基于Adaboost算法训练分类器的研究及其在人脸检测中的应用

摘要

人脸检测技术是计算机视觉、人机交互和模式识别等领域中的一项重要研究内容，是实现人脸识别、人脸跟踪、人脸编码等技术的前提。人脸检测技术的研究涉及到图像处理、模式识别和人工智能等多个领域，在身份验证等领域具有广泛应用前景。
　　 本文主要对Adaboost算法及其在人脸检测中的应用进行研究。分析了机器学习算法Adaboost的基本原理、收敛性能和泛化能力，以Adaboost算法为理论基础，训练得到用于检测人脸的级联分类器。分析研究了不同的人脸检测技术，针对人脸检测计算量大、速度慢、误检率高的问题，采用了一种改进的训练分类器的人脸检测技术：逐层放大检测窗口，再对检测窗口内的图像进行模式匹配。这种策略可以避免直接对图像进行缩放变换，减小了计算量，提高了检测速度。在YCbCr空间建立单高斯肤色模型，获得肤色似然图，实现了对分类器检测得到的人脸候选区域的肤色验证，进一步降低了误检率。实验结果表明：训练样本的多样性、数量选择以及训练样本中人脸样本和非人脸样本的比例是影响人脸检测分类器性能的关键因素；在样本种类及数量比例选择合适的前提下，训练得到人脸分类器检测人脸可以达到良好的检测效果；通过肤色对人脸分类器检测得到的人脸候选区域进行验证，能够有效地去除误检区域，降低误检率。

目录

文摘

英文文摘

学位论文的主要创新点

第一章 绪论

1.1 人脸检测的研究背景和意义

1.2 人脸检测的研究现状

1.2.1 基于知识的人脸检测算法

1.2.2 基于模板匹配的人脸检测算法

1.2.3 基于统计的人脸检测算法

1.3 论文的研究内容和组织结构

第二章 机器学习和Adaboost算法介绍

2.1 机器学习

2.1.1 机器学习概述

2.1.2 弱分类器

2.1.3 弱分类器的集成方式

2.1.4 弱分类器的学习算法

2.2 Adaboost算法介绍

2.2.1 Boosting人脸检测算法介绍

2.2.2 二分类问题的描述

2.2.3 Adaboost算法描述

2.3 Adaboost算法的性能分析

2.3.1 Adaboost算法的收敛性能

2.3.2 Adaboost算法的泛化能力

2.4 Adaboost算法示例

2.5 本章小结

第三章 基于Adaboost算法的人脸检测分类器的训练

3.1 人脸检测系统的设计方案和工作原理

3.2 Opencv简介

3.3 样本的获取

3.3.1 样本获取方法

3.3.2 样本图像预处理和归一化

3.4 样本特征

3.4.1 矩形特征的表示及定义

3.4.2 矩形特征的数量

3.4.3 矩形特征的计算

3.5 训练分类器

3.5.1 级联分类器的构成

3.5.2 级联分类器的性能分析

3.5.3 分类器的训练步骤

3.6 本章小结

第四章 人脸检测的实现及实验结果分析

4.1 人脸检测的实现

4.1.1 检测策略

4.1.2 检测流程

4.1.3 检测结果的合并

4.2 检测结果的肤色验证

4.2.1 色彩空间的介绍

4.2.2 色彩空间的选择

4.2.3 肤色模型的介绍

4.2.4 肤色模型的选择

4.2.5 肤色验证的实现

4.3 实验结果分析

4.3.1 本文设计方案的可行性验证

4.3.2 人脸检测的初步实验结果及分析

4.3.3 人脸检测的最终检测结果及分析

4.3.4 肤色验证实验结果及分析

4.4 本章小结

第五章 结束语

参考文献

发表论文和参加科研情况说明

谢辞