基于特征融合的AdaBoost人臉檢測(cè)研究.pdf

1、人臉檢測(cè)作為人臉識(shí)別的關(guān)鍵步驟，在計(jì)算機(jī)視覺和模式識(shí)別等領(lǐng)域得到廣泛的應(yīng)用。由于人臉結(jié)構(gòu)具有可變性，并且人臉圖像在進(jìn)行采集時(shí)易受到外部因素的影響，使得人臉檢測(cè)成為一種極具挑戰(zhàn)性的課題。隨著人臉檢測(cè)的應(yīng)用領(lǐng)域越來越廣泛，各種檢測(cè)算法層出不窮。其中AdaBoost算法具有較高的檢測(cè)率和較快的檢測(cè)速度。在此基礎(chǔ)上，如何進(jìn)一步提高AdaBoost算法的檢測(cè)率和檢測(cè)效率則成為主要的研究目標(biāo)。
　　本文在基于Haar-like特征的AdaBo

2、ost算法的基礎(chǔ)上，對(duì)特征提取方法和算法本身進(jìn)行分析和改進(jìn)，并且在Matlab平臺(tái)上對(duì)這些改進(jìn)做了仿真實(shí)驗(yàn)，證實(shí)了所提的改進(jìn)方法對(duì)人臉檢測(cè)性能方面有較為明顯的提高。
　　本文的主要工作包括：
　　針對(duì)Haar-like特征的缺點(diǎn)，引入另一種特征(LBP特征)，并且提出一種將Haar-like特征和LBP特征融合的方法，將其引入到AdaBoost算法中，從而實(shí)現(xiàn)快速人臉檢測(cè)。該方法首先針對(duì)LBP特征的提取方法進(jìn)行了一些改進(jìn)，使

3、其能更好地提取人臉特征，其次將Haar-like特征和LBP特征分別訓(xùn)練的最佳弱分類器進(jìn)行線性融合，確定最佳權(quán)重使兩個(gè)目標(biāo)函數(shù)最小，然后依據(jù)最佳權(quán)重確定最終的強(qiáng)分類器。在MIT+CMU人臉數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示，該方法的特征提取時(shí)間少于Haar-like特征，訓(xùn)練弱分類器的耗時(shí)也大幅度減少。檢測(cè)率相比Haar-like特征基本持平，檢測(cè)速度優(yōu)于Haar-like特征。
　　在Haar-like特征和LBP特征融合的基礎(chǔ)上，針對(duì)Ad

4、aBoost算法樣本中存在噪聲樣本等特殊樣本時(shí)導(dǎo)致的過學(xué)習(xí)現(xiàn)象，對(duì)算法本身做出改進(jìn)。一方面將人臉樣本和非人臉樣本分別歸一化，另一方面提出一種與樣本分類正確率相關(guān)的權(quán)值更新規(guī)則，從兩方面保證對(duì)人臉樣本的重視。該方法首先運(yùn)用前面的方法進(jìn)行特征提取，然后使用改進(jìn)的權(quán)值歸一化規(guī)則和權(quán)值更新規(guī)則引入到AdaBoost算法中。實(shí)驗(yàn)結(jié)果表明，相對(duì)于基于Haar-like特征的AdaBoost算法，改進(jìn)的AdaBoost算法在大幅度減少訓(xùn)練時(shí)間的同時(shí)，