基于多示例学习的Adaboost算法及其在人脸检测中的应用

摘要

人脸是一个常见而复杂的视觉模式，人脸所反映的视觉信息在人与人的交流和交往中有着重要的作用和意义。对人脸进行处理和分析在视频监控、出入口控制、视频会议以及人机交互等领域都有着广泛的应用前景。人脸检测作为物体检测问题的一个特例，长期以来一直备受关注。人脸检测是人脸图像处理中关键性的第一步，因此人脸检测算法的精度直接影响着后续工作的进行。 本文的研究方向是基于静态图像的人脸检测算法的研究，采用了Adaboost算法，对其训练方法提出了改进；并将多示例学习算法结合到Adaboost中，提出了一种基于多示例学习的Adaboost算法；接着设计实验证明了本文提出的算法有更好的检测率，优于已有的Adaboost算法；最后将基于多示例学习的Adaboost算法应用于多角度人脸检测中。具体工作包括以下部分： 1. 提出了一种新型的Adaboost训练方法，本文称之为查表型弱分类器训练算法。查表型弱分类器训练方法是从单个弱分类器的训练算法上进行改进，大大减少了Adaboost训练分类器的时间。查表型弱分类器快速训练算法的思想是基于Adaboost算法中训练样本自身的各个特征值不会随着训练而改变，改变的仅仅是样本的权重。将样本的特征值在训练之前排序，得到一个次序表；在每次训练时只需要调用次序表即可，而不需要重新统计概率分布。这样就避免了当样本权重发生变化时，弱分类器重复的排序过程，可以解决Adaboost传统的弱分类器训练方法上耗时的问题。 2. 提出了一种新的基于Adaboost的算法：基于多示例学习的Adaboost算法，本文称为EM-DD-boost算法。20 世纪90 年代以来，根据从导师或环境获取的例子进行学习的示例学习被认为是最有希望的一种机器学习途径。在多示例学习中，学习系统对每个训练示例有部分或不完全的知识，这与人脸检测的样本训练过程很相似。因此本文将多示例学习算法引入人脸检测算法中，并选取学习效果最好的EM-DD算法（最大期望化的多样性密度算法）结合对人脸检测效果最好的Adaboost算法，提出一种新的方法：EM-DD-boost算法，设计静态人脸检测实验，取得了很好的检测效果。 3. 将本文提出的人脸检测算法应用于多角度人脸图像的检测中。与正面人脸检测相比，多角度人脸检测的研究相对薄弱，难度也大得多。在本文中，将多角度人脸划分成三类：全侧脸，半侧脸及正面人脸，并为不同角度的人脸建立不同的分类器分别用于检测；通过实验实现了基于Adaboost的多角度人脸检测。