为了提升无线光通信系统接收灵敏度, 采用一种基于改进基分类器系数的AdaBoost弱光信号检测算法, 解决多像素光子计数器(MPPC)在弱光条件下的信号检测问题。该算法采用k最近邻(KNN)为基分类器组建强分类器, 针对传统AdaBoost算法基分类器系数仅与错误率有关而产生冗余的基分类器消耗系统资源的问题, 提出一种基于错误和正确分类样本权重的基分类器系数优化AdaBoost算法(W-AdaBoost), 将信号解调问题转换为分类问题; 并采用波长450 nm半导体激光器、MPPC光电转换器件搭建了无线光通信系统。结果表明, 系统在通信速率为2 Mbit/s、误比特率为3.8×10-3时, 改进的W-AdaBoost-KNN算法较传统AdaBoost-KNN和单一KNN算法,灵敏度分别提升了1.6 dB和4.8 dB左右。此研究结果说明W-AdaBoost-KNN算法可提高弱光条件下的信号检测效率, 提升无线光通信系统接收灵敏度。

针对雷达数据集中目标和杂波点迹的聚类不平衡问题, 提出一种基于改进 AdaBoost的密度峰值聚类法。介绍密度峰值聚类法的思想, 基于不对称误分代价改进 AdaBoost的误差函数, 提高正类错分代价权重, 将改进 AdaBoost和密度峰值聚类结合, 对由目标和杂波点迹组成的不平衡雷达数据集聚类。仿真实验结果表明, 该算法在保证总体聚类性能的同时提高对正类的识别。

某型警用激光眩目器主要应用于安防领域,发射对人眼较敏感的532 nm绿激光照射人体目标,可以使嫌疑人目标暂时性失去视力。为提高激光利用率,需要使激光光斑尽可能覆盖有效人体目标范围。测试时使用摄像机获取视频,利用Gentle Adaboost算法,通过基于数字信号处理器(DSP)的视频处理系统实现了行人目标检测及测定行人大小,同时通过单片机控制电路,根据行人大小控制激光镜头自动调焦,以适应行人目标。

为了获得更高的预测精度,针对高斯过程回归(GPR)算法在具体应用中出现的依赖核函数的选择以及精度提升空间有限等问题,结合AdaBoost算法思想提出了一种基于AdaBoost.RT算法的GPR预测算法。该算法从统计学角度引入预置阈值的概念,将不同核函数的GPR算法预测结果定性分成正确和错误两部分,并经过两层训练,通过最终权值的大小反映出针对不同核函数的GPR算法的信度大小,最终融合各个核函数输出高质量的预测值。在锂电池的故障预测仿真实验中,该算法的预测相较于传统的GPR算法,平均误差下降了82.14%,证明该算法的合理性和实用性。

针对现有主流检测算法在低光照或光照条件强烈变化情况下对交通标志检测精度不足、漏检现象严重的问题,提出一种改进后的基于图像关键点统计变换(MCT)特征的Adaboost集成算法,以降低样本图像对光照变化的敏感性,通过对图像关键点进行提取并建立弱分类器,增强噪声和部分遮挡情况下算法的抗干扰能力,同时采用多尺度特征融合算法实现交通标志的分类识别。选用德国交通标志数据集(GTSDB、GTSRB)和自建数据集对所提算法性能进行验证,结果表明,在三类数据集中本文算法均具有最佳检测率与识别率,对于低光照条件下的交通标志图像,本文算法的检测精确率为94.96%,在复杂光照环境下具有较好的稳健性。

针对可见光学遥感图像港口舰船检测过程中,人造目标造成检测结果准确率低、虚警率高的问题,提出了一种基于边缘线梯度特征定位和聚合通道特征的舰船检测方法。基于多尺度多结构元素形态学滤波实现海陆分割;并结合遥感图像中港口的矩形形状特点,定义边缘梯度正切角和港口凹凸度特征以对港口进行定位,获取港口感兴趣区域集合。提取舰船目标的聚合通道特征,并通过聚合通道特征构建的样本训练库和AdaBoost算法完成分类器的训练,利用训练完成后的分类器完成舰船目标的最终判别确认。实验结果表明该算法相较于传统的HOG特征和Haar特征,检测效果良好,准确率和召回率得到较大的提升。

针对真实环境下的多视角人脸检测问题，提出了一种基于差分特征的多视角人脸检测算法。它综合运用 2种不同的差分特征：一阶 NPD特征与二阶 Laplace特征，结合 Gentle Adaboost算法与分类回归树 (CART)，分别训练基于一阶和二阶差分特征的人脸检测器，再将这 2种差分特征的检测结果进行融合，得到最终的人脸检测结果。本文的差分人脸检测器充分利用了 2种差分特征的互补性，结合了一阶特征对光照的鲁棒性和二阶特征对旋转的鲁棒性，从而更好地实现了复杂环境下的多视角人脸检测。在 CMU-MIT和 FDDB两大公开人脸检测数据集中对提出的方法进行验证，结果证明了本文提出的差分人脸检测器的有效性，能够较好地检测复杂环境下的多视角人脸。

人体表面特征点三维空间坐标的实时监测是实现自然高效、非接触的智能化人机交互的关键技术。算法在提取肤色区域外轮廓的基础上, 依据手指和手势的多种形状约束特征实现指尖定位。基于Adaboost算法确定人脸区域, 针对是否佩戴强干扰性眼镜, 采用不同的灰度及空间结构特征实现人眼中心的准确定位。对左右内眼角点或是黑框眼镜内框曲率点进行改良性的光流跟踪。通过多尺度逐级定位算法提升特征点的定位精度。基于双目立体视觉原理实现特征点的三维空间坐标重构, 并依靠三维信息反馈有效重启跟踪错误的光流算法。算法将特征与统计方法相结合, 通过多尺度以及多信息(灰度、色调、空间结构、三维)的综合运用, 相对于传统算法进一步提升了算法的时间处理效率和复杂背景中多状态下(强干扰佩戴物、较大角度的姿态变化、遮挡、光照)目标特征点的检测正确率。

为了解决现有电子式电能表故障检测方法精度偏低、训练速度慢的问题, 提出一种BP-AdaBoost复合神经网络故障预测方法。首先, 在单一BP神经网络的基础上, 利用组合分类器算法AdaBoost对其进行改进, 将多个单一BP神经网络作为弱分类器, 多次迭代训练得到强分类器; 随后, 将该故障预测方法应用于电子式电能表的典型故障——整流桥故障的分类判别中; 利用Simulink搭建电子式电能表仿真模型, 选取故障注入点与观测点, 仿真运行生成的故障数据作为BP-AdaBoost算法的处理对象。仿真结果表明, BP-AdaBoost故障预测方法与单一BP神经网络故障预测方法相比, 能提高预测精度, 显著减小误差, 在实际应用中具有一定可行性。

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。