基于Gentle Adaboost算法的人臉檢測研究.pdf

1、隨著信息技術(shù)的發(fā)展，人臉檢測的研究在計算機視覺等領域一直備受人們的青睞。由于人臉的細節(jié)復雜多變，早期的人臉檢測，往往局限于較強的約束條件下，其在復雜背景下的檢測性能并不能達到滿意的效果。直到2001年，Paul Viola應用Adaboost算法構(gòu)建了人臉檢測系統(tǒng)，在精度和速度上都取得了不錯的結(jié)果。作為人臉檢測中的新技術(shù)，受到了廣泛的關注。
　　本文以Gentle Adaboost算法為核心，設計并實現(xiàn)了一個人臉檢測系統(tǒng)。同時針對

2、弱分類器訓練算法的不足之處，進行了改進，提高了系統(tǒng)的檢測精度。所研究工作主要包含以下幾個方面：
　　1.對人臉檢測系統(tǒng)的訓練和檢測兩個過程進行了詳細的分析，著重介紹了Haar矩形特征、積分圖、分類器的構(gòu)造和訓練過程，并實現(xiàn)了一個簡易的人臉檢測系統(tǒng)。
　　2.對不同的矩形特征進行了對比，精簡了一些矩形特征的數(shù)量。實驗結(jié)果表明，經(jīng)精簡后的矩形特征，其訓練時間減少了近五分之二，但系統(tǒng)的檢測性能有所下降。
　　3.對兩種不同的

3、人臉檢測方法進行了對比分析。實驗結(jié)果表明，不管是系統(tǒng)的檢測率還是誤檢率，傳統(tǒng)的“金字塔”式縮放的人臉檢測方法都要好于基于放大檢測窗口的檢測方法，但是傳統(tǒng)方法的檢測速度要慢許多。
　　4.人臉檢測系統(tǒng)在實際應用中，其漏檢所付出的代價要比誤檢所付出的代價更大。針對該問題，把兩者的代價因子引入到弱分類器的訓練過程中，并給出了Cost-Gentle Adaboost算法。該算法在挑選弱分類器時，更加看重對人臉樣本的分類能力。通過實驗對比，