基于Real AdaBoost算法的多姿态人脸检测的研究与实现

论文摘要

人脸检测作为人脸信息处理中的一项关键技术,近年来在模式识别与计算机视觉领域中已经成为一个十分活跃的研究方向,具有极高的学术研究价值和商业应用价值。随着智能化信息处理技术的发展,人脸检测在身份识别、视频编码、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。本文首先归纳和分析了当前人脸检测的典型算法,然后从Real AdaBoost算法出发,分别对训练过程、检测过程进行改进优化,并在此基础上实现了多姿态人脸检测系统和实时人脸检测系统。首先,提出了对Haar特征高度、宽度和面积加以限制,减少了特征数,缩短了训练时间;其次,对于庞大的训练数据量,提出写文件分批处理;再次,本文提出一种找反例的新方法,放大检测窗口把误检的窗口图像直接作为反例样本,在计算特征值时除以放大倍数;最后,在实时人脸检测系统中,采用了DirectShow技术,较大地提高系统的速度,达到18帧/秒。课题研究中所实现的人脸检测相关程序具有良好可移植性,为今后的进一步研究和应用打下了良好的基础。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景与意义
• 1.2 国内外的现状及发展趋势
• 1.3 现有人脸检测算法
• 1.3.1 基于特征的方法
• 1.3.2 基于图像的方法
• 1.3.3 各种方法技术的评价
• 1.4 人脸检测的难点
• 1.5 本文的主要工作
• 1.6 论文的内容与结构
• 第2章 分类器的原理与训练
• 2.1 训练样本的选取
• 2.1.1 正例样本的选取
• 2.1.2 反例样本的选取
• 2.2 Haar特征
• 2.2.1 特征的种类
• 2.2.2 特征值的计算
• 2.2.3 积分图（Integral Image）
• 2.3 Real AdaBoost算法介绍
• 2.4 由粗到精的级联分类器
• 2.5 分类器训练系统的改进与实现
• 2.5.1 训练系统的设计
• 2.5.2 改进优化Haar特征
• 2.5.3 分类器的设计
• 2.5.4 训练数据的处理
• 2.5.5 寻找更多反例
• 2.5.6 训练系统的实现
• 2.6 本章小结
• 第3章 多姿态人脸检测
• 3.1 多姿态的定义
• 3.2 检测算法
• 3.3 后续处理
• 3.3.1 去掉单个窗口
• 3.3.2 处理多姿态窗口
• 3.3.3 合并重叠窗口
• 3.3.4 去掉嵌套窗口
• 3.4 实验结果与分析
• 3.5 本章小结
• 第4章 实时人脸检测系统
• 4.1 检测系统的设计
• 4.2 提高检测率
• 4.3 人脸检测Filter
• 4.4 实验结果与分析
• 4.5 本章小结
• 第5章 总结与展望
• 致谢
• 参考文献
• 攻读学位期间的研究成果