融合AFSA和PSO優(yōu)化的改進(jìn)AdaBoost人臉檢測(cè)算法.pdf

1、人臉檢測(cè)主要通過(guò)對(duì)輸入圖像中存在的人臉進(jìn)行分析加以分割和提取處理，得到所有人臉的位置、大小以及姿態(tài)等，是視覺(jué)識(shí)別領(lǐng)域中的關(guān)鍵技術(shù)和研究熱點(diǎn)，在機(jī)器視覺(jué)、視頻監(jiān)控以及安防系統(tǒng)等方面都有著非常廣泛的應(yīng)用。隨著社會(huì)信息化的高度發(fā)展，圖像和視頻已經(jīng)成為常用的存儲(chǔ)社會(huì)信息的方式，然而信息數(shù)量龐大，怎樣在巨大數(shù)據(jù)中高效檢測(cè)出所需要的特征信息，就成為了非常緊迫的研究課題。在對(duì)人臉檢測(cè)技術(shù)進(jìn)行探索的過(guò)程中提出了許多較為成熟的方法，但都具有一定的條件約束

2、，AdaBoost算法在該技術(shù)中應(yīng)用較多，具有一定的預(yù)期效果。但從事實(shí)角度來(lái)看，僅僅根據(jù)所提供的部分特征對(duì)人臉樣本進(jìn)行識(shí)別的效果并不理想。針對(duì)傳統(tǒng)AdaBoost算法的不足，本文進(jìn)行了相關(guān)改進(jìn)工作，具體工作內(nèi)容如下：
　　(1)針對(duì)當(dāng)前人臉檢測(cè)相關(guān)技術(shù)進(jìn)行學(xué)習(xí)分析，總結(jié)其中存在的問(wèn)題，重點(diǎn)針對(duì)AdaBoost算法進(jìn)行研究改進(jìn)，詳細(xì)闡述了AdaBoost算法的方法特征、算法性能以及在人臉檢測(cè)領(lǐng)域的運(yùn)用。
　　(2)為了能夠有效

3、彌補(bǔ)AdaBoost人臉檢測(cè)算法在迭代過(guò)程中權(quán)重系數(shù)較易進(jìn)入局部最優(yōu)的缺陷，本文利用粒子群算法(PSO)收斂速度快的優(yōu)點(diǎn)，結(jié)合AFSA算法的最佳尋優(yōu)特性對(duì)PSO算法進(jìn)行深度優(yōu)化改進(jìn)，將改進(jìn)后的PSO算法的全局尋找最優(yōu)和隨機(jī)搜索的優(yōu)勢(shì)應(yīng)用于檢測(cè)技術(shù)中，使弱分類(lèi)器權(quán)值系數(shù)找尋最優(yōu)值，更準(zhǔn)確地得到弱分類(lèi)器系數(shù)最優(yōu)值的結(jié)合，提高了檢測(cè)的精確率；加快弱分類(lèi)器的訓(xùn)練速度，大幅降低了訓(xùn)練時(shí)間。
　　(3)對(duì)于一幅24?24大小的圖像，約有162

4、336個(gè)Haar-like特征需要計(jì)算，由于AdaBoost算法是建立在統(tǒng)計(jì)模型的基礎(chǔ)上，需要大量的訓(xùn)練集樣本，這就需要計(jì)算更多的特征數(shù)量，訓(xùn)練時(shí)勢(shì)必會(huì)受到影響，在AdaBoost算法訓(xùn)練框架中由于人臉存在著各不相同的特征，現(xiàn)有的Haar-like特征模型無(wú)法滿(mǎn)足實(shí)時(shí)檢測(cè)的需求，拓展Haar-like特征模型，其作用在于排除相關(guān)度較低的Haar-like樣本特征，提高檢測(cè)速度。
　　綜上，本論文在傳統(tǒng)AdaBoost算法基礎(chǔ)上提出