基于肤色及AdaBoost算法的人脸检测技术研究

基于肤色及AdaBoost算法的人脸检测技术研究

论文摘要

随着社会的不断发展,信息化程度的不断提高,人们对身份鉴别也提出了更高的要求。人脸作为人体的重要生物特征,在身份鉴别、自动监控、人机交互等很多领域具有极大的发展潜力。而人脸检测作为人脸识别的第一步,已经成为模式识别和计算机视觉领域中重要的研究课题。人脸检测是指对给定的任意一幅图像,利用一定的方法对其进行搜索以确定在该图像中是否存在人脸,如果存在,则返回检测出的人脸的位置、大小和姿态。在自然环境中所形成的图像易受图像背景、光照环境以及人体本身不同姿态的影响,从而使人脸检测变成了一项复杂的、极具挑战性的研究内容。但是由于人脸检测在安全访问、视频处理等领域具有广泛的应用价值,所以受到大量研究者的青睐。本文阐述了人脸检测技术的基本概念,分析和探讨了几种常用的人脸检测方法的实现思路,深入地研究了人脸检测技术。在此基础上,本文提出了一种基于肤色及改进的AdaBoost算法相结合的人脸检测方法。实验表明,本文给出的人脸检测方法是合理的,有着一定程度的理论意义和实用性。本文的研究工作主要有以下几个方面:首先针对彩色图像的肤色信息,给出了一种基于YCgCr色彩空间下的肤色区域检测方法。该方法利用在YCgCr色彩空间下建立的高斯肤色模型对待检测图像进行处理,得到其肤色相似度图像,然后采用自适应阈值方法分割出肤色区域,最后根据人脸的面部特征,采用数学形态学和连通域的知识对肤色区域进行进一步处理,以除去非人脸区域。基于肤色的人脸检测方法不容易受姿态和表情的影响,因而它具有较高的实用价值。其次介绍了传统的AdaBoost算法,针对其在训练弱分类器时可能会出现退化和样本权值扭曲的问题,本文对样本权值的更新规则进行了一定的改进。实验表明,该方法能在一定程度上防止退化现象的出现,提高了分类器的性能。最后,针对在复杂背景下基于肤色的人脸检测方法的误检率较高和AdaBoost算法需要较长时间来实现人脸检测的情况,本文将YCgCr色彩空间下的肤色信息和改进的AdaBoost算法结合起来,提出了一种新的人脸检测方法。该方法首先利用肤色信息分割出可能的肤色区域,然后再采用改进的AdaBoost算法训练出的强分类器对可能的肤色区域进行进一步的验证,最后输出并标注出人脸所在位置。实验表明,本文方法能有效地运用于复杂背景下的人脸检测,具有检测率高、误检率低、检测速度快等优点。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 人脸检测技术研究的目的及意义
  • 1.2 人脸检测技术的研究现状
  • 1.3 人脸检测方法简介
  • 1.3.1 基于特征的人脸检测方法
  • 1.3.2 基于统计理论的人脸检测方法
  • 1.3.3 各种人脸检测方法的优缺点
  • 1.4 人脸检测的评价标准及难点
  • 1.4.1 人脸检测的评价标准
  • 1.4.2 人脸检测的难点
  • 1.5 论文主要工作及内容安排
  • 1.6 本章小结
  • 第2章 图像处理技术
  • 2.1 图像采集
  • 2.2 图像预处理
  • 2.2.1 图像增强
  • 2.2.2 光照补偿
  • 2.3 图像分割
  • 2.4 本章小结
  • 第3章 基于肤色的人脸检测
  • 3.1 色彩空间
  • 3.1.1 RGB色彩空间
  • 3.1.2 HSI色彩空间
  • 3.1.3 HSV色彩空间
  • 3.1.4 YCbCr色彩空间
  • 3.1.5 YCgCr色彩空间
  • 3.2 建立肤色模型
  • 3.2.1 选择色彩空间
  • 3.2.2 肤色模型
  • 3.2.3 肤色相似度图像
  • 3.2.4 肤色区域阈值分割
  • 3.3 肤色区域的后续处理
  • 3.3.1 数学形态学处理
  • 3.3.2 连通域处理
  • 3.4 基于肤色的人脸检测方法的实现过程及实验结果
  • 3.4.1 基于肤色的人脸检测实现过程
  • 3.4.2 实验结果及分析
  • 3.5 本章小结
  • 第4章 基于AdaBoost算法的人脸检测原理
  • 4.1 AdaBoost算法的基本理论
  • 4.2 矩形特征及其特征值计算方法
  • 4.2.1 Haar特征
  • 4.2.2 积分图像
  • 4.3 AdaBoost分类器
  • 4.3.1 弱分类器
  • 4.3.2 强分类器的训练过程
  • 4.3.3 级联分类器
  • 4.4 改进的AdaBoost算法
  • 4.4.1 AdaBoost算法存在的不足
  • 4.4.2 改进的AdaBoost算法
  • 4.5 本章小结
  • 第5章 肤色及AdaBoost算法结合的人脸检测算法
  • 5.1 肤色检测的优缺点
  • 5.2 AdaBoost算法的优缺点
  • 5.3 基于肤色及AdaBoost算法的人脸检测算法
  • 5.3.1 肤色信息和AdaBoost算法结合的原理
  • 5.3.2 基于肤色及AdaBoost算法的人脸检测算法实现
  • 5.4 实验结果及分析
  • 5.5 本章小结
  • 第6章 总结及展望
  • 6.1 总结
  • 6.2 展望
  • 致谢
  • 参考文献
  • 附录
  • 攻读硕士学位期间发表论文
  • 相关论文文献

