人脸识别系统中人脸检测与定位算法的研究和实现

摘要

计算机人脸识别是一个非常具有学术研究价值和广泛应用前景的研究课题,涉及图像处理、模式识别、认知学等多学科的知识,在身份认证、社会安全、电子商务等诸多方面有着广泛的应用。本文研究的主要内容是人脸识别系统中人脸检测及定位算法,是人脸识别系统的前期性工作。本课题设计实现了一套基于Adaboost算法的人脸检测及定位算法。该算法是基于人脸面部灰度分布的统计特征的机器学习算法,以面部器官与其周围皮肤之间存在的色素差作为特征提取的对象,利用这些色素差的组合可以区分人脸和非人脸,并用几种矩形特征来描述它们之间的这种差异。算法主要分成训练和检测两个阶段:训练阶段的任务是训练样本(人脸样本和非人脸样本)形成分类器,该过程的主要工作是提取训练样本中的所有矩形特征,在一定的概率分布条件下,把这些特征转化为弱分类器,通过学习算法选择最优的弱分类器组合成为强分类器,再将若干强分类器组合成级联分类器;检测阶段的任务是用级联分类器对待检的图像进行人脸和非人脸的分类,如果待检图像中存在人脸,则对人脸区域进行定位。本文论述了基于Adaboost人脸检测算法的设计与实现过程,详细描述了以训练样本为基础,由弱分类器到强分类器再到级联分类器的构建过程以及对此级联分类器进行测试的过程,最后实现了一套检测效率较高的级联分类器。以此级联分类器实现的检测系统对图像的检测具有较快的检测速度和较高的检测效率,通过对大量图像进行检测,此人脸检测系统能够满足人脸识别系统下一步的工作需要,具有较好的实用价值。

目录

摘要

Abstract

第一章 绪论

1.1 课题的背景与意义

1.2 国内外研究现状

1.3 人脸识别系统的组成

1.4 课题研究的主要内容

1.5 论文主要内容及结构安排

第二章 Adaboost 算法的理论

2.1 机器学习问题的表示

2.2 Boosting 原理及在分类器上的应用

2.2.1 弱学习与强学习

2.2.2 Boosting 原理

2.3 Adaboost 算法

第三章 Adaboost 人脸检测与定位算法的设计与实现

3.1 Adaboost 训练分类器算法的实现

3.1.1 训练样本的选择

3.1.2 训练数据的组织

3.1.3 矩形特征的提取

3.1.4 弱分类器的训练及其阈值的确定

3.1.5 强分类器的训练及其阈值的确定

3.1.6 级联分类器的训练

3.2 人脸图像的检测定位过程

3.2.1 多尺度人脸检测

3.2.2 检测窗口的合并

第四章 实验结果与分析

4.1 训练结果与分析

4.2 检测结果与分析

4.3 结论

第五章 总结与展望

5.1 结论

5.2 后续研究的展望

参考文献

致谢

个人简介