基于AdaBoost算法的人脸检测技术研究

论文摘要

人脸检测是人脸处理系统的首要环节也是目标检测课题中的一个非常典型的应用实例,随着信息技术的不断发展与普及人脸检测的应用背景已经变得越来越广泛。人脸检测的研究对于人脸识别、基于内容的图像检索、视觉监测、人脸表情分析、三维人脸建模等领域有着重要的意义。本文主要以可见光下的人脸图片及视频为研究对象,充分考虑各种检测环境和检测技术的实用性、实时性,深入分析AdaBoost人脸检测算法的特点,建立一个实用性强、实时性好的人脸自动检测系统,并通过实验对其进行测试分析。本文的人脸检测主要运用AdaBoost学习训练算法,通过正负例样本集对人脸检测分类器进行学习训练,使之能够完成检测任务。对于一个需要通过大量数据训练得到后期检测参数的系统来说,训练过程所需要的时间是绝对不可忽视的环节,训练算法的效率直接关系到实际操作中调试程序所需花的时间。为此,本文针对AdaBoost学习算法训练过程慢这一特点进行了优化改进,提出一种直接求分类器错误率的方法,有效地避免了迭代和概率分布统计等耗时的运算,使训练速度和效率大大提高。为了提高整个人脸检测系统的检测效率,本文针对传统人脸检测扫描的过程计算复杂度高,检测效率低的特点加入了瀑布式的检测框架,运用一个多层结构在数量众多的描窗口中逐层剔除非人脸扫描窗口,缩小检测范围,尽量避免不必要的检测运算。使得人脸检测的速度和效率有较大的提高,增强了系统的实用性和实时性。为了提高人脸检测的鲁棒性,扩展系统的应用范围,本文在对时间要求不严格的静态图片检测中加入了对于旋转角度不超过40度的侧脸检测。由于人眼位置的确定对于人脸处理以及人脸检测后续工作都有着广泛的应用和重要的意义。本文在进行人脸检测的同时,也加入了人眼检测,为人脸检测的后续工作提供有意义的参考。本文设计的人脸检测平台在酷睿双核,1G内存的PC机上,视频流检测中检测速度为14帧/秒,视频流图片大小为320×220像素,可检测正面人脸及左右旋转角度在15°内的侧面人脸。静态图片检测中可检测的图片像素更高,不仅能对正面的人脸进行检测也可以对左右旋转不超过30°的人脸进行检测。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.2 人脸检测的特点
• 1.2.1 人脸检测研究的目的和意义
• 1.2.2 人脸检测的评价标准
• 1.3 人脸检测的研究现状
• 1.3.1 研究的初始期
• 1.3.2 研究的发展期
• 1.3.3 研究的转折点
• 1.4 本文主要研究内容
• 第2章 基于Adboost 算法的人脸检测
• 2.1 AdaBoost 算法背景问题
• 2.2 Adboost 算法原理
• 2.2.1 矩形特征的提取
• 2.2.2 矩形特征的描述
• 2.2.3 检测器内特征
• 2.2.4 积分图
• 2.3 AdaBoost 算法训练分类器
• 2.3.1 AdaBoost 算法框架
• 2.3.2 分类器的训练及选取
• 2.4 Adaboost 算法训练优化
• 2.4.1 Adaboost 训练耗时原因
• 2.4.2 Adaboost 训练的优化
• 2.4.3 减少特征数量
• 2.5 人脸检测架构
• 2.5.1 Cascade 算法思想
• 2.5.2 Cascade 算法架构
• 2.6 本章小结
• 第3章 人脸检测技术的实现
• 3.1 系统介绍
• 3.2 训练样本集
• 3.3 样本预处理
• 3.4 本章小结
• 第4章 实验结果及分析
• 4.1 静态人脸检测对比
• 4.2 视频流中动态检测对比
• 4.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