基于粒子群的AdaBoost算法及其在人脸检测中的应用研究

摘要

人脸识别是一项方兴未艾的生物特征识别技术，广泛应用于各行各业身份识别的信息技术领域。近十年来，伴随着网络通信和多媒体技术的飞速发展，以及计算机硬件水平的快速提升，作生物特征识别技术的分支之一，人脸识别由于其自然性和非接触性等特点，在模式识别和人工智能等研究领域倍受欢迎和关注。
　　 人脸识别系统的一项关键环节就是人脸检测。所谓人脸检测是基于人脸的特征提取，在给定的图片(通常为灰度模式)中检测是否存在人脸，如果存在人脸则逐一标记人脸的具体位置和大小。在现阶段的各种人脸检测算法中Viola提出了经典的AdaBoost人脸检测器。但是，该传统的AdaBoost算法依然存在需要改进的地方：比如检测率较低和虚警率较高，弱分类器训练时间过长等缺点。
　　 针对上述问题，本文在AdaBoost算法上，结合支持向量机的思想，尝试性地提出了一种基于粒子群的AdaBoost算法。该算法主要针对传统的AdaBoost人脸检测器中各弱分类器权重系数无法达到全局最优的情况提出的。在此改善算法中，主要采用如下三项的关键技术：①利用支持向量机的思想构建AdaBoost人脸检测器。②利用粒子群优化的思想全局优化提升弱分类器的权重系数。③利用模拟退火思想改善粒子群过早收敛的缺陷。
　　 为了验证提出的PSO-AdaBoost算法的可行性与有效性，利用OpenCV和Matlab为实验工具，以ORL人脸库和归一化处理的图片作为训练集，以大量灰度照片作为测试集进行实验。结果表明：基于粒子群的AdaBoost人脸检测器能在传统AdaBoost人脸检测器基础上提高检测性能。

目录

文摘

英文文摘

声明

第一章绪论

1.1选题背景和意义

1.2人脸识别的国内外研究现状

1.3本文的主要研究内容

1.4本文的内容安排

第二章AdaBoost原算法

2.1人脸特征提取

2.1.1 Haar-like特征值

2.1.2积分图像

2.2构造强分类器

2.2.1训练弱分类器

2.2.2实现强分类器

2.2.3误差学习

2.3分类器级联

第三章支持向量机与粒子群

3.1支持向量机简介

3.1.1最优分离超平面

3.1.2 SVM的核函数

3.1.3 SVM的构造方法

3.2粒子群算法简介

第四章PSO-AdaBoost算法及人脸检测

4.1 PSO-AdaBoost算法

4.1.1训练基于SVM的弱分类器

4.1.2构造弱分类器级联

4.1.3 PSO优化弱分类器系数

4.2 PSO-AdaBoost人脸检测系统结构

第五章实验结果及其分析

5.1实验测试数据库和平台

5.2实验参数设置

5.3实验检测结果

第六章结论和展望

6.1本文主要工作

6.2创新之处

6.3工作展望

参考文献

在校期间发表的论文、科研成果等

致谢