基于Adaboost的人脸检测与识别算法的研究

论文摘要

近年来,随着计算机的迅猛发展,人脸识别在安全领域、智能门禁等领域具有更加广泛的应用。越来越多的学者开始致力于人脸识别课题的研究。本文对人脸识别算法和原理进行了深入研究,并在此基础上尝试改进算法提出了一种行之有效的识别算法。首先,文中仔细对比分析了经典的人脸识别算法PCA、ICA、LDA的识别性能,并在大量的仿真实验中对算法性能进行了验证。接着,深入地研究了Adaboost算法在人脸检测上的应用。我们用Haar特征作为弱分类器进行Adaboost的人脸检测实验,大量的实验证明了Adaboost算法在人脸检测上速度快,稳定性好,具有的优秀的检测效果。最后,在本文中我们将Adaboost.M1与最近邻算法、线性鉴别分析、朴素贝叶斯三种弱学习算法和结合起来进行了人脸识别实验,在实验的基础上对算法进行了改进,提出了一种新的Adaboost.M1权值改进算法,大量实验证明了改进算法识别率提高,速度快,与未改进之前的算法相比在识别性能上有所改进,具有实际的研究意义。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 人脸识别的研究背景和意义
• 1.2 人脸识别的概念和应用
• 1.3 人脸识别的发展
• 1.4 Adaboost集成学习
• 1.5 本文的工作概述
• 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人脸识别流程
• 2.2 线性鉴别分析LDA
• 2.2.1 LDA算法原理
• 2.2.2 LDA人脸识别流程
• 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 ICA人脸识别过程
• 2.4 三种算法在人脸识别上的应用
• 2.4.1 PCA人脸识别
• 2.4.2 LDA人脸识别
• 2.4.3 ICA人脸识别
• 2.5 实验分析
• 2.5.1 ORL人脸库上的实验
• 2.5.2 FERET、UMIST人脸库上的实验
• 2.6 本章小结
• 第三章 Adaboost算法
• 3.1 Boosting算法背景
• 3.2 Adaboost算法原理
• 3.3 Adaboost算法的理论分析
• 3.3.1 训练误差
• 3.3.2 泛化误差
• 3.4 本章小结
• 第四章 Adaboost人脸检测算法的应用
• 4.1 检测特征及计算方法
• 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 人脸检测实验及结果分析
• 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算法原理
• 5.1.2 实验分析
• 5.2 Adaboost.M1改进算法
• 5.2.1 改进算法原理
• 5.2.2 实验分析
• 5.3 本章小结
• 第六章 结论
• 致谢
• 参考文献