嵌入式系统上基于近红外图像的人脸检测的研究

摘要

人脸检测的任务是对于一个输入图像，给出图像中是否存在人脸的判断，如果存在人脸，给出人脸的具体位置与范围。人脸检测是人脸识别技术的一个重要组成部分，随着时代的发展，已逐渐发展成一个重要的研究领域。人脸检测的难点包括：光照影响、年龄影响、装饰影响、姿态影响等。对于嵌入式设备，时间开销与内存开销直接决定了检测算法的可用性。
　　 为了减少环境光照的影响，工业界与学术界都进行了大量的研究工作。相比算法的改进，更为有效的办法是利用主动近红外光进行人脸检测和人脸识别。
　　 本文的主要工作是将人脸检测方法进行了实验比较，实现了一个包含多算法的Boosting训练器，提供了训练专用的SDK。为了减少环境光带来的影响，引入了主动近红外光的光照系统和专用的摄像头模组。在完成人脸区域定位的研究工作后，进行了人眼精确定位的研究，并与其他定位算法进行了比较。为了将检测算法应用于嵌入式系统，本文提出了很多的优化方案，对于程序执行的时间开销有很好的优化效果。
　　 本文还提出了一种新型的基于数理形态学的近红外人脸检测算法。算法首先使用基于haar特征和AdaBoost算法进行检测器的训练，在完成训练后利用分类器对目标图像寻找人脸候选区域，然后对候选区域进行归一化处理。利用人眼瞳孔在近红外光图像中会生成白色光斑的特点，使用基于数理形态学的Quoit滤波器精确定位眼睛。由于每个人瞳孔大小有差导，单一的Quoit滤波器无法适应这种情况。为了减小不同瞳孔大小带来的影响，使用了多尺度的Quoit滤波器以提高准确性。
　　 在实验部分，本文对训练算法的性能进行了评估。实验表明，AdaBoost+LDA的训练算法具有最快的错误率收敛速度。同时，引入图像处理后，级联分类器的错误率也有很大的改进。多尺度Quoit滤波器与AdaBoost人眼定位方法相比，有更好的检测率和定位精度。总而言之，本文提出的人脸检测算法不仅准确性高而且速度快，达到了实时人脸检测的要求。

目录

文摘

英文文摘

声明

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 人脸检测研究的回顾

1.2.2 人眼检测研究的回顾

1.3 主要工作与论文结构

1.3.1 主要工作

1.3.2 论文结构

第2章 相关研究工作

2.1 近红外图像成像原理

2.2 图像预处理算法

2.2.1 图像仿射变换

2.2.2 图像增强

2.3 人脸特征描述

2.3.1 Haar特征

2.4 人脸检测训练算法

2.4.1 AdaBoost训练算法

2.4.2 弱分类器训练算法

2.4.3 基于统计的AdaBoost快速训练算法

2.4.4 FloatBoost训练算法

2.4.5 LDA算法

2.5 数理形态学

2.6 本章小结

第3章 基于数理形态学的人脸精确定位算法

3.1 系统总览

3.2 人脸区域定位算法

3.2.1 任务与目标

3.2.2 基于Haar特征和Boosting算法的级联分类器

3.2.3 实时图像增强技术

3.3 人眼定位算法

3.3.1 任务与目标

3.3.2 基于Haar特征和Boosting的人眼定位

3.3.3 基于Quoit滤波器的人眼定位

3.3.4 多尺度Quoit滤波器

3.4 本章小结

第4章 人脸检测系统设计与实现

4.1 硬件设计

4.2. Boosting训练器设计与实现

4.2.1 系统总览

4.2.2 日志系统

4.2.3 样本生成模块

4.2.4 样本预处理优化

4.2.5 特征模块

4.2.6 分类器模块

4.2.7 训练模块

4.3 检测器设计与实现

4.3.1 人脸区域定位

4.3.2 人眼精确定位

4.3.3 嵌入式平台优化

4.4 本章小结

第5章 人脸检测系统测试

5.1 训练与测试数据集

5.2 实验结果与比较

5.2.1 人脸区域定位实验结果与比较

5.2.2 人眼定位实验结果与比较

5.3 嵌入式平台应用

5.4 本章小结

第6章 总结与展望

6.1 论文总结

6.2 对进一步研究工作的展望

附 录

参考文献

致谢