正样本差距较大的负样本。以检测行人为例,正样本可挑选各种姿态的清晰行人,负样本可以选择来源于天空、地面、建筑物等与行人差距较大的负样本。
S2:测试一级级联分类器每一级的合并后的检测性能
检测窗口通经过级联分类器的每一级时,被判断为正样本的将继续进行下一级的判断,如果没有下一级将做为检测到的目标框输出。被判断为负样本的检测框将作为非目标框输出,并且不再进行下一级的判断。对于级联分类器的每一级对检测窗口都有一个判断输出。将此输出与标记结果比对,可以判断在当前层下输出的正确性即检测率和误报率。由于通常在真实的检测目标附近会有几个不同尺度或者稍有偏移的检测框出现,它们通常都被视为正检。由于我们采用级联分类器设计方案,将尺度不同或者稍有偏移的检测框合并通常不会减低检测率,并且可以减少进入下一级级联分类器的检测框的数量。因此我们要测试每一级级联分类器的合并后的检测性能以方便采取适当的层数与下一级进行级联
S3:根据一级级联分类器合并后的检测性能,确定使用缩放窗口检测方法的开始层数X
随着级联分类器级联层数的增加,误报率下降的同时检测率也随之下降。分类器性能的通常要保持一定的检测率同时要求误报率尽可能低或者不高于一定的阈值。通常在待检测目标上会得到几个不同尺度或者稍有偏移的检测框,对于这样的结果再使用一步合并操作可使这几个检测框合并为一个框,这样再进入下一级级联分类器时可明显减少待检框数量,提高检测速度。因此在这里我们在准备与二级级联分类器级联时需要测试一级级联分类器检测并且合并之后的检测性能,根据系统要求的检测率,选择与系统要求的检测率最接近且高于系统要求的检测率的那一层与二级级联分类器级联。将这一层确定为使用缩放窗口检测方法的开始层是X。
S4:使用X层一级级联分类器和合并操作对样本库进行检测,确定检测到的正样本和误检的负样本
使用X层一级级联分类器和合并操作对样本库进行检测,使用检测到的正样本作为二级级联分类器训练用的正样本,使用误检作为二级级联分类器训练用的负样本。
S5:使用检测到的正样本和误检的负样本重新训练AdaBoost二级级联分类器
此二级级联分类器的训练方法同一级级联分类器,只是训练样本需使用一级级联分类器做步骤S4筛选后的样本。
S6:采用对一级级联分类器缩放分类器和二级级联分类器缩放检测窗口结合的方式对待检测目标进行检测。
对一级级联分类器采用缩放分类器的方式进行检测,对于各个尺度下分类器使用的HAAR特征可以使用积分图像计算得到,并且避免了使用缩放检测窗口的操作步骤,可以快速提高检测速度。一级分类器可以排除大部分的误报,并保留一定的检测率。经过一级分类器的筛选和合并操作后,单帧图像内仅剩余少量的待分析窗口。将这些少量的待分析窗口送入二级级联AdaBoost分类器再进行分析可进一步排除一定的误报,由于二级级联分类器使用缩放窗口的方式检测,即将一级分类器的检测结果缩放至标准模板大小再送入分类器进行检测。二级分类器由于采用缩放检测窗口的方式进行检测可以规避一级分类器采用缩放分类器方式检测带来的误差,从而二级分类器的检测性能更高,而缩放少量的检测窗口带来的计算量的增加是可以接受的。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (9)
1.一种AdaBoost级联分类器快速检测方法,其特征在于,包括:以下步骤:
S1:训练基于AdaBoost的一级级联分类器;
S2:测试一级级联分类器每一级的合并后的检测性能;
S3:根据一级级联分类器合并后的检测性能,确定使用缩放窗口检测方法的开始层数X;
S4:使用X层一级级联分类器和合并操作对样本库进行检测,确定检测到的正样本和误检的负样本;
S5:使用检测到的正样本和误检的负样本重新训练AdaBoost二级级联分类器;
S6:采用对一级级联分类器缩放分类器和二级级联分类器缩放检测窗口结合的方式进行检测。
2.如权利要求1所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S1中,基于AdaBoost的一级级联分类器的训练过程为:建立一个训练样本库,设定训练参数,得到若干个AdaBoost分类器级联在一起作为最终的分类器输出。
3.如权利要求2所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S1中,训练样本库中,以待检测目标作为正样本,非检测目标图像作为负样本。
4.如权利要求3所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S1中,训练参数包括训练的正、负样本数量、样本归一化大小、终止训练的检测率和误报率、AdaBoost的类型,弱分类器类型。
5.如权利要求4所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S2中,测试一级级联分类器每一级的合并后的检测性能的过程中,检测窗口经过一级级联分类器的每一级时,被判断为正样本的将继续进行下一级的判断,如果没有下一级将做为检测到的目标框输出;被判断为负样本的检测框将作为非目标框输出,并且不再进行下一级的判断;
对于级联分类器的每一级对检测窗口都有一个判断输出,将此输出与标记结果比对,判断在当前层下输出的正确性即检测率和误报率。
