基于級(jí)聯(lián)支持向量機(jī)融合多特征的人臉檢測(cè).pdf

1、9.11事件后安全問(wèn)題日益引起全球各國(guó)重視，基于生物特征的身份鑒別也越來(lái)越受關(guān)注。人臉作為一種常用的生物特征，相對(duì)于指紋、虹膜等生物特征具有非接觸優(yōu)良特性，這使得人臉識(shí)別在安保、刑偵、視頻監(jiān)控、社交等各種場(chǎng)合中應(yīng)用廣泛。作為人臉識(shí)別的首要步驟，人臉檢測(cè)直接影響識(shí)別的結(jié)果。人臉?biāo)巿?chǎng)景的千差萬(wàn)別，并且容易受到光照條件、人臉表情、頭部姿態(tài)以及面部附屬物遮擋等因素影響，因此人臉檢測(cè)目前還是一個(gè)亟待解決的難題。本文提出一種結(jié)合膚色分割結(jié)合人臉圖

2、像的梯度、紋理特征的檢測(cè)算法，克服上述各種不利因素影響。
　　首先，針對(duì)人臉膚色的特點(diǎn)，在YIQ顏色空間對(duì)膚色樣本聚類分析，分別建立I和Q分量高斯膚色模型，依據(jù)模型計(jì)算待檢測(cè)圖像每點(diǎn)的I、Q膚色概率值，形成膚色概率圖，對(duì)兩幅膚色概率圖加權(quán)平均并二值化，形態(tài)學(xué)運(yùn)算，最終分割出疑似膚色區(qū)域，作為人臉檢測(cè)的預(yù)檢測(cè)環(huán)節(jié)。
　　然后，多種特征可以包含人臉圖像的豐富信息，本文提出在人臉區(qū)域提取多種圖像特征，包括HOG和LBP特征，前者提

3、取人臉的梯度輪廓信息，后者提取人臉的紋理信息。鑒于兩類特征的總維數(shù)較大，并不是所有的特征對(duì)人臉檢測(cè)都有效，因此對(duì)它們分別作了特征選擇，降低特征維數(shù)，不僅能節(jié)約計(jì)算時(shí)間和存儲(chǔ)空間，而且還能提高后續(xù)分類器的泛化能力。
　　最后，設(shè)計(jì)了基于級(jí)聯(lián)分類器的多特征融合分類模型，采用訓(xùn)練方便快速、分類效果較好的SVM分類器算法，有效地把兩種特征結(jié)合起來(lái)區(qū)別人臉和非人臉區(qū)域。級(jí)聯(lián)分類器的第一級(jí)需要在優(yōu)先保證檢測(cè)率高、耗時(shí)短的前提下，盡量排除誤檢測(cè)

4、、降低誤檢率，因此本文采用基于HOG特征的SVM分類器。而級(jí)聯(lián)分類器的第二級(jí)分類器采用基于LBP特征的SVM分類器，再對(duì)第一級(jí)分類器的誤檢測(cè)進(jìn)一步排除，最終使級(jí)聯(lián)分類器具有較高檢測(cè)率和較低誤檢率。
　　本文研究的人臉檢測(cè)算法在多個(gè)圖像數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)驗(yàn)證，實(shí)驗(yàn)結(jié)果表明本文的特征選擇算法有效提升了特征的分辨性能，大幅減少了特征維數(shù)，提高檢測(cè)效率。同時(shí)本文的級(jí)聯(lián)分類器能很好地兼顧檢測(cè)率、誤檢率以及檢測(cè)速度，對(duì)不均勻光照、不同表情、各種