复杂环境下基于Adaboost的人脸检测系统设计与实现

论文摘要

人脸检测是指给定静止图像或视频序列,不管图像中人脸的位置、大小、方向、姿势、光照等如何变化,找到并定位所有人脸确切位置的技术。人脸检测作为人脸信息处理中的一项关键技术,在感兴趣区编码、身份识别、基于内容的检索、自动监控、人机交互等方面有着日益广泛的应用,成为模式识别与计算机视觉领域内一项受到普遍重视的研究热点。随着相关研究的深入,人脸检测技术在可控环境下已能获得可供实用的检测率。然而,人脸是一类具有相当复杂细节变化的自然结构目标,这种复杂的变化给检测算法带来了相当大的困难,主要表现在人脸的姿势、表情、部分遮挡、光照条件、观察角度变化等,而且图像或视频中的人脸往往是嵌入在混乱的场景中。正是由于上述的这些难题,目前国内外仍没有一种算法能够不加限制地适用于所有场合。本文基于Adaboost算法训练了一个级联分类器,并构建了一个人脸检测系统,为了提高系统的鲁棒性和检测的速度和精度,本文对其加以改进,采用了图像处理的方法对图像进行了缩放和光照补偿的预处理,增加训练样本数和不同肤色、不同背景、不同角度、不同光照的人脸样本训练分类器,以提高系统的鲁棒性;采用放大检测窗口获得待检窗口,比传统的金字塔法放大图像减小计算量。最后,提出了一些新的矩形特征,并用实验证明这些新特征在人脸检测中起到了重要作用。这些措施大大提高了系统的检测精度,并减少了检测时间,可以适应实时检测的需要。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题背景和意义
• 1.2 人脸检测的困难
• 1.3 研究现状及发展趋势
• 1.4 人脸检测结果评价标准
• 1.5 内容及章节安排
• 2 人脸检测方法介绍
• 2.1 人脸检测问题的分类
• 2.2 人脸检测方法
• 2.2.1 基于知识的人脸检测方法
• 2.2.2 基于学习的人脸检测方法
• 3 基于Adaboost的人脸检测方法研究
• 3.1 矩形特征
• 3.1.1 矩形特征描述
• 3.1.2 矩形特征的提取
• 3.1.3 矩形特征的个数
• 3.2 积分图
• 3.3 新特征描述
• 3.3.1 几何变化
• 3.3.2 组合特征
• 3.4 Adaboost算法
• 3.4.1 Adaboost算法原理
• 3.4.2 算法过程分析
• 3.4.3 收敛性分析
• 3.4.4 举例说明
• 3.5 级联分类器构造
• 4 系统实现
• 4.1 系统框架
• 4.2 样本获得
• 4.3 训练样本预处理
• 4.3.1 图像缩放
• 4.3.2 直方图均衡
• 4.4 弱分类器实现
• 4.5 强分类器实现
• 4.6 级联分类器实现
• 4.7 检测过程实现
• 4.7.1 预处理
• 4.7.2 具体检测过程实现
• 5 实验与结果分析
• 5.1 训练结果
• 5.1.1 训练环境
• 5.1.2 训练结果存放格式
• 5.2 检测结果
• 5.2.1 单人脸检测结果
• 5.2.2 多人脸检测结果
• 5.2.3 检测结果优化
• 5.3 结果分析
• 6 总结展望
• 致谢
• 参考文献
• 在校期间发表论文