传统数据网络拒绝服务(Denial of Service,DoS)入侵安全检测方法直接对入侵行为特征进行提取,未对入侵数据进行采集,造成传统方法检测精度较低。据此,文章提出基于改进Adaboost算法的数据网络DoS入侵安全检测方法,首先采集入侵数据,实...传统数据网络拒绝服务(Denial of Service,DoS)入侵安全检测方法直接对入侵行为特征进行提取,未对入侵数据进行采集,造成传统方法检测精度较低。据此,文章提出基于改进Adaboost算法的数据网络DoS入侵安全检测方法,首先采集入侵数据,实现入侵行为特征的提取,从而提升检测结果的准确性。其次,基于改进Adaboost算法实现数据网络DoS入侵安全检测。最后,设计对比实验。实验结果表明,该研究方法检测精度更高,值得推广。展开更多
提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方...提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方车辆检测分类器对PETS(Performance evaluation of tracking and surveillance)提供的图片进行测试。试验结果表明:该方法可以快速、准确地实现日间前方车辆的检测。展开更多
文摘传统数据网络拒绝服务(Denial of Service,DoS)入侵安全检测方法直接对入侵行为特征进行提取,未对入侵数据进行采集,造成传统方法检测精度较低。据此,文章提出基于改进Adaboost算法的数据网络DoS入侵安全检测方法,首先采集入侵数据,实现入侵行为特征的提取,从而提升检测结果的准确性。其次,基于改进Adaboost算法实现数据网络DoS入侵安全检测。最后,设计对比实验。实验结果表明,该研究方法检测精度更高,值得推广。
文摘提出了一种基于类Haar特征和Adaboost算法的车辆检测方法,以解决汽车安全辅助驾驶系统中对前方车辆的信息感知问题。基于类Haar方法对训练集的积分图进行提取,采用Adaboost算法选取有效的类Haar特征并生成前方车辆检测分类器。利用前方车辆检测分类器对PETS(Performance evaluation of tracking and surveillance)提供的图片进行测试。试验结果表明:该方法可以快速、准确地实现日间前方车辆的检测。
