基于AdaBoost算法的人脸检测研究

论文摘要

人脸检测是模式识别与计算机视觉研究领域比较基础和重要的研究课题,在基于内容的图像与视频检索、视频监控、自动人脸识别以及智能人机交互等领域有着重要的应用价值。人脸检测是指对于任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中是否含有人脸,如果是则返回人脸的位置、大小和姿态。本文研究了如何快速、准确地在一幅图片中检测出人脸。本文详细分析了Viola等人提出的AdaBoost级联人脸检测算法。主要贡献在于1、系统地分析了AdaBoost算法的训练误差、泛化误差,在深入研究基于AdaBoost算法的人脸检测方法的同时,构建了一个人脸检测系统。2、对弱分类器训练时产生的训练错误进行了重新定义,提出了MCE-AdaBoost算法。新定义的训练错误更加重视将人脸样本误判为非人脸样本所产生的错误,这更加符合人脸检测这一特殊目标检测问题,实验表明MCE-AdaBoost算法能有效地提高分类器的检测性能。3、针对AdaBoost算法中存在的不足:当存在困难样本时,随着迭代次数的增多容易产生退化现象,降低分类器的泛化能力。本文提出了一种限制权重扩张LWE-AdaBoost算法,实验表明,LWE-AdaBoost算法能较好地抑制退化现象的发生。4、在传统AdaBoost方法中,权重是根据弱分类器的整体错误率来更新的,本文提出了一种将弱分类器的阈值与特征值相差程度和弱分类器的整体错误率相结合来更新样本权重的方法,相比较只根据整体分类错误率来进行权重更新的方法,这种方法可以在降低误检率的同时达到较高的检测率。

论文目录

• 摘要
• Abstract
• 目录
• 图表目录
• 1 绪论
• 1.1 背景及研究现状
• 1.2 人脸检测方法及分类
• 1.2.1 基于知识的人脸检测方法
• 1.2.2 基于统计理论的人脸检测方法
• 1.2.2.1 基于子空间的方法
• 1.2.2.2 基于人工神经网络的方法
• 1.2.2.3 基于支持向量机的方法
• 1.2.2.4 基于概率模型的方法
• 1.2.2.5 基于AdaBoost的方法
• 1.3 人脸检测的评价标准
• 1.4 本文研究的主要内容
• 1.4.1 研究对象、目的及意义
• 1.4.2 论文的组织
• 1.4.3 论文的主要工作及创新
• 2 AdaBoost算法
• 2.1 Boosting算法背景
• 2.2 AdaBoost算法的提出
• 2.3 AdaBoost算法的理论分析
• 2.3.1 训练误差
• 2.3.2 泛化误差
• 2.4 AdaBoost算法在人脸检测中的应用
• 2.5 本章小结
• 3 基于AdaBoost算法的人脸检测
• 3.1 Haar-like特征
• 3.2 积分图
• 3.3 由扩展的Haar-like特征生成弱分类器
• 3.4 利用AdaBoost算法生成强分类器
• 3.5 级联分类器
• 3.6 训练样本的选取与预处理
• 3.6.1.训练样本的选取
• 3.6.2 图像预处理
• 3.7 实现人脸检测
• 3.7.1 训练分类器
• 3.7.2 检测人脸
• 3.8 实验结果
• 3.9 本章小节
• 4 基于MCE-AdaBoost算法的人脸检测
• 4.1 MCE（modify classification error）-AdaBoost算法的提出
• 4.2 实验结果与分析
• 4.3 本章小结
• 5 基于LWE-AdaBoost算法的人脸检测
• 5.1 LWE（limit weight expansion）-AdaBoost算法的提出
• 5.2 实验结果与分析
• 5.3 本章小结
• 6 基于MWR-AdaBoost算法的人脸检测
• 6.1 MWR（modify weight renewal）-AdaBoost算法的提出
• 6.2 实验结果与分析
• 6.3 本章小结
• 总结与展望
• 致谢
• 参考文献