基于改進AdaBoost級聯(lián)的人眼檢測研究.pdf

1、人眼檢測是計算機視覺領域一個極具挑戰(zhàn)意義的課題。由于真實世界場景的復雜性,要在復雜的背景中檢測出人眼并不是一件容易的事,而且還要受到光照、姿態(tài)、旋轉、遮擋等等諸多因素的影響,更是使得人眼檢測困難重重。自從PaulViola將AdaBoost算法用于人臉檢測取得里程碑式的意義以來,該算法也被引入到人眼檢測研究中,人們對此進行了大量的研究。
　　本文利用AdaBoost進行人眼檢測研究。討論人眼圖像的haar矩形特征和更具表達能力的分

2、散矩形特征,研究分散矩形特征的優(yōu)化方法;分析AdaBoost在人眼檢測中的特點,提出改進AdaBoost的級聯(lián)方法。本文所研究的工作主要包括以下幾個方面:
　　1.使用分散矩形特征代替原始haar矩形特征訓練分類器,為了克服特征數(shù)量暴增的問題,提出一種優(yōu)化分散矩形特征的方法。原始haar矩形特征只能表達水平、垂直或45°方向上的信息,而分散矩形特征打破了邊界相鄰對齊的約束條件,可以表達幾乎各個方向上的信息。實驗結果表明,分散矩形特

3、征比原始haar矩形特征具有更強的表達能力,優(yōu)化后訓練分類器所需時間是優(yōu)化前的約三分之一。
　　2.提出一種新的按照指數(shù)規(guī)律調整級聯(lián)分類器每層最小檢出率和最大誤檢率的AdaBoost級聯(lián)方法。傳統(tǒng)級聯(lián)方式的每層分類器的最小檢出率和最大誤檢率是固定不變的,在訓練的后期,訓練難度不斷加大,要想達到預定的檢出率和誤檢率必須增加每層分類器包含的弱分類器數(shù)目,會造成訓練非常耗時。實驗結果表明,采用分散矩形特征結合改進級聯(lián)方法訓練出的分類器分