对灰度复杂背景下的正面多视角人脸检测与跟踪技术的研究

论文摘要

人脸检测由于它的学术价值和应用范围,越来越受到人们的关注。其中自适应自举学习算法（AdaBoost）将人脸检测带入了实用领域。人脸检测的任务是从静态图像或视频中定位人脸的位置。深入研究了灰度图像复杂背景下的平面内多视角的人脸检测以及人脸跟踪技术,具体工作如下:改进了AdaBoost的训练算法。该算法改原分类器的单阈值为双阈值,且对样本的一次遍历便可完成一个弱分类器的训练,降低训练耗时。对其可行性给出了数学证明。提出了一种改进的AdaBoost权值更新算法,该算法较原算法加入了评价其整体分类性能参数,以缓解的过拟合特性。对于改进后算法在训练集上的错误率上限给出了数学证明。对Haar型特征进行了扩展,采用45°积分图像并放宽了特征的计算条件以发掘具有更好分类性能的特征,从而保证多视角人脸检测的需要。提出了层级决策树分类器以满足检测多视角人脸需要。出于不同层次的子分类器对其性能有不同的要求,在训练时,对于不同样本赋予不同的分类错误代价,并参考错误代价,改进AdaBoost的权值更新算法,使其满足不同分类器性能要求。在人脸跟踪方面,改进了Mean-shift算法的采样方法,加入了灰度几何特征,使算法在复杂背景下的人脸跟踪更具鲁棒性。数学证明了加入核带宽后的自适应检测窗口大小的Mean-shift算法的收敛性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究的背景和意义
• 1.2 人脸检测面临的挑战
• 1.3 国内外研究现状与动态
• 1.4 人脸检测问题的分类
• 1.5 人脸模式的一般检测方法
• 1.6 多视角人脸检测技术
• 1.7 本文的研究工作和论文结构
• 1.7.1 本文的主要研究工作
• 1.7.2 本文的章节内容
• 第二章 改进的AdaBoost人脸检测算法的设计
• 2.1 AdaBoost算法概述
• 2.2 AdaBoost算法的不足
• 2.3 快速的AdaBoost训练方法
• 2.3.1 改进的动机和原理
• 2.3.2 实验结果
• 2.4 对AdaBoost过拟合特性的改进
• 2.4.1 改进的动机和原理
• 2.4.2 实验结果
• 2.5 本章小结
• 第三章 基于AdaBoost的多视角人脸检测系统的实现
• 3.1 系统概述
• 3.2 改进的Haar型特征
• 3.3 系统层级结构
• 3.4 对AdaBoost算法权值更新的改进
• 3.5 实验与结论
• 3.5.1 训练和测试样本说明
• 3.5.2 改进的Haar型特征对比实验
• 3.5.3 改进权值更新的AdaBoost算法对比实验
• 3.5.4 对多视角人脸检测系统评价
• 3.6 本章小结
• 第四章 基于Mean-shift的人脸目标跟踪
• 4.1 人脸目标跟踪所存在的问题
• 4.2 Mean-shift算法和改进
• 4.2.1 Mean-shift过程和目标跟踪
• 4.2.2 加入目标几何结构信息
• 4.3 Mean-shift核带宽的自动选择
• 4.3.1 核空间
• 4.3.2 图像二维空间核函数
• 4.3.3 核宽维核函数
• 4.3.4 算法小结
• 4.4 实验结果
• 4.5 本章小结
• 第五章 结束语
• 5.1 本文工作总结
• 5.2 进一步的研究工作
• 参考文献
• 致谢
• 研究成果