基于Adaboost算法的人脸检测与识别的研究

论文摘要

人脸检测与识别是计算机视觉和模式识别领域非常活跃的研究课题,经典的算法可以很好的进行人脸识别,但当处理大规模数据时仍会出现内存限制、训练时间过长、检测与识别不够实时快速等问题。针对这个问题,集成方法应运而生,其中以Adaboost(Adaptive Boosting)算法最为著名。它具有很好的泛化能力,识别率高,训练速度快。但是面对大规模数据的多类问题(包括两类),如何进一步提高算法的性能,扩大其应用领域仍然需要继续研究。本文在对人脸识别经典算法、Adaboost变体算法的设计方法、分类准则、分类性能等深入研究的基础上,主要完成了以下工作：首先,研究了经典人脸识别方法主成分分析PCA、线性鉴别分析LDA、独立成分分析ICA算法,对其原理、算法进行了系统的研究,并在多个公共人脸库上进行了实验仿真,分析了算法的性能和特点。其次,研究了基于Adaboost算法的人脸检测,我们选择简单的haar特征作为弱学习器,利用Adaboost算法将其提升为强分类器,在此基础上进行了人脸检测实验,结果证明Adaboost算法用于人脸检测速度快,实时性好。但仍然存在误检、漏检以及重检的问题,对此论文进行了深入的讨论分析。最后,考虑到Adaboost算法的优点,本文将其推广算法Adaboost多类识别算法Adaboost.Ml应用到人脸识别中来,运用常见的最近邻算法、LDA、朴素贝叶斯三种分类算法作为弱学习算法,进行了大量的实验研究,并对其结果进行了仔细的分析比较,结果表明,Adaboost.Ml用于人脸识别训练速度快,实时性和稳定性好,识别率非常高,甚至有达到100%识别率的情况。在此基础上,提出了一种优化权值的改进算法并进行了实验仿真,结果表明Adaboost.Ml改进算法识别率高,训练速度快,与未改进算法相比训练速度有所提高。

论文目录

• 致谢
• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 人脸识别
• 1.2.1 人脸识别的概念和应用
• 1.2.2 人脸识别的发展历程
• 1.3 Adaboost集成学习
• 1.4 本文的研究内容及安排
• 第二章 人脸识别经典算法研究
• 2.1 主成分分析PCA
• 2.1.1 PCA算法原理
• 2.1.2 PCA算法在人脸识别中的应用
• 2.2 线性鉴别分析LDA
• 2.2.1 LDA算法原理
• 2.2.2 LDA算法在人脸识别中的应用
• 2.3 独立成分分析ICA
• 2.3.1 ICA线性模型
• 2.3.2 FastICA算法原理及步骤
• 2.3.3 FastICA算法在人脸识别中的应用
• 2.4 实验结果及分析
• 2.4.1 实验一 三种算法在ORL人脸库上的实验
• 2.4.2 实验二 三种算法在FERET、UMIST人脸库上的实验
• 2.5 本章小结
• 第三章 Adaboost算法
• 3.1 Boosting算法背景
• 3.2 Adaboost算法的提出
• 3.3 Adaboost算法的理论分析
• 3.3.1 训练误差分析
• 3.3.2 泛化误差
• 3.4 本章小结
• 第四章 Adaboost算法在人脸检测中的应用
• 4.1 haar特征与积分图像
• 4.1.1 haar特征
• 4.1.2 积分图像
• 4.2 Adaboost算法的训练过程和检测过程
• 4.2.1 训练过程
• 4.2.2 检测过程
• 4.3 实验结果及分析
• 4.4 本章小结
• 第五章 Adaboost在人脸识别中的应用及改进
• 5.1 Adaboost.M1算法
• 5.1.1 Adaboost.M1算法思想及步骤
• 5.1.2 实验结果及分析
• 5.2 Adaboost.M1改进算法
• 5.2.1 Adaboost.M1改进算法思想及步骤
• 5.2.2 实验结果及分析
• 5.2.2.1 实验一 改进算法在YALE人脸库上的实验
• 5.2.2.2 实验二 改进算法在ORL人脸库上的实验
• 5.3 本章小结
• 第六章 全文总结
• 参考文献
• 详细摘要
• Abstract