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

1、人臉檢測主要通過對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，是視覺識別領(lǐng)域中的關(guān)鍵技術(shù)和研究熱點，在機器視覺、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。隨著社會信息化的高度發(fā)展，圖像和視頻已經(jīng)成為常用的存儲社會信息的方式，然而信息數(shù)量龐大，怎樣在巨大數(shù)據(jù)中高效檢測出所需要的特征信息，就成為了非常緊迫的研究課題。在對人臉檢測技術(shù)進(jìn)行探索的過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。但從事實角度來看，僅僅根據(jù)所提供的部分特征對人臉樣本進(jìn)行識別的效果并不理想。針對傳統(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)針對當(dāng)前人臉檢測相關(guān)技術(shù)進(jìn)行學(xué)習(xí)分析，總結(jié)其中存在的問題，重點針對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領(lǐng)域的運用。
　　(2)為了能夠有效

3、彌補AdaBoost人臉檢測算法在迭代過程中權(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，結(jié)合AFSA算法的最佳尋優(yōu)特性對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)和隨機搜索的優(yōu)勢應(yīng)用于檢測技術(shù)中，使弱分類器權(quán)值系數(shù)找尋最優(yōu)值，更準(zhǔn)確地得到弱分類器系數(shù)最優(yōu)值的結(jié)合，提高了檢測的精確率；加快弱分類器的訓(xùn)練速度，大幅降低了訓(xùn)練時間。
　　(3)對于一幅24?24大小的圖像，約有162

4、336個Haar-like特征需要計算，由于AdaBoost算法是建立在統(tǒng)計模型的基礎(chǔ)上，需要大量的訓(xùn)練集樣本，這就需要計算更多的特征數(shù)量，訓(xùn)練時勢必會受到影響，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特征模型無法滿足實時檢測的需求，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，提高檢測速度。
　　綜上，本論文在傳統(tǒng)AdaBoost算法基礎(chǔ)上提出