海量训练数据如何影响人脸检测器性能：实验研究

摘要

人脸检测(Face Detection)是指对于任意的一幅输入图像,通过一定的搜索方法,判断其中是否有人脸存在；如果其中包含人脸,则返回人脸所在的数目、位置及其大小等信息。一方面,人脸检测具有广泛的应用前景,例如人脸识别、视频监控、人机交互、图像检索、视频会议和数码相机等；另一方面,对于人脸检测的研究可以为其它的目标检测和识别问题提供重要的启示。因此,人脸检测在近来年一直是计算机视觉研究领域的一个热点问题。
　　 经过数十年的研究,人脸检测得到了快速的发展。针对人脸检测,至今已经提出了很多检测方法,并取得了很好的检测效果。然而,其中很多人脸检测算法,它们共同的特点是对海量人脸训练样本的依赖,且所使用的大型训练样本的构建几乎也都相当任意。由于Internet的发展,海量图像数据变得很容易就能够获得。海量的人脸样本可以提供模式更为多样化的人脸,有利于训练出高检测率的检测器。然而,使用海量的人脸样本,往往也会导致分类器在训练阶段所耗费的时间过长,对硬件方面相应的要求也会提高。训练数据的规模和性质如何影响检测器的性能已成为人脸检测研究中的一个重要问题。对该问题的研究,利于实现对海量人脸样本集进行优化,同时对于其它研究领域中进行样本的优化也有着重要的启示作用。
　　 本文基于一个典型的正面人脸检测器算法,对上述问题进行了大规模实验性研究。具体地,本文针对人脸图像中包含的5种常见变化,即光照、表情、图像模糊度、对比度、噪声,构造了一个包含34万张人脸图像的大型训练集,在此基础上研究了上述5种因素对检测器性能的影响。本文的实验结果表明噪声图像对检测器具有重要影响,而光照、表情等变化的影响相对较弱。文中由此提出一种新的构建训练样本集的方法,该方法对原有的海量训练样本具有一定的优化作用,并取得了较好的实验效果。

目录

文摘

英文文摘

图清单

表清单

注释表

第一章 绪论

1.1 人脸检测研究的背景

1.2 人脸检测的应用及研究意义

1.2.1 人脸检测是所有人脸研究的前提

1.2.2 人脸检测研究的意义

1.3 人脸检测的难点及研究现状

1.3.1 人脸检测研究的难点

1.3.2 人脸检测研究的现状

1.4 本文的研究内容及安排

第二章 人脸检测的基本理论

2.1 人脸检测问题分类

2.2 人脸检测方法介绍

2.2.1 基于知识的人脸检测方法

2.2.2 基于统计的人脸检测方法

2.3 人脸检测结果的评价标准

2.4 本章小结

第三章 基于RealAdaboost的人脸检测

3.1 局部联合二值特征

3.2 查找表型弱分类器

3.3 嵌套级联

3.4 连续Adaboost算法

3.5 MSL方法

3.6 特征值图像

3.7 检测器整体框架

3.8 检测器实现

3.9 本章小结

第四章 样本处理与实验方案

4.1 样本采集

4.1.1 人脸本集采集

4.1.2 非人脸本集采集

4.2 样本集划分

4.2.1 人脸训练样本子集划分

4.2.2 测试样本集及其子集划分

4.3 实验方案

4.4 本章小结

第五章 实验结果与分析

5.1 检测器参数

5.2 整体性能比较

5.3 局部性能比较

5.3.1 噪音

5.3.2 表情和光照

5.3.3 模糊化和对比度

5.4 一种构造训练样本集的启发式方法

5.5 本章小结

第六章 总结与展望

6.1 本文工作总结

6.2 进一步研究工作

6.3 研究思路和体会

参考文献

致谢

在学期间的研究成果及发表的学术论文