RealAdaboost算法改进及其在人脸检测中的应用

摘要

人脸检测技术是进行自动人脸识别的前提和基础，其目标是对一幅输入图像进行遍历搜索，判断其中是否存在人脸，并对存在的人脸位置进行标记。目前，人脸检测技术已经在人脸识别、视频监测、网络会议等多方面得到了广泛的应用。 基于Adaboost的人脸检测算法具有较高的检测率、较低的误检率以及较快的检测速度，是当前人脸检测的一个主流方向。RealAdaboost算法作为Adaboost算法的改进，将弱分类器的输出由离散值扩展到实值空间，具有比Adaboost算法更优秀的分类性能。RealAdaboost算法将样本特征空间划分为多个小区间，通过统计小区间的正负样本概率分布来模拟人脸在特征空间的分布。传统的RealAdaboost算法等分样本特征空间，这种方式不能很好的刻划正负样本的边界，弱分类器的分类性能仍能进一步的提升。 基于上述分析，本文对传统的RealAdaboost算法样本空间的划分进行了改进，以最小化归一因子Z为优化目标，以样本特征空间划分的阈值作为决策变量，对其进行编码，采用用遗传算法进行建模优化求解，找到实现样本空间最优划分的多个阈值。接着针对小区间正负样本权重和的统计计算，设计了样本权重积分表，减少了训练过程中的大量计算，优化了算法结构。然后，对于非等分样本区间的弱分类器的输出，构造了一种新的查找表，避免了对输入特征所处小区间的查找，直接就能给出其对应的输出。 在瀑布型级联检测器的框架下，利用改进后的算法训练了一个人脸检测器。为了加快训练的速度，对提取的Haar特征作了尺度约束，一方面保留了分类效果好的特征，另一方面又裁剪掉了大量对人脸表现能力差的特征;并且，设计了一种多尺度自举负样本的策略，既成功的解决了每一级强分类器训练负样本冗余度的问题，又避免漏掉具有代表性的负样本，使得每一级强分类器能对更多类的样本进行正确分类，从而进一步的提升了人脸检测器的性能。 最后，通过实验验证了改进方案的有效性。改进后的算法训练得到的弱分类器具有更小的分类错误率，算法的收敛速度更快;改进后算法训练得到的级联检测器相比于传统算法，获得了更好的检测效果。

目录

声明

摘要

第1章绪论

1．1人脸检测的研究背景与意义

1．2人脸检测研究现状

1．3人脸检测方法概述

1．3．1基于启发式模型的方法

1．3．2基于模板匹配的方法

1．3．3基于统计学习模型的方法

1．4人脸检测方法的评价指标

1．5本文的主要工作及结构安排

第2章Haar特征与Adaboost算法

2．1 Haar型特征与积分图

2．1．1 Haar型特征

2．1．2 Haar特征的计算—积分图

2．2机器学习与PAC模型

2．3 Adaboost学习算法

2．3．1 Adaboost算法简介

2．3．2弱分类器最优阈值的确定

2．3．3 Adaboost算法训练误差分析

2．4 RealAdaboost学习算法

2．4．1 RealAdaboost算法简介

2．4．2 RealAdaboost算法训练误差分析

2．5两种算法的实验对比

2．6本章小结

第3章基于遗传算法改进的RealAdaboost算法

3．1 RealAdaboost算法改进方案

3．2遗传算法优化模型的建立

3．2．1模型的编码

3．2．2模型适应度函数的设计

3．2．3精英策略

3．2．4遗传算子以及控制参数的确定

3．2．5样本权重积分表

3．2．6遗传算法寻优流程

3．2．7寻优结果分析

3．3改进算法训练流程与性能分析

3．3．1弱分类器输出的设计

3．3．2训练流程

3．3．3强分类器的训练结果

3．4本章小结

第4章基于改进RealAdaboost算法的人脸检测设计

4．1训练样本的获取与特征提取优化

4．1．1获取训练样本

4．1．2样本Haar特征的提取

4．1．3样本特征优化

4．2．1瀑布型检测器

4．2．2级联分类器的训练

4．2．3多尺度自举负样本

4．3检测窗口的合并策略

4．4实验结果分析

4．4．1人脸检测器训练结果

4．4．2人脸检测器检测结果

4．5本章小结

5．1本文工作总结

5．2展望

参考文献

致谢