宠物猫脸检测的方法研究

论文摘要

目标识别是计算机视觉和模式识别领域非常活跃的研究课题。针对生物特征的识别都围绕着“人”来展开,人脸识别、表情识别、性别识别、虹膜识别、手势识别等等。而日常生活中常见的动物如猫狗、牛羊等亦开始出现在目标检测和识别中。特别地,猫、狗等宠物越来越受到人们的关注。本文以最常见的宠物——猫为研究对象,提出了一种应用于数码相机的基于机器学习的由粗到精（coarse-to-fine）的猫脸检测方法。首先,基于Haar-like特征的AdaBoost学习算法训练一个粗级的猫脸检测器。这个粗分类器能够快速地检测出不同尺度的猫脸,在微软猫脸图片库（含猫脸图片10000幅）上测试达到85%的检测率,但误检较高,误检猫脸占实际猫脸总数的27%。为了排除误检,级联一个基于HOG特征SVM分类器,对粗级分类器的检出框归一化大小后作二次分类,将其结果作为最终分类结果,误检猫脸数目由281个下降至21（猫脸总数10098）。粗检测器使用基于查找表型弱分类器的Gentle AdaBoost算法训练而成。Gentle Adaboost是连续Adaboost（Real AdaBosst）改进。与Real AdaBosst相比,Gentle Adaboost的弱分类器输出函数在数值上更稳定。而查找表型弱分类器能减少Haar特征数,更好的表达正样本和负样本的分布。粗检测器的目的是利用Haar+Adaboost分类模式的快速检测能力,避免了HOG+SVM分类模式准确率高但耗时巨大的问题;精检测器利用HOG+SVM分类模式出色的区分度弥补了粗检测器速度快但准确率不高的缺陷。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究难点
• 1.3 研究现状
• 1.3.1 两种目标检测策略
• 1.3.2 基于原图的特征和基于梯度的特征
• 1.3.3 动物检测研究成果
• 1.4 论文结构
• 第二章 基于机器学习的动物检测
• 2.1 基于整体特征的方法
• 2.1.1 基于原图的特征
• 2.1.2 基于梯度的特征
• 2.2 基于多部位的方法
• 2.3 由粗到精的级联分类器
• 2.4 本章小结
• 第三章 基于Adaboost 的粗分类器
• 3.1 Haar-like 特征和积分图
• 3.2 基于LUT 的Adaboost 分类方法
• 3.2.1 Adaboost 原理
• 3.2.2 基于LUT 的Adaboost 分类器算法
• 3.3 本章小结
• 第四章 基于SVM 的精分类器
• 4.1 HOG 特征提取
• 4.2 SVM 分类器
• 4.2.1 线性可分情况
• 4.2.2 线性不可分情况
• 4.3 本章小结
• 第五章 实验结果与分析
• 5.1 训练样本
• 5.2 评估标准
• 5.3 实验结果
• 5.4 本章小结
• 第六章 总结与展望
• 图片库（附录1）
• 致谢
• 参考文献
• 攻读硕士学位期间已发表或录用的论文