基于卷積神經網(wǎng)絡和改進支持向量機的人臉檢測.pdf

1、人臉檢測是人臉相關課題研究的前提，是模式識別和計算機視覺等技術的基礎。然而，在實際應用中由于遮擋、角度、極度光照以及表情等原因，使得人臉圖像呈現(xiàn)出較大的視覺差異，導致分類困難，檢測算法魯棒性不夠。因此魯棒的人臉檢測算法有著實際的應用價值但同樣存在極大挑戰(zhàn)。
　　人臉檢測主要分為特征提取和特征分類兩步，本文的工作也是圍繞這兩個方而，重點研究了特征提取和特征分類算法，本文的主要工作如下:
　　(1)特征提取:大部分的人臉檢測算法

2、都是利用Haar、PCA以及LBP等手工設計(hand-crafted)的特征，本文基于卷積神經網(wǎng)絡(Convolutional NeuralNetwork，CNN)自動提取特征，可以更加準確的捕捉多樣的潛在的面部特征，提出了一種有效的人臉檢測算法。算法首先訓練Adaboost背景過濾器，快速的濾除大部分明顯背景，提高系統(tǒng)速度。然后利用卷積神經網(wǎng)絡對那些通過Adaboost的人臉和非人臉提取更有表現(xiàn)力的特征。最后利用支持向量機(Supp

3、ort VectorMachine，SVM)對提取的特征進行分類，判斷為人臉或非人臉。實驗證明本文的算法結合了卷積神經網(wǎng)絡學習特征和SVM分類的優(yōu)點，提高了算法性能。
　　(2)特征分類:局部遮擋給人臉檢測帶來了一系列的問題，例如使得人臉圖像之間類內差異較大，導致分類困難。為了解決局部遮擋及其帶來的問題，本文提出了利用核融合的局部敏感支持向量機人臉檢測算法(LS-KC-SVM)。該算法利用局部敏感支持向量機算法(LSSVM)在每個

4、局部區(qū)域上構建一個局部模型，由于局部的類內差異較小，所以局部模型可以很好的處理分類問題。同時為了解決遮擋問題，利用核融合的思想，將全局核和局部核進行組合，從全局以及局部的角度來更加全面的度量特征之間的相似性。最后，將這一融合核應用到LSSVM中。實驗表明本文提出的算法有著良好的效果。
　　(3)算法結合:將研究的特征提取算法和特征分類算法結合起來構成一個完整的魯棒的人臉檢測系統(tǒng)。為了將兩種算法進行結合，在使用卷積神經網(wǎng)絡提取人臉特