基于改进肤色模型的AdaBoost人脸检测算法研究

摘要

人脸检测是指通过一定的检测顺序和检测算法搜索目标图像（或目标视频）中是否含有人脸特征，若含有人脸特征则返回人脸的位置信息和大小信息的过程。同时，人脸检测也是人脸识别、表情识别等信息处理算法的首要环节，其检测结果无论从正确率或是检测速度等方面都直接影响后续工作的效果。因此，随着计算机视觉和人工智能等相关领域的发展，人脸检测工作的重要地位愈加明显，而人脸检测也逐渐成为研究领域内的热点课题。
　　本文设计出一种将肤色模型和AdaBoost（Adaptive Boost）算法相结合的新的人脸检测算法，该方法可以避免传统方法中检测率不够高、训练时间太长、容易受外界环境和检测主体的变化所影响等几方面不足。该方法将简单的肤色模型直接作为AdaBoost算法的弱分类器，并按AdaBoost算法规则进行训练和检测，得到多个分类能力较强的强分类器，以实现对人脸的精确定位。本文主要的工作内容有以下四个方面：
　　（1）研究了基于肤色模型的人脸检测算法。分析肤色在不同颜色空间中的聚类效果以及不同肤色模型的拟合效果。给出了基于肤色模型的人脸检测方法的检测结果并进行分析。整体的检测过程包括图像预处理（图像光补偿、尺寸归一化）、颜色空间投影、肤色模型建立和拟合，以及利用数学形态学对检测结果作进一步处理。
　　（2）研究了AdaBoost人脸检测算法。分析该算法的算法原理、检测规则和运算过程等，包括Haar特征和积分图的提出和计算方法，弱分类器的构造和训练，级联分类器的构造和训练，以及AdaBoost算法的检测规则。对该算法进行仿真，针对仿真得到的结果从主观（人眼观测）和客观（数据分析）等方面进行优缺点分析对比。
　　（3）提出改进的 AdaBoost人脸检测方法。该方法首先在椭圆肤色模型的基础上对其进行改进，提出了形式更为简单、参数更少的圆形肤色模型，并且将该肤色模型直接作为AdaBoost算法的弱分类器，有效提高了弱分类器的检测精度；由于单个弱分类器的检测精度更高，因此无需遍历测试图像的Haar特征，有效地降低了AdaBoost算法的离线训练时间，并保证了算法的检测率。另外，采用加权投票的方法判定检测结果，保证了单个样本的被测准确性。实验分析可知，改进后的AdaBoost人脸检测算法有效地避免了传统AdaBoost算法的退化问题和离线训练时间过长等问题。有效提高了检测率，降低了误检率和漏检率，提高了算法的实时性。且该算法对检测对象约束条件很低，具有较好的鲁棒性。
　　（4）针对复杂背景（类肤色、极端光照环境、非人脸的裸露皮肤）对人脸检测工作的干扰，提出将视觉显著性机制同改进的AdaBoost人脸检测方法相结合，以提高算法的检测性能。该方法通过计算以肤色为目标颜色的显著度直方图，忽略了目标在空间中的位置信息，同时对目标区域增加了显著度这一参数，加强了对背景中干扰项的约束条件。通过保留直方图中距离目标颜色最近的颜色区域来排除明显颜色不同区域和虽然颜色类似但也不属于肤色的区域，有效降低了复杂背景中的类肤色干扰和极端光照环境的干扰。利用该方法对检测样本进行测试，其检测结果有明显提高。

目录

封面

中文摘要

英文摘要

目录

1 绪论

1.1 研究的目的和意义

1.2 国内外研究现状

1.3 课题研究的主要工作及结构安排

2 基于肤色模型的人脸区域分割

2.1 颜色空间变换

2.2 肤色建模

2.3 肤色检测的预处理

2.4 数学形态学处理

2.5 人脸区域筛选

2.6 本章小结

3 基于AdaBoost算法的人脸检测

3.1 AdaBoost算法的提出

3.2 Haar特征和积分图

3.3 弱分类器及其训练过程

3.4 级联分类器的设计及训练

3.5 AdaBoost算法的不足

3.6 本章小结

4 基于改进的AdaBoost算法的人脸检测

4.1 AdaBoost算法和基于肤色模型算法的不足

4.2 改进的AdaBoost算法的弱分类器设计与训练

4.3 改进的AdaBoost算法的检测结果判定

4.4 仿真结果与分析

4.5 本章小结

5 基于视觉显著性的人脸检测算法

5.1 复杂背景对人脸检测算法的干扰

5.2视觉显著性原理

5.3 基于视觉显著性的人脸检测算法

5.4 仿真结果及分析

5.5 本章小结

6 总结与展望

6.1 工作总结

6.2 研究展望

致谢

参考文献

攻读学位期间发表的学术论文目录

攻读学位期间参与的科研项目

声明