人脸检测算法的研究与实现

论文摘要

人脸检测是指按照一定的策略将人脸从图像或视频背景中检测出来。由于其在安全访问控制、基于内容的图像检索、视频会议、表情识别等众多领域具有重要的应用价值,近年来人脸检测成为计算机视觉与模式识别领域非常活跃的研究课题。在阅读大量文献的基础上,本文对人脸检测技术的现状与发展进行了概括,分析和总结了人脸检测的相关方法。本文的主要研究工作包括以下几个方面:(1)研究了一种基于YCbCr彩色空间的肤色检测方法。在比较肤色在各种色彩空间中的聚类性后,利用在亮度和色度分离的YCbCr色彩空间对肤色进行分割,然后再进行二值化处理。对二值化处理后的图像进行滤波、形态学处理,以消除噪声的影响。(2)研究了一种基于Adaboost算法的人脸检测方法。并对其遇到倾斜人脸时,容易出现漏检的现象,增加了新的特征模板,增强了对倾斜人脸的检测效果。(3)针对肤色检测对复杂背景下的图像误检率高和Adaboost算法对多姿态、多人脸图像检测效果不理想的问题,提出基于改进的Adaboost算法和肤色检测结合的人脸检测方法。在Adaboost检测器前端加入了肤色检测,实验结果表明达到了优化检测的目的。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 课题背景及研究意义
• 1.2 人脸检测技术研究现状
• 1.2.1 基于几何特征的检测方法
• 1.2.2 基于肤色模型的检测方法
• 1.2.3 基于统计理论的检测方法
• 1.2.4 人脸检测方法的性能指标
• 1.3 本文的主要内容及章节安排
• 1.3.1 本文的主要工作
• 1.3.2 论文章节安排
• 第二章 基于YCbCr彩色空间的肤色检测
• 2.1 彩色空间
• 2.1.1 RGB 彩色空间
• 2.1.2 HIS 彩色空间
• 2.1.3 YCbCr 彩色空间
• 2.1.4 彩色空间的选取
• 2.2 肤色分割
• 2.2.1 常见的肤色模型
• 2.2.2 YCbCr 彩色空间中建立肤色模型
• 2.2.3 肤色分割实例
• 2.3 肤色分割后处理
• 2.3.1 平滑滤波去噪
• 2.3.2 形态学处理
• 2.4 肤色区域选取及标注
• 2.5 本章小结
• 第三章 基于Adaboost 算法的人脸检测原理与实现
• 3.1 Adaboost 算法概述
• 3.2 Haar-like 矩形特征
• 3.2.1 矩形特征的概述
• 3.2.2 矩形特征值的计算
• 3.3 积分图
• 3.4 Adaboost 训练算法
• 3.4.1 训练样本的选择
• 3.4.2 Haar 特征提取
• 3.4.3 弱分类器的生成
• 3.4.4 强分类器的生成
• 3.5 多层级联分类器的设计
• 3.6 Adaboost 算法的检测过程
• 3.7 实验结果与分析
• 3.8 本章小结
• 第四章 Adaboost 算法的优化
• 4.1 Adaboost 算法存在的缺陷
• 4.2 训练过程的优化
• 4.2.1 Haar 矩形特征的扩展
• 4.2.2 实验结果与分析
• 4.3 Adaboost 算法检测过程的优化
• 4.3.1 肤色检测作为Adaboost 算法检测的预处理
• 4.3.2 实验结果与分析
• 4.3.3 算法性能比较
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献