基于Soft Cascade分类器的人脸检测算法

摘要

人脸检测是计算机视觉中的一个基础而重要的研究方向，人脸检测技术被广泛应用于人脸识别、视频监控、基于图像内容的检索、人机交互等领域，具有重要的研究价值。人脸检测主要内容是对图片或视频中的人脸进行定位，返回人脸的位置，大小等信息。本文主要对人脸检测中的三个比较重要的问题进行了研究并最终实现了一个多姿态的人脸检测器，主要研究内容包括:
　　人脸的特征编码。人脸的特征编码对人脸检测器性能至关重要，好的特征使得在特征空间中人脸与非人脸的差异比较大，区分这两种模式也会更容易。目前有很多的局部描述子被应用于人脸检测。本文对三种不同的特征:Haar-like特征，HOG特征，IntegralChannel特征进行了对比实验，比较了它们在人脸检测中的性能表现。
　　分类器训练算法。相较于传统的分类器级联方式，Soft Cascade分类器具有很多优点。Soft Cascade分类器的每一级的输出为前面所有弱分类器输出值之和，这样前面选出的特征会参与后面每一级的决策，得到分类性能更好的分类器。本文首先描述了SoftCascade分类器训练算法，然后引入并行计算对Soft Cascade分类器训练算法进行了速度优化。针对Soft Cascade分类器训练过程中的特征冗余问题文中提出了一种新的回退策略，并对新引入的训练参数进行了实验，最终得到了性能更好的分类器训练算法。
　　窗口合并。使用滑框检测会在目标周围产生很多重叠的检测框，最终定位目标需要将重叠的窗口合并。本文对四种窗口合并算法进行了比较实验并分析了它们对最终的检测结果的影响。
　　最后使用文中描述的特征提取方法与分类器训练算法实现了一个多姿态人脸检测器，在AFW数据集上取得了较好的人脸检测结果。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 国内外研究现状

1．2．1 基于Adaboost算法的人脸检测

1．2．2 基于支持向量机的人脸检测

1．2．3 基于卷积神经网络的人脸检测

1．2．4 基于图像检索的人脸检测

1．3 研究难点

1．4 论文主要工作及章节安排

第二章 人脸的特征编码

2．1 人脸的特征描述子概述

2．2 Haar-like特征

2．3 HOG特征

2．4 Integral Channel特征

2．5 小结

第三章 提升树模型

3．1 Adaboost算法

3．1．1 Adaboost算法流程

3．1．2 Adaboost算法分析

3．2 决策树

3．2．1 CART算法

3．3 提升树在人脸检测中的应用

3．4 小结

第四章 Soft Cascade分类器训练算法

4．1 分类器训练算法

4．2 阈值训练算法

4．3 算法优化

4．3．1 训练算法复杂度分析

4．3．2 训练算法速度优化

4．4 算法调试实验

4．4．1 训练算法参数实验

4．4．2 策略对比实验

4．4．3 改进后训练算法与原始的算法对比实验

4．5 小结

第五章 多尺度下检测人脸

5．1 人脸定位

5．1．1 尺度

5．1．2 姿态

5．2 窗口合并

5．2．1 Viola-Jones窗口合并

5．2．2 非最大化抑制

5．2．3 贪心非最大化抑制

5．2．4 基于meanshift算法的非最大化抑制

5．3 窗口合并策略对比实验

5．4 完整的检测算法

5．5 小结

第六章 实验

6．1 Soft Cascade检测器与Viola-Jones对比实验

6．1．1 实验设定

6．1．2 实验结果

6．2 特征对比实验

6．2．1 实验设定

6．2．2 实验结果

6．3 多姿态人脸检测器

6．3．1 训练数据

6．3．2 训练算法

6．3．3 检测结果

6．4 实验结果分析

6．4．1 Soft Cascade与Viola-Jones的对比实验结果分析

6．4．2 特征对比实验结果分析

6．4．3 多姿态人脸检测器对比实验结果分析

6．5 小结

第七章 总结与展望

7．1 总结

7．2 展望

致谢

参考文献

作者在攻读硕士学位期间发表的论文和成果