復(fù)雜背景下的人臉檢測(cè)方法研究.pdf

1、作為人臉識(shí)別系統(tǒng)的第一個(gè)關(guān)鍵環(huán)節(jié)，人臉檢測(cè)在模式識(shí)別、計(jì)算機(jī)視覺(jué)和多媒體技術(shù)等領(lǐng)域中占據(jù)著日益重要的地位，因此，人臉檢測(cè)逐漸受到研究者重視并且發(fā)展成為一項(xiàng)獨(dú)立的研究領(lǐng)域。2001年，Paul Viola和Michael Jones把haar-like特征和積分圖結(jié)合到Adaboost算法中，首次將人臉檢測(cè)用于實(shí)際的應(yīng)用。此后，基于Adaboost的人臉檢測(cè)算法在人臉檢測(cè)領(lǐng)域一直處于主導(dǎo)地位并且許多學(xué)者在此算法上進(jìn)行了研究和改進(jìn)。Adab

2、oost算法的思路是先選擇一定數(shù)量且具有權(quán)重的正負(fù)樣本，然后開(kāi)始第一輪訓(xùn)練，并選擇一個(gè)最優(yōu)弱分類(lèi)器，同時(shí)根據(jù)分類(lèi)結(jié)果更新樣本權(quán)重后進(jìn)入下一輪訓(xùn)練，直到完成T輪訓(xùn)練之后，累計(jì)選擇了T個(gè)最優(yōu)弱分類(lèi)器用于構(gòu)造一個(gè)強(qiáng)分類(lèi)器。由于樣本權(quán)重的更新策略和最佳弱分類(lèi)器的選取會(huì)直接影響到強(qiáng)分類(lèi)器的性能，而傳統(tǒng)Adaboost算法會(huì)通過(guò)不斷增大被分類(lèi)錯(cuò)誤的樣本的權(quán)重，使權(quán)重偏向于某些固定樣本，最終將導(dǎo)致出現(xiàn)退化問(wèn)題。
　　 本文首先通過(guò)參考兩種新提

3、出的強(qiáng)分類(lèi)器構(gòu)造算法，在此基礎(chǔ)上進(jìn)行綜合和簡(jiǎn)化，改進(jìn)了傳統(tǒng)Adaboost算法的樣本權(quán)重調(diào)整策略及弱分類(lèi)器選擇策略，并將其應(yīng)用到人臉檢測(cè)領(lǐng)域，通過(guò)實(shí)驗(yàn)證明其在檢測(cè)率上有所提高，具有一定的參考和應(yīng)用價(jià)值。其次，Adaboost算法雖然具有魯棒性好，檢測(cè)速度快的優(yōu)勢(shì)，但是對(duì)于待檢測(cè)圖像自身不利因素的影響卻有些力不從心，比如噪聲、衣服紋理和類(lèi)似人臉的建筑物表面以及裝飾物等。因此，本文利用膚色特征的優(yōu)點(diǎn)和圖像增強(qiáng)的特點(diǎn)，提出了一種Adaboos

4、t算法結(jié)合空域增強(qiáng)和膚色分割的人臉檢測(cè)方法：首先通過(guò)基于像素值處理的空域增強(qiáng)算法對(duì)待檢測(cè)圖像做第一次預(yù)處理以消除噪聲和突出邊緣信息；接著通過(guò)膚色分割方法提取出膚色區(qū)域以縮小檢測(cè)范圍及降低錯(cuò)檢風(fēng)險(xiǎn)；最后在此候選區(qū)域中通過(guò)Adaboost算法定位人臉。實(shí)驗(yàn)表明該方法對(duì)單獨(dú)使用Adaboost算法檢測(cè)人臉時(shí)存在的“漏檢”和“錯(cuò)檢”問(wèn)題有較好的改善。最后，融合本文改進(jìn)和提出的方法設(shè)計(jì)了一個(gè)人臉檢測(cè)系統(tǒng)，此系統(tǒng)包括了本文提及的幾種Adaboost