基于特征融合的AdaBoost人脸检测研究

摘要

人脸检测作为人脸识别的关键步骤，在计算机视觉和模式识别等领域得到广泛的应用。由于人脸结构具有可变性，并且人脸图像在进行采集时易受到外部因素的影响，使得人脸检测成为一种极具挑战性的课题。随着人脸检测的应用领域越来越广泛，各种检测算法层出不穷。其中AdaBoost算法具有较高的检测率和较快的检测速度。在此基础上，如何进一步提高AdaBoost算法的检测率和检测效率则成为主要的研究目标。
　　本文在基于Haar-like特征的AdaBoost算法的基础上，对特征提取方法和算法本身进行分析和改进，并且在Matlab平台上对这些改进做了仿真实验，证实了所提的改进方法对人脸检测性能方面有较为明显的提高。
　　本文的主要工作包括：
　　针对Haar-like特征的缺点，引入另一种特征(LBP特征)，并且提出一种将Haar-like特征和LBP特征融合的方法，将其引入到AdaBoost算法中，从而实现快速人脸检测。该方法首先针对LBP特征的提取方法进行了一些改进，使其能更好地提取人脸特征，其次将Haar-like特征和LBP特征分别训练的最佳弱分类器进行线性融合，确定最佳权重使两个目标函数最小，然后依据最佳权重确定最终的强分类器。在MIT+CMU人脸数据集上的实验结果显示，该方法的特征提取时间少于Haar-like特征，训练弱分类器的耗时也大幅度减少。检测率相比Haar-like特征基本持平，检测速度优于Haar-like特征。
　　在Haar-like特征和LBP特征融合的基础上，针对AdaBoost算法样本中存在噪声样本等特殊样本时导致的过学习现象，对算法本身做出改进。一方面将人脸样本和非人脸样本分别归一化，另一方面提出一种与样本分类正确率相关的权值更新规则，从两方面保证对人脸样本的重视。该方法首先运用前面的方法进行特征提取，然后使用改进的权值归一化规则和权值更新规则引入到AdaBoost算法中。实验结果表明，相对于基于Haar-like特征的AdaBoost算法，改进的AdaBoost算法在大幅度减少训练时间的同时，提高了检测率，对整个人脸检测性能都有较为有效的改进。

目录

封面

声明

目录

中文摘要

英文摘要

插图索引

附表索引

第1章 绪 论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.3 人脸检测方法综述

1.4 本文的主要工作和内容安排

第2章 基于AdaBoost的人脸检测原理

2.1 HAAR-LIKE特征提取

2.2 弱分类器

2.3 基于Haar-like特征的AdaBoost算法

2.4 级联分类器

2.5 本章小结

第3章 基于特征融合的AdaBoost算法

3.1 Haar-like特征提取复杂度分析

3.2 LBP特征

3.3 基于特征融合的AdaBoost算法

3.4 实验结果及分析

3.5 本章小结

第4章 改进权值更新和归一化规则的AdaBoost算法

4.1 AdaBoost算法过程分析

4.2 改进的AdaBoost算法

4.3 改进权值更新和归一化规则的AdaBoost算法

4.4 实验结果及分析

4.5 本章小结

总结与展望

参考文献

致谢

附录A 攻读硕士学位期间发表的学术论文

附录B 攻读硕士学位期间参与的科研项目