基于灰度、梯度和肤色特征的通用人脸检测算法研究

摘要

本文对通用的人脸检测算法进行研究，提出了一种融合使用灰度、梯度和肤色信息的人脸检测方法。在Viola-Jones的检测方法中，使用了类Haar特征描述人脸模式的灰度差规则，用AdaBoost算法从中学习最能区分人脸/非人脸模式的规则，构成级联分类器用于检测人脸。这种检测方法检测率较高，速度在现有方法中最快。受他们的启发，本文用类Haar特征分别描述梯度差和肤色差规则。我们将灰度差、梯度差和肤色差三类规则进行组合，设计出三种规则集，分别是单独由灰度差规则构成的G规则集、联合灰度差和梯度差规则的G2规则集、联合所有三类规则的G2S规则集。前两种规则集可专用于灰度图上的人脸检测，最后一种规则集则用于彩色图像的人脸检测。用AdaBoost算法在这三种规则集上训练出三个级联分类器，分别称为G分类器、G2分类器、G2S分类器。

目录

文摘

英文文摘

原创性声明及学位论文版权使用授权声明

第一章绪论

1.1引言

1.2人脸检测研究的现状

1.3本文的人脸检测器的设计构思

1.4本文的主要工作及创新之处

1.5本文的内容安排

第二章分类器设计及训练

2.1 AdaBoost算法与强分类器

2.2级联分类器

2.3类Haar特征

2.3.1类Haar特征的形状

2.3.2计算类Haar特征值

2.3.3创建类Haar特征集

2.3.4积分图

2.3.5 类Haar特征弱分类器

2.3.6选择弱分类器

2.4梯度差规则

2.4.1梯度算子

2.4.2梯度差弱分类器

2.5肤色差规则

2.5.1选择色平面

2.5.2肤色距离图

2.6小结

第三章、检测器设计及实验结果分析

3.1本文的人脸检测范围

3.2人脸检测器的设计

3.3实验结果及分析

3.3.1构成级联分类器的弱分类器数目

3.3.2灰度图测试

3.3.3彩色图测试

3.3.4测试结果图例

第四章样本的制取

4.1人脸样本的制取

4.1.1记录人脸特征点

4.1.2编程割取人脸样本

4.2非人脸样本的制取

第五章总结与展望

参考文献

致谢