基于肤色和统计学习的人脸检测

摘要

人脸检测(Face Detection)是指在输入图象中确定所有人脸(如果存在)的位置、大小、位姿的过程。人脸检测作为人脸信息处理中的一项关键技术，近年来成为模式识别与计算机视觉领域内一项受到普遍重视、研究十分活跃的课题。 人脸检测方法主要划分为基于知识的人脸验证方法和基于统计的学习方法。基于知识的人脸验证方法速度较快但检测率低，而且往往对多姿态的人脸无能为力，而基于统计学习的方法检测率高但速度较慢，对各种姿态的人脸都有一定检测能力。本文结合了二者的长处，设计出了一套检测率高，且对多姿态脸有一定检测能力的系统。本文首先采用HIN标准选择出了在不同色彩空间中肤色聚类特性最好的Cb，Cr，H，I分量，形成“混合肤色模型”，综合利用色调、色度和亮度分量对肤色进行分割。然后利用区域的矩特性进行分析得到合法区域，大大缩小了下一步分类器的搜索范围。本文采取的统计学习的方法是Paul和Viola，在《robust real-time Object detection》提出的。论文对原始算法做出了一些改进，首先应用了一种新的矩形特征，然后对原Adaboost的权值更新规则进行了修改，提高了算法的鲁棒性。

目录

文摘

英文文摘

声明

第一章绪论

1.1人脸检测概述

1.2人脸检测的研究动态

1.2.1基于统计的方法

1.2.2基于特征的方法

1.3人脸检测中存在的主要问题

1.4本文的研究工作

第二章肤色分割

2.1预处理

2.1.1光照补偿的基本方法

2.1.2改进的光照补偿

2.2混合肤色模型的实现

2.2.1 RGB空间

2.2.2 HSI,HSV空间

2.2.3 YCbCr,YIQ色彩空间

2.2.4各类色彩空间比较

2.2.5混合肤色空间

2.3消噪处理

2.4区域优化

第三章统计学习算法及改进

3.1统计学习方法概述

3.2 Viola的Adaboost算法

3.3对Viola算法的改进

第四章人脸检测系统的形成

4.1样本集

4.2训练的难点及优化

4.2.1 Adaboost算法耗时原因分析

4.2.2减少训练时间的方法

4.3检测结果

4.3.1检测器

4.3.2检测结果

4.3.3实验结果分析

第五章总结与展望

5.1总结

5.2对进一步研究工作的展望

参考文献

发表论文和科研情况说明

致谢