6.如权利要求5所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S3中,确定使用缩放窗口检测方法的开始层数X时,测试一级级联分类器检测并且合并之后的检测性能,根据系统要求的检测率,选择与系统要求的检测率最接近且高于系统要求的检测率的那一层与二级级联分类器级联,并将这一层确定为使用缩放窗口检测方法的开始层是X。
7.如权利要求6所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S4中,使用X层一级级联分类器和合并操作对样本库进行检测,使用检测到的正样本作为二级级联分类器训练用的正样本,使用误检作为二级级联分类器训练用的负样本。
8.如权利要求7所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S5中,使用检测到的正样本和误检的负样本重新训练AdaBoost二级级联分类器时,使用的训练样本为一级级联分类器做步骤S4筛选后的样本。
9.如权利要求8所述的AdaBoost级联分类器快速检测方法,其特征在于,所述步骤S6中,对一级级联分类器采用缩放分类器的方式进行检测,对于各个尺度下分类器使用的HAAR特征使用积分图像计算得到,经过一级分类器的筛选和合并操作后,单帧图像内剩余少量的待分析窗口,将这些少量的待分析窗口送入二级级联AdaBoost分类器使用缩放窗口的方式检测,即将一级分类器的检测结果缩放至标准模板大小再送入分类器进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611002659.6A CN106778800A (zh) | 2016-11-14 | 2016-11-14 | 一种AdaBoost级联分类器快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611002659.6A CN106778800A (zh) | 2016-11-14 | 2016-11-14 | 一种AdaBoost级联分类器快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106778800A true CN106778800A (zh) | 2017-05-31 |
Family
ID=58969978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611002659.6A Pending CN106778800A (zh) | 2016-11-14 | 2016-11-14 | 一种AdaBoost级联分类器快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778800A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108364027A (zh) * | 2018-03-04 | 2018-08-03 | 南京理工大学 | 一种快速的前向多车型车辆检测方法 |
CN109034174A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种级联分类器训练方法及装置 |
CN109740637A (zh) * | 2018-12-12 | 2019-05-10 | 天津津航技术物理研究所 | 训练adaboost级联分类器的优化方法 |
CN111257339A (zh) * | 2020-02-25 | 2020-06-09 | 华中农业大学 | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
WO2021135933A1 (zh) * | 2019-12-30 | 2021-07-08 | 中兴通讯股份有限公司 | 一种目标的识别方法及装置、存储介质及电子装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920852A (zh) * | 2005-08-26 | 2007-02-28 | 欧姆龙株式会社 | 一种确定一组不同特征的级联分类器的连接顺序和特征阈值的方法 |
CN102208009A (zh) * | 2010-03-31 | 2011-10-05 | 索尼公司 | 分类器及分类方法 |
CN105335684A (zh) * | 2014-06-25 | 2016-02-17 | 小米科技有限责任公司 | 人脸检测方法及装置 |
-
2016
- 2016-11-14 CN CN201611002659.6A patent/CN106778800A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1920852A (zh) * | 2005-08-26 | 2007-02-28 | 欧姆龙株式会社 | 一种确定一组不同特征的级联分类器的连接顺序和特征阈值的方法 |
CN102208009A (zh) * | 2010-03-31 | 2011-10-05 | 索尼公司 | 分类器及分类方法 |
