基于局部自适应核回归的Adaboost人脸检测算法研究

摘要

人脸检测作为人脸识别和人脸图像信息处理的关键技术，其检测效果会直接影响到后续课题的研究。由于图像容易受到成像设备、成像条件以及存储方式的影响，致使人脸检测技术在投入实际使用的过程中遇到种种困难，这方面的研究也就成为一项复杂而具有挑战性的研究课题。
　　本文在对当前人脸检测技术的基本理论和方法进行综合讨论的基础上，对人脸检测过程中的若干关键问题，特别是特征提取、分类器设计和系统构建等方面进行了较为深入的探究。通过研究基于AdaBoost的人脸检测算法与局部自适应核回归（LARK）的特征提取方法的特性，将两种方法结合起来构成人脸检测系统以便达到提高人脸检测精度的目的。本文所做的研究工作主要包括以下几个方面：
　　首先，研究了基于AdaBoost的人脸检测算法。详细讨论了Haar特征、积分图和级联分类器构成基于AdaBoost算法的人脸检测系统的三个组成部分。针对各个层级分类器分类结果可能出现的漏检现象进行实验和分析。
　　其次，研究了局部自适应核回归特征提取方法。这个方法对捕捉基本数据的局部结构很有效，可以很好地描述出图像中边缘位置的形状和图形的走向。文中使用该特征提取方法构成一个人脸检测系统，通过实验论述了该方法在检测过程对图像信息描绘的优势，但检测结果受到目标图像中相似区域的干扰较大。
　　最后，实现了基于AdaBoost算法和LARK特征提取方法相结合的人脸检测算法。将各个层级分类器的检测结果作为用LARK特征提取方法构成的分类器的输入，以提高检测系统的检测率。通过实验比对验证该人脸检测算法的效果。
　　文章最后对论文的工作进行了总结，并对课题的进一步工作进行了展望。

目录

封面

声明

中文摘要

英文摘要

目录

图表清单

第一章 绪论

1.1研究背景及意义

1.2人脸检测概况

1.3人脸检测难点

1.4本文的主要研究内容及其结构

第二章 AdaBoost人脸检测方法

2.1 AdaBoost算法简介

2.2弱分类器

2.3强分类器

2.4 AdaBoost方法分析

第三章 基于局部自适应核回归的特征提取方法

3.1图像对象分析

3.2 LARK与权值向量矩阵

3.3使用LARK特征提取方法构成人脸检测系统

3.4小结

第四章 人脸检测系统

4.1检测系统中的问题

4.2 AdaBoost和LARK方法在本实验中应用

4.3本系统的算法及流程

4.4实验结果与分析

第五章 总结和展望

5.1本文工作的总结

5.2展望

参考文献

致谢

在学期间的研究成果及发表的学术论文