感知器训练算法及其在人脸检测中应用的研究

论文摘要

人脸检测是近二十年来研究较热的领域,其功能是检测图像中的所有人脸。它是任何人脸处理系统的第一步。另外,它本身有着广泛而重要的应用,包括基于内容的图像检索、安全认证、视频监控等。目前,多数的人脸检测算法是通过将图像窗口在输入图像上滑动,然后用人脸分类器对其进行分类来实现的。由于人脸分类器构造的复杂性和穷尽的搜索策略,很多人脸检测算法的检测速度较慢。本文为解决这个问题展开了研究。为了提高检测速度,本文将感知器引入人脸检测算法。感知器是一种线性判别函数,尽管表达能力有限,但形式简单,尤其对线性可分或近似线性可分的数据来说,其优越性是其它分类器所不能比的。本文提出了一种新的感知器训练算法,并用级联感知器来提高人脸检测速度。本文的研究工作主要包括以下三个方面:1.提出一种基于最大化分类间隔思想的感知器训练算法(MM)。首先,在理论上,与其它感知器训练算法做了比较,然后,通过与其它训练算法的实验对比对MM算法做了以下几个方面的分析:1)分类间隔相对学习周期的变化情况,并分析了训练数据的分类间隔与其本身的可判别性的关系;2)在多个线性不可分训练集上,分析MM算法训练的感知器在其上的分类错误率;3)在复杂数据集上,分析了MM算法在训练感知器过程中,分类错误率相对学习周期的变化情况;4)在讨论上述三个方面的同时,对MM算法的训练速度也做了分析和比较。2.提出级联感知器(cascaded perceptrons),并作为为人脸检测的过滤器。感知器运算速度很快,级联感知器有较强的分类能力,因此,级联感知器作为过滤器,能够将那些不像人脸的非人脸既快又多地过滤掉,提高整体的检测速度。这样使得很多检测准确度高,但计算很慢的人脸检测算法得到提速而变的实用化。同时,并为以级联感知器为过滤器的人脸检测器设计了训练算法。3.本文将级联感知器与BDF(Bayesian Discriminating Features)人脸检测器结合,并通过实验分析级联感知器的作用和性能。实验表明,跟其它感知器训练算法相比,MM算法在分类间隔的性质、分类错误率、训练速度等方面具有较好的性能,也基于此,本文用MM算法训练感知器。另外,人脸检测算法在将级联感知器作为过滤器后,能在保证检测率和假阳性个数两个指标不减的前提下提高检测速度。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 问题的提出及研究意义
• 1.1.1 问题的提出
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.3 本文的研究内容
• 1.3.1 本文的主要工作
• 1.3.2 本文的组织
• 2 感知器训练算法介绍
• 2.1 感知器的定义
• 2.2 感知器训练算法介绍
• 2.2.1 感知器训练法则
• 2.2.2 LMS法则
• 2.2.3 Ho-Kashyap算法
• 2.2.4 CGA及ACGA算法
• 2.3 本章小结
• 3 基于最大化分类间隔的感知器训练算法
• 3.1 MM算法的理论阐述
• 3.1.1 MM算法的准则函数
• 3.1.2 MM算法的搜索算法
• 3.1.3 与其它算法的联系
• 3.2 MM算法的实验分析
• 3.2.1 线性可分数据集上实验分析
• 3.2.2 线性不可分数据集上的实验分析
• 3.2.3 复杂数据集上的实验分析
• 3.3 本章小结
• 4 人脸检测算法介绍
• 4.1 人脸检测算法的总体介绍和现状分析
• 4.1.1 人脸检测算法的研究意义
• 4.1.2 人脸检测研究的主要困难
• 4.1.3 主要的人脸检测算法
• 4.2 基于统计学习的方法
• 4.2.1 人工神经网络
• 4.2.2 基于Adaboost算法的人脸检测器
• 4.2.3 BDF算法
• 4.3 本章小结
• 5 级联感知器在人脸检测中的应用
• 5.1 级联感知器及其与人脸检测算法的结合
• 5.1.1 级联感知器
• 5.1.2 以级联感知器为过滤器的人脸检测器
• 5.2 实验设计
• 5.3 实验结果及分析
• 5.3.1 人脸检测的准确性分析
• 5.3.2 人脸检测的速度分析
• 5.4 本章小结
• 6 结论与展望
• 6.1 主要结论
• 6.2 研究工作展望
• 致谢
• 参考文献
• 附录