人臉檢測研究.pdf

1、人臉檢測問題的研究重點在于提高檢測速度和降低誤檢率。Viola基于積分圖像和AdaBoost算法的人臉檢測方法是繼Rowley人工神經(jīng)網(wǎng)絡(luò)方法之后的重大發(fā)展，微軟研究院提出的FloatBoost算法在AdaBoost算法的基礎(chǔ)之上加入了浮動搜索，并且引入了回溯機制，更進一步地提升了分類器的精確度，并且實現(xiàn)了多姿態(tài)人臉的實時檢測。
　　 本文繼承了以上重要算法和文獻的思想，做了以下幾個方面的工作：
　　 首先，我們提出了整

2、體訓(xùn)練方案和其中快速建立特征庫的方法。根據(jù)弱學(xué)習(xí)定理的內(nèi)在要求，我們采用隨機矩形特征的方式，減小了特征運算所需的搜索空間；在選取閾值θ時我們采用分段搜索的方式，縮小了確定閾值所需的時間；關(guān)于動態(tài)剪裁樣本，我們截取權(quán)值較高的樣本作為特征訓(xùn)練的數(shù)據(jù)，減小了測試特征和閾值的時間；分布式的特征訓(xùn)練，由于這里特征的訓(xùn)練和強分類器的組建過程是分離的，所以我們實現(xiàn)了分布式的特征訓(xùn)練，可以同時在多臺計算機上運行特征庫訓(xùn)練程序，最后可以歸總到一起，形成一

3、個較大的特征庫。通過這些方案，我們的特征庫訓(xùn)練變得實際可行，并且給出了一個時間曲線。
　　 然后，我們提出了用選擇和回溯的方法來訓(xùn)練分類器。區(qū)別于FloatBoost算法的一個特征一個回溯的繁重運算任務(wù)，我們的做法先建立一個容量足夠大的特征庫，通過性能指標函數(shù)來衡量和選取特征。初始的強分類器特征為空，通過指標函數(shù)來選擇特征加入到強分類器中，不同的階段選用不同的步長，從大到小，粒度由粗到細。每加入一批特征，我們就用回溯搜索來優(yōu)化，