人脸检测实现及眼睛定位算法研究

人脸检测实现及眼睛定位算法研究

论文摘要

在智能科技日新月异的今天,自动识别技术已经受到众多研究人员及生产应用者的普遍重视。尤其是人脸识别,它是利用生物技术进行个人身份鉴定的一种重要手段,具有极高的研究价值,同时是人机界面,视频会议及监视系统中的关键技术,具有巨大的商业价值。作为人脸识别的第一步,人脸检测的结果对识别结果有着决定性的影响,是关键性的环节。今天,随着电子商务技术的发展,人脸检测在数字视频处理,基于内容的检索等领域的应用价值得到了充分体现。本文从基于AdaBoost的人脸检测算法出发,通过后端优化提高该算法的检测率,再进行眼睛定位对检测出的人脸图像归一化处理,从而得到规范统一的人脸图片检测结果。开发出了完整的,且可作为人脸识别前期阶段性模块的人脸检测系统。首先,对经典的AdaBoost算法进行研究,分析其训练过程及检测过程。同时针对肤色像素在YCrCb颜色空间中的分布进行了分析。鉴于由AdaBoost算法检测得到的人脸结果虚警率较高,提出在后端加入肤色过滤模块,以提高系统性能。然后,提出了一种新的基于块(based on blobs)的眼睛定位算法,将图像二值化并划分为块,利用两只眼睛的相似性和眼睛对的唯一性将一系列的块进行匹配,以此确定一对眼睛的位置。由于我们利用两眼睛固有的位置关系与相互间的相似性,将两眼睛成对考虑,所以本文的方法能检测各种角度(平面旋转)人脸的眼睛,得到较高的检测准确率。此外,实验显示本算法在一定程度上能适应不同光照条件和表情变化。在大量人脸图片上的实验结果表明了本算法的可靠性及快速性。通过对检测出的人脸图片进行眼睛定位,使系统得到尺寸统一,角度规范的归一化检测结果,且利于后续操作,如人脸识别。

论文目录

  • 目录
  • 摘要
  • ABSTRACT
  • 第一章 绪论
  • 1.1 引言
  • 1.1.1 人脸检测的概念
  • 1.1.2 人脸检测的意义
  • 1.2 人脸检测的现状
  • 1.2.1 人脸检测技术简介
  • 1.2.2 人脸检测的难点
  • 1.3 本文研究内容
  • 1.3.1 论文总体思路
  • 1.3.2 主要研究内容
  • 第二章 AdaBoost算法研究与分析
  • 2.1 引言
  • 2.1.1 PAC(Probably Approximately Correct)学习模型
  • 2.1.2 弱学习与强学习
  • 2.2 AdaBoost算法概述
  • 2.2.1 Haar特征
  • 2.2.2 积分图
  • 2.3 AdaBoost算法训练过程的实现
  • 2.3.1 训练样本的选择
  • 2.3.2 训练过程的实现
  • 2.4 级联分类器的设计
  • 2.5 AdaBoost算法检测过程实现
  • 2.6 AdaBoost改进方法
  • 2.6.1 针对Haar特征的改进方法
  • 2.6.2 针对分类器的改进方法
  • 2.7 本章小结
  • 第三章 肤色过滤
  • 3.1 颜色空间简介
  • 3.1.1 RGB颜色空间
  • 3.1.2 CIEL*a*b*国际照明委员会三度色彩空间
  • 3.1.3 HSI颜色空间
  • 3.1.4 YCrCb颜色空间
  • 3.2 肤色模型
  • 3.2.1 门限模型
  • 3.2.2 贝叶斯模型
  • 3.2.3 高斯模型
  • 3.3 肤色过滤实现
  • 3.4 实验结果与分析
  • 3.4.1 数据库的选择
  • 3.4.2 人脸检测与肤色过滤实验
  • 3.5 本章小结
  • 第四章 眼睛定位
  • 4.1 眼睛定位方法概述
  • 4.1.1 投影函数法
  • 4.1.2 对称变换法
  • 4.1.3 模板匹配法
  • 4.2 基于块的方法
  • 4.2.1 块的定义
  • 4.2.2 块匹配
  • 4.3 特征圆
  • 4.3.1 特征点的选取
  • 4.3.2 特征值的选取
  • 4.3.3 Gabor特征
  • 4.3.4 特征圆提取
  • 4.4 基于块(Based on Blocks)的眼睛定位算法的实现
  • 4.5 实验结果与分析
  • 4.5.1 数据库的选择
  • 4.5.2 实验结果的度量
  • 4.5.3 实验
  • 4.6 本章小结
  • 第五章 人脸检测系统的开发
  • 5.1 系统简介
  • 5.1.1 开发平台
  • 5.1.2 系统功能简介
  • 5.2 系统流程
  • 5.3 运行结果
  • 5.4 本章小结
  • 第六章 总结与展望
  • 6.1 主要工作总结
  • 6.2 将来工作展望
  • 附录一 硕士期间发表的论文
  • 参考文献
  • 致谢
  • 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KELM-AdaBoost方法的短期风电功率预测(英文)[J]. 控制工程 2019(03)
    • [9].Adaboost-SVM多因子选股模型[J]. 经济研究导刊 2019(10)
    • [10].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)
    • [11].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)
    • [12].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)
    • [13].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)
    • [14].基于Adaboost算法的人脸检测的研究[J]. 中外企业家 2019(26)
    • [15].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)
    • [16].一种改进的BP-AdaBoost算法及应用研究[J]. 现代电子技术 2019(19)
    • [17].AdaBoost的多样性分析及改进[J]. 计算机应用 2018(03)
    • [18].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)
    • [19].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)
    • [20].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)
    • [21].基于改进Adaboost算法的人脸检测方法[J]. 科技经济导刊 2018(18)
    • [22].基于Adaboost算法的主客观句分类[J]. 长春大学学报 2015(12)
    • [23].基于AdaBoost的极限学习机集成算法[J]. 软件导刊 2016(04)
    • [24].基于Adaboost的安全带检测系统[J]. 电子测量技术 2015(04)
    • [25].基于肤色模型与改进Adaboost算法的人脸检测[J]. 软件导刊 2015(06)
    • [26].基于Adaboost算法在葡萄酒酒品分类中的实际应用[J]. 科学中国人 2017(17)
    • [27].一种改进的Adaboost人脸检测方法[J]. 自动化与仪器仪表 2013(06)
    • [28].用集成过程神经网络预测民航发动机振动趋势[J]. 振动.测试与诊断 2015(01)
    • [29].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)
    • [30].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)

    标签:;  ;  ;  ;  

    人脸检测实现及眼睛定位算法研究
    下载Doc文档

    猜你喜欢