基于AdaBoost算法的目标检测系统研究

论文摘要

随着社会的不断进步和发展，计算机应用技术已应用到各行各业。目标检测技术作为数字图像处理中一项重要的技术，在计算机领域（计算机视觉和视频安全方面的领域）备受关注，起初人脸检测只是人脸识别技术的一个环节，但随着电子商务等应用的发展，识别系统对人脸的应用性要求不断提高，技术发展越来越快，人脸检测逐渐从人脸识别中独立出来，随后又有很多经典的算法。现在的计算机技术比较智能化，这种技术给人脸检测的研究也带来了很多便利条件，检测的鲁棒性和检测效果都得到了提高。本文分别对人脸检测技术方法的理论知识以及当今人脸技术的研究现状和发展趋势进行了研究，同时也阐述人脸检测系统的分类、算法的特点。重点研究了基于AdaBoost算法的人脸检测方法，优化了检测系统的训练过程，级联AdaBoost算法是一种经典算法。虽然此算法比较经典但也存在一些问题：如何选择判别性高的分类器，以及是否能有效地将这些分类能力强的分类器级联起来需进一步提高。因此，本文对此进行了研究，并采用改进的AdaBoost算法进行，从而优化了检测方法。首先，通过对建立弱分类器的研究，采取了一种使用较少量的弱分类器就能达到高检测率的计算弱分类器阈值的方法。其次，选择那些判别性较强的弱分类器进行优化检测系统，目的是节省了学习过程中训练分类器所需要的时间以及构建强分类器所需要弱分类器的数目。检测率是评价检测系统效率的一个因素，本文考虑到这点采用级联的方式把分类器组合起来，这样会使分类器的分类能力有所提升。本文优化后更加完善了检测系统的检测技术。本文所采用的特征是矩形特征也就是Haar-like特征，采用此特征对分类器进行训练，训练过程中使用的训诫样本来自于标准的MIT和CBCR人脸数据库，经过大量的实验表明，本文的检测技术在不同光照条件下不同姿态、带饰物和不同表情的情况下人脸从检测技术上来看，检测准确率和检测效率优于传统的方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究的背景及意义
• 1.2 研究现状
• 1.2.1 概述
• 1.2.2 国内外研究现状
• 1.2.3 基于统计人脸检测方法
• 1.2.4 基于特征的人脸检测方法
• 1.3 主要研究内容
• 第二章 基于 AdaBoost 算法的人脸检测算法
• 2.1 AdaBoost 算法的概述
• 2.2 AdaBoost 算法人脸检测过程
• 2.3 特征向量优化与计算过程
• 2.3.1 Haar-like 特征
• 2.3.2 积分图像
• 2.3.3 特征值的计算
• 2.4 分类器的构建与级联过程
• 2.4.1 训练与构建分类器
• 2.4.2 级联分类器的构建
• 第三章 优化 AdaBoost 算法的人脸检测方法
• 3.1 分类器训练方法的优化
• 3.1.1 训练算法分析
• 3.1.2 构建弱分类器
• 3.1.3 构建强分类器
• 3.1.4 分类器错误率的分析
• 3.2 训练分类器的设计及其改进
• 3.2.1 特征数量的优化
• 3.2.2 级联分类器的设计与使用
• 第四章 基于 AdaBoost 算法的人脸检测实现过程
• 4.1 检测过程
• 4.2 检测结果评价标准
• 4.2.1 检测结果和分析
• 4.2.2 简单背景检测结果
• 4.3 复杂情况下的检测结果分析
• 4.4 算法实现过程的代码解析
• 4.5 本章小结
• 第五章 总结与展望
• 致谢
• 参考文献