基于AdaBoost算法的自动人脸检测与识别

论文摘要

AdaBoost(Adaptive Boosting)算法是1995年Freund和Schapire提出的一种快速人脸检测算法,是人脸检测领域里程碑式的进步,这种算法根据弱学习的反馈,适应性地调整假设的错误率,在保证检测速度的前提下,检测正确率得到了很大的提高。本文在深入学习和研究AdaBoost算法的基础上,收集了大量的人脸样本和非人脸样本,训练出了共有1152个弱分类器组成的16级强分类器的级联分类器。为了克服Adaboost检测算法因分类器运算量巨大而导致的检测速度较慢的缺点,在检测过程中设置了分类器前端优化。优化包括两个方面:首先,在图像进入检测算法之前,利用运算量较小的RGB肤色模型进行肤色检测,找到图像中最大的人脸区域,从而预测检测窗口放大尺度;其次,在检测算法的前端利用肤色积分图筛选肤色像素比例较小的子窗口,减小分类器的负担。静态图像的人脸检测算法对每幅图像都进行全图检测,不考虑帧间信息,而动态序列图像中帧与帧之间是有一定联系的,所以动态序列图像人脸检测过程中使用了人脸跟踪来预测下一帧人脸的位置和区域,大大提高检测速度,满足了处理动态序列图像的实时性要求。最后,使用基于几何特征的方法识别了检测到的人脸。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 人脸识别概述
• 1.2.1 国内研究状况
• 1.2.2 国外研究状况
• 1.3 人脸检测概述
• 1.3.1 基于特征的检测方法
• 1.3.2 基于统计模型的检测方法
• 1.3.3 常用的人脸检测方法简介
• 1.4 AdaBoost算法概述
• 1.5 本课题研究的主要内容
• 第二章 harr特征与积分图及肤色建模
• 2.1 引言
• 2.2 harr特征
• 2.2.1 概述
• 2.2.2 特征模版
• 2.2.3 检测窗口内特征总数
• 2.3 积分图
• 2.3.1 概述
• 2.3.2 利用积分图计算harr特征值
• 2.4 肤色建模
• 2.4.1 各种色彩空间概述
• 2.4.2 肤色模型的建立
• 第三章 分类器的训练
• 3.1 训练样本选择
• 3.1.1 非人脸样本
• 3.1.2 人脸样本
• 3.2 样本图像预处理
• 3.2.1 图像灰度化
• 3.2.2 尺寸归一化
• 3.2.3 光线补偿
• 3.3 弱分类器训练
• 3.4 强分类器构造
• 第四章 基于AdaBoost算法的人脸检测与识别系统实现
• 4.1 人脸检测
• 4.1.1 AdaBoost人脸检测方法选择与实现
• 4.1.2 对AdaBoost人脸检测算法的改进
• 4.2 人脸跟踪
• 4.2.1 跟踪流程
• 4.2.2 预测搜索范围和人脸大小
• 4.2.3 带跟踪的人脸检测流程
• 4.3 人脸识别
• 4.3.1 特征点的提取
• 4.3.2 特征点的定位
• 4.3.3 识别
• 4.3.4 结果分析
• 4.4 系统的设计与实现
• 4.4.1 开发环境
• 4.4.2 系统的结构
• 第五章 总结与展望
• 参考文献
• 攻读硕士期间参与的科研项目
• 致谢