复杂背景下的人脸检测方法研究

摘要

作为人脸识别系统的第一个关键环节，人脸检测在模式识别、计算机视觉和多媒体技术等领域中占据着日益重要的地位，因此，人脸检测逐渐受到研究者重视并且发展成为一项独立的研究领域。2001年，Paul Viola和Michael Jones把haar-like特征和积分图结合到Adaboost算法中，首次将人脸检测用于实际的应用。此后，基于Adaboost的人脸检测算法在人脸检测领域一直处于主导地位并且许多学者在此算法上进行了研究和改进。Adaboost算法的思路是先选择一定数量且具有权重的正负样本，然后开始第一轮训练，并选择一个最优弱分类器，同时根据分类结果更新样本权重后进入下一轮训练，直到完成T轮训练之后，累计选择了T个最优弱分类器用于构造一个强分类器。由于样本权重的更新策略和最佳弱分类器的选取会直接影响到强分类器的性能，而传统Adaboost算法会通过不断增大被分类错误的样本的权重，使权重偏向于某些固定样本，最终将导致出现退化问题。
　　 本文首先通过参考两种新提出的强分类器构造算法，在此基础上进行综合和简化，改进了传统Adaboost算法的样本权重调整策略及弱分类器选择策略，并将其应用到人脸检测领域，通过实验证明其在检测率上有所提高，具有一定的参考和应用价值。其次，Adaboost算法虽然具有鲁棒性好，检测速度快的优势，但是对于待检测图像自身不利因素的影响却有些力不从心，比如噪声、衣服纹理和类似人脸的建筑物表面以及装饰物等。因此，本文利用肤色特征的优点和图像增强的特点，提出了一种Adaboost算法结合空域增强和肤色分割的人脸检测方法：首先通过基于像素值处理的空域增强算法对待检测图像做第一次预处理以消除噪声和突出边缘信息；接着通过肤色分割方法提取出肤色区域以缩小检测范围及降低错检风险；最后在此候选区域中通过Adaboost算法定位人脸。实验表明该方法对单独使用Adaboost算法检测人脸时存在的“漏检”和“错检”问题有较好的改善。最后，融合本文改进和提出的方法设计了一个人脸检测系统，此系统包括了本文提及的几种Adaboost人脸检测方法以及图像增强和肤色分割模块，本文给出了系统的设计流程和功能介绍，并且通过实验对系统的可行性进行了分析。