    • [1].基于多步校正的改进AdaBoost算法[J]. 清华大学学报(自然科学版)网络.预览 2008(10)
    • [2].基于AdaBoost级联框架的舌色分类[J]. 北京生物医学工程 2020(01)
    • [3].基于CEEMDAN+RF+AdaBoost的短期负荷预测[J]. 水电能源科学 2020(04)
    • [4].基于AdaBoost算法的炉芯温度预测模型[J]. 钢铁研究学报 2020(05)
    • [5].基于iForest-Adaboost的核电厂一回路故障诊断技术研究[J]. 核动力工程 2020(03)
    • [6].基于AdaBoost的短期边际电价预测模型[J]. 计算机与数字工程 2020(02)
    • [7].基于AdaBoost的雷达剩余杂波抑制方法[J]. 电光与控制 2020(06)
    • [8].基于AdaBoost集成学习的窃电检测研究[J]. 电力系统保护与控制 2020(19)
    • [9].基于混合采样AdaBoost的地中海贫血数据诊断研究[J]. 数据通信 2020(05)
    • [10].基于KELM-AdaBoost方法的短期风电功率预测(英文)[J]. 控制工程 2019(03)
    • [11].Adaboost-SVM多因子选股模型[J]. 经济研究导刊 2019(10)
    • [12].一种改进的Adaboost-BP算法在手写数字识别中的研究[J]. 大理大学学报 2019(06)
    • [13].一种快速AdaBoost.RT集成算法时间序列预测研究[J]. 电子测量与仪器学报 2019(06)
    • [14].一种加入动态权重的AdaBoost算法[J]. 重庆师范大学学报(自然科学版) 2019(05)
    • [15].基于改进的AdaBoost算法的中压配电网断线不接地故障检测[J]. 电测与仪表 2019(16)
    • [16].基于Adaboost算法的人脸检测的研究[J]. 中外企业家 2019(26)
    • [17].基于Adaboost.RT算法的隧道沉降时间序列预测研究[J]. 中国计量大学学报 2019(03)
    • [18].一种改进的BP-AdaBoost算法及应用研究[J]. 现代电子技术 2019(19)
    • [19].AdaBoost的多样性分析及改进[J]. 计算机应用 2018(03)
    • [20].基于改进Real AdaBoost算法的软件可靠性预测[J]. 空军工程大学学报(自然科学版) 2018(01)
    • [21].一种基于聚类和AdaBoost的自适应集成算法[J]. 吉林大学学报(理学版) 2018(04)
    • [22].基于Adaboost算法的人眼检测技术在路考系统中的应用[J]. 汽车与安全 2016(04)
    • [23].基于改进Adaboost算法的人脸检测方法[J]. 科技经济导刊 2018(18)
    • [24].基于Adaboost和回归树集合技术的疲劳识别研究[J]. 汕头大学学报(自然科学版) 2017(02)
    • [25].基于AdaBoost算法的在线连续极限学习机集成算法[J]. 软件导刊 2017(04)
    • [26].基于Adaboost的改进多元线性回归算法中长期负荷预测[J]. 太原理工大学学报 2017(05)
    • [27].Adaboost人眼定位方法改进与实现[J]. 大连交通大学学报 2017(05)
    • [28].基于SVM-Adaboost裂缝图像分类方法研究[J]. 公路交通科技 2017(11)
    • [29].基于Adaboost算法的主客观句分类[J]. 长春大学学报 2015(12)
    • [30].基于AdaBoost的极限学习机集成算法[J]. 软件导刊 2016(04)

    标签:;  ;  ;  ;  

    基于肤色及AdaBoost算法的人脸检测技术研究
    下载Doc文档

    猜你喜欢