基于支持向量新颖检测的人脸检测

论文摘要

近年来,由于人脸检测在安全访问控制、视觉监测、数字视频处理、基于内容的检索和新一代人机界面等领域的应用价值,已经受到研究者的普遍重视。目前大量的人脸检测方法已经被提出,这些方法主要都集中在两个方面,一是如何表征一幅人脸图像,即人脸图像特征的提取;二是针对提取的人脸特征设计有效的分类器,进行人脸与非人脸地分类。本文研究支持向量新颖检测算法在人脸检测上的应用问题,并提出改进的算法以实现检测速度上的提高。主要包括如下三个方面的内容。标准的支持向量新颖检测算法被应用于人脸检测,取得了不错的检测精度,但是其检测速度有待提高。针对此问题,我们提出了级联支持向量新颖检测方法。该方法受到级联分类器集成的启发,引入级联的思想,构造了我们的方法。实验仿真验证了级联支持向量新颖检测方法的有效性,在保证检测精度和标准的支持向量新颖检测算法一样的前提下,能够缩短检测时间。在级联支持向量新颖检测方法中,要得到较高的检测率,我们仍然要保留较多的支持向量,这就会影响检测速度。为此,我们提出了一种稀疏支持向量新颖检测方法,该方法采用了两种稀疏技术:1范数正则和Hinge损失函数,能够导致良好的稀疏性,训练得到的稀疏支持向量个数较少,这样的话就会提高检测速度。我们的实验结果表明了在精度不损失条件下,利用极少的稀疏支持向量能够实现快速的人脸检测。在仿真试验的检测过程中,对实际图像的搜索工作是单独完成的,其时间并没有计入检测时间中。实际上对图像的扫描也列入到检测时间内,但是由于图像扫描的过程太费时,一般都事先扫描后保存,并不是实时进行处理。为了提高图像搜索速度,我们提出了一种基于线性滤波器的快速图像搜索算法。二维线性滤波器能够利用了两个二维矩阵之间的卷积来实现两个向量之间的内积,使得我们能快速地处理实际图像的搜索,并同时给出检测结果。由于该方法只能采用线性核,而且用1类分类方法得到的检测结果不理想,因此我们用了两分类的稀疏支持向量机来进行检测。实验结果验证了该方法能够大大降低图像搜索时使用循环带来的时间复杂度,大大提高了检测速度。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景
• 1.2 基于统计理论的人脸检测方法研究现状
• 1.3 本文重要工作及内容安排
• 第二章 统计学习理论基础
• 2.1 统计学习理论
• 2.1.1 VC维
• 2.1.2 推广性的界
• 2.1.3 结构风险最小化
• 2.2 支持向量机
• 2.2.1 两分类支持向量机
• 2.2.2 支持向量新颖检测
• 第三章 基于级联支持向量新颖检测的人脸检测
• 3.1 级联支持向量新颖检测
• 3.2 人脸检测实验仿真
• 3.2.1 人脸数据库上的实验
• 3.2.2 真实图像上的检测
• 3.3 本章小结
• 第四章 基于稀疏支持向量新颖检测的人脸检测
• 4.1 稀疏的重要性及其技术
• 4.2 稀疏支持向量新颖检测
• 4.3 实验仿真
• 4.3.1 人工数据
• 4.3.2 人脸库数据
• 4.3.3 真实图像的检测
• 4.4 本章小结
• 第五章 基于线性滤波器的快速图像搜索检测
• 5.1 真实图像的搜索过程
• 5.2 线性滤波器
• 5.3 稀疏SVM
• 5.4 用于图像搜索的线性滤波器
• 5.5 仿真实验
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 致谢
• 参考文献
• 硕士期间所撰写的论文