CN105335684A (zh) * | 2014-06-25 | 2016-02-17 | 小米科技有限责任公司 | 人脸检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
蔡灿辉等: "采用Gentle Adaboost和嵌套级联结构的实时人脸检测", 《信号处理》 * |
薛玲等: "一种二级级联分类的镜头边界检测算法", 《计算机辅助设计与图形学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034174A (zh) * | 2017-06-08 | 2018-12-18 | 北京君正集成电路股份有限公司 | 一种级联分类器训练方法及装置 |
CN109034174B (zh) * | 2017-06-08 | 2021-07-09 | 北京君正集成电路股份有限公司 | 一种级联分类器训练方法及装置 |
CN108364027A (zh) * | 2018-03-04 | 2018-08-03 | 南京理工大学 | 一种快速的前向多车型车辆检测方法 |
CN108364027B (zh) * | 2018-03-04 | 2022-02-15 | 南京理工大学 | 一种快速的前向多车型车辆检测方法 |
CN109740637A (zh) * | 2018-12-12 | 2019-05-10 | 天津津航技术物理研究所 | 训练adaboost级联分类器的优化方法 |
CN109740637B (zh) * | 2018-12-12 | 2023-08-15 | 天津津航技术物理研究所 | 训练adaboost级联分类器的优化方法 |
WO2021135933A1 (zh) * | 2019-12-30 | 2021-07-08 | 中兴通讯股份有限公司 | 一种目标的识别方法及装置、存储介质及电子装置 |
CN111257339A (zh) * | 2020-02-25 | 2020-06-09 | 华中农业大学 | 一种基于机器视觉的皮蛋裂纹在线检测方法及检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069477B (zh) | AdaBoost级联分类器检测图像目标的方法 | |
WO2020181685A1 (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN106778800A (zh) | 一种AdaBoost级联分类器快速检测方法 | |
CN108154134B (zh) | 基于深度卷积神经网络的互联网直播色情图像检测方法 | |
CN105975941B (zh) | 一种基于深度学习的多方向车型检测识别系统 | |
CN107134144B (zh) | 一种用于交通监控的车辆检测方法 | |
KR100682906B1 (ko) | 부스트 알고리즘을 이용한 영상의 얼굴 검출 장치 및 방법 | |
CN113344849B (zh) | 一种基于YOLOv5的微乳头检测系统 | |
CN107844785B (zh) | 一种基于尺度估计的人脸检测方法 | |
CN107463920A (zh) | 一种消除局部遮挡物影响的人脸识别方法 | |
CN102799893B (zh) | 考场监控视频处理方法 | |
CN108509976A (zh) | 动物的识别装置和方法 | |
CN106650806A (zh) | 一种用于行人检测的协同式深度网络模型方法 | |
CN109446920B (zh) | 基于卷积神经网络的城市轨道交通乘客拥挤程度检测方法 | |
CN101477626B (zh) | 一种在复杂场景的视频中进行人体头肩检测的方法 | |
CN109613002A (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
CN108416287A (zh) | 一种基于遗漏负样本挖掘的行人检测方法 | |
CN106611160A (zh) | 一种基于卷积神经网络的图像头发识别方法及其装置 | |
CN110136101A (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
CN107909027A (zh) | 一种具有遮挡处理的快速人体目标检测方法 | |
CN104156734A (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
CN106203284B (zh) | 基于卷积神经网络和条件随机场的人脸检测方法 | |
CN106407958A (zh) | 基于双层级联的面部特征检测方法 | |
CN101364263A (zh) | 对图像进行皮肤纹理检测的方法及系统 | |
CN108629369A (zh) | 一种基于Trimmed SSD的尿沉渣有形成分自动识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170531 |
|
WD01 | Invention patent application deemed withdrawn after publication |