基于自学习特征融合的人脸检测算法研究

摘要

近几十年来，随着计算机技术的发展，数字图像处理领域有了很大的飞跃。现今的科技产品，例如:视频监控、人脸签到、数码相机、视频会议，还有目前新兴的图片内容检索等，都离不开对于数字图像中人脸的检测。人脸检测属于计算机视觉的范畴，最早的主要研究是针对人脸识别，后来在复杂背景下的人脸检测越来越受到重视，人脸检测也逐渐作为一个单独的研究方向发展起来。人脸检测是人脸识别的基础，在图像处理领域一直是非常热门的研究方向。这些年来，在人脸检测和人脸识别领域，大量学者们进行了许多方向的深入研究。Freund和Schapire在1995年提出的AdaBoost算法，是对传统Boosting算法的一大提升。Boosting算法的核心思想是将弱学习算法提升成强学习算法，也就是“三个臭皮匠顶一个诸葛亮”。2001年，Viola和Jones两位学者在AdaBoost算法的基础上，使用Haar-like特征和积分图方法进行人脸检测，他们设计了针对人脸检测更有效的特征，并对AdaBoost训练出的强分类器进行级联。因此这个算法后来被称为Viola-Jones检测器。他们的成果极大地促进了人脸检测的进步，具有里程碑式的意义。
　　深度学习是近几年发展起来的理论，并不断取得应用的突破。本文借助基于深度学习的PCANet算法，实现了优异的人脸检测。在使用相同样本进行训练的情况下，这种算法明显优于基于Haar特征的Adaboost算法，并且显示了良好的泛化能力。
　　本文研究的主题是数字图像中的人脸检测。通常在样本的设计和选择中，由于分类器在训练时需要大量的正负样本，这带来极大的工作量;在级联分类器训练过程中对于检测结果的检验，必须依赖人工的干预。因此，本文的目的之一是找到在分类算法中样本的选择及训练方法。本文通过研究基于Haar特征的Adaboost算法和基于深度网络学习的PCANet算法，将Haar特征和深度网络学习各自的训练及检测融合在一起。然后进行升级式的训练，实现了人脸和非人脸两类样本的不断收敛，取得了良好的人脸和非人脸的分类效果。最终，使用升级后的分类器获得了极佳的人脸检测效果。本文的研究方法，有效避免了分类器训练过程中存在的负样本无法保证充足的问题，极大减少了样本设计的人工工作，实现了样本设计自动化。并且在样本数量较少的情况下，实现了较高的检测率和较低的误检率。

目录

声明

摘要

1．绪论

1．1 背景

1．2 研究现状

1．2．1 人脸检测算法的分类

1．2．2 Viola-Jones人脸检测器

1．2．3 深度学习的发展

1．3 面临的挑战

1．3．1 计算机的处理能力问题

1．3．2 光照变化

1．3．3 人脸的偏转及表情的复杂性

1．3．4 遮挡物

1．4 检测技术的评价方法

1．4．1 对于检测结果中人脸区域位置的评价方法

1．4．2 对于检测结果的评价方法

1．5 主要人脸数据集介绍

1．6 论文的主要工作及创新点

1．6．1 本文所做的主要工作

1．6．2 创新点

2．基于Haar特征的Adaboost算法人脸检测理论

2．1 Haar特征

2．2 积分图

2．3 弱分类器

2．4 强分类器

2．5 级联分类器

2．6 光照问题的处理

3．深度学习理论及PCANet算法

3．1 深度学习介绍

3．2 PCANet算法

3．2．1 第一层PCA

3．2．2 第二层PCA

3．2．3 输出层

4．Adaboosl和PCANet的融合训练方法

4．1 Adaboost算法的设计和训练

4．1．1 Adaboost级联分类器的设计及其训练

4．2 PCANet算法的设计和训练

4．2．1 PCANet算法的设计

4．2．2 PCANet算法的训练

4．3 Adaboost和PCANet的融合训练

4．3．1 融合训练的目的

4．3．2 融合训练的方法

4．3．3 再次进行PCANet的训练和检测

4．3．4 Adaboost和PCANet的循环训练和检测

4．4 实验结果

4．4．1 使用一种方法的检测结果

4．4．2 融合训练的实验结果

4．5 自学习能力的实现

5．融合训练的程序模块设计

5．1 程序运行环境

5．2 程序整体框架

5．3 图像子窗口检测模块

5．4 特征融合更新模块

6．总结和展望

参考文献

附录

致谢

个人简历、在学期间发表的学术论文与研究成果