基于特征融合的AdaBoost人臉檢測研究.pdf

1、人臉檢測作為人臉識別的關(guān)鍵步驟，在計算機視覺和模式識別等領(lǐng)域得到廣泛的應(yīng)用。由于人臉結(jié)構(gòu)具有可變性，并且人臉圖像在進行采集時易受到外部因素的影響，使得人臉檢測成為一種極具挑戰(zhàn)性的課題。隨著人臉檢測的應(yīng)用領(lǐng)域越來越廣泛，各種檢測算法層出不窮。其中AdaBoost算法具有較高的檢測率和較快的檢測速度。在此基礎(chǔ)上，如何進一步提高AdaBoost算法的檢測率和檢測效率則成為主要的研究目標。
　　本文在基于Haar-like特征的AdaBo

2、ost算法的基礎(chǔ)上，對特征提取方法和算法本身進行分析和改進，并且在Matlab平臺上對這些改進做了仿真實驗，證實了所提的改進方法對人臉檢測性能方面有較為明顯的提高。
　　本文的主要工作包括：
　　針對Haar-like特征的缺點，引入另一種特征(LBP特征)，并且提出一種將Haar-like特征和LBP特征融合的方法，將其引入到AdaBoost算法中，從而實現(xiàn)快速人臉檢測。該方法首先針對LBP特征的提取方法進行了一些改進，使

3、其能更好地提取人臉特征，其次將Haar-like特征和LBP特征分別訓練的最佳弱分類器進行線性融合，確定最佳權(quán)重使兩個目標函數(shù)最小，然后依據(jù)最佳權(quán)重確定最終的強分類器。在MIT+CMU人臉數(shù)據(jù)集上的實驗結(jié)果顯示，該方法的特征提取時間少于Haar-like特征，訓練弱分類器的耗時也大幅度減少。檢測率相比Haar-like特征基本持平，檢測速度優(yōu)于Haar-like特征。
　　在Haar-like特征和LBP特征融合的基礎(chǔ)上，針對Ad

4、aBoost算法樣本中存在噪聲樣本等特殊樣本時導致的過學習現(xiàn)象，對算法本身做出改進。一方面將人臉樣本和非人臉樣本分別歸一化，另一方面提出一種與樣本分類正確率相關(guān)的權(quán)值更新規(guī)則，從兩方面保證對人臉樣本的重視。該方法首先運用前面的方法進行特征提取，然后使用改進的權(quán)值歸一化規(guī)則和權(quán)值更新規(guī)則引入到AdaBoost算法中。實驗結(jié)果表明，相對于基于Haar-like特征的AdaBoost算法，改進的AdaBoost算法在大幅度減少訓練時間的同時，