一種魯棒的人臉檢測(cè)方法.pdf

1、基于機(jī)器學(xué)習(xí)的方法由于其好的檢測(cè)效果而成為現(xiàn)在主流的人臉檢測(cè)方法，然而，和其它方法一樣，這類方法也存在著如何協(xié)調(diào)好性能和效率方面的問(wèn)題，針對(duì)這類方法目前存在的一些問(wèn)題，本文提出了一種新的基于學(xué)習(xí)的人臉檢測(cè)方法，主要內(nèi)容包括以下幾個(gè)方面：第一、提出了一種新的人臉全局特征以及用該特征來(lái)構(gòu)建弱分類器的方法。選擇特征并構(gòu)建弱分類器是基于學(xué)習(xí)的檢測(cè)方法中重要的一步，本文提出了一種線性的全局特征，即單位平均臉特征，利用直方圖的統(tǒng)計(jì)特性，根據(jù)Neym

2、an-Pearson決策規(guī)則可以得出用于分類的判別函數(shù)，設(shè)計(jì)出與全局特征相對(duì)應(yīng)的弱分類器，同時(shí)本文也給出了這種弱分類器的學(xué)習(xí)算法。 第二、提出了一種在結(jié)合全局特征的情況下進(jìn)行局部特征的選擇和計(jì)算方法。在人臉檢測(cè)技術(shù)發(fā)展的過(guò)程中，特征始終扮演著重要的角色，特征對(duì)學(xué)習(xí)算法最終學(xué)到的結(jié)果有非常大的影響，如何選擇特征并設(shè)計(jì)弱分類器是基于學(xué)習(xí)的檢測(cè)方法中重要的一個(gè)環(huán)節(jié)。針對(duì)目前基于學(xué)習(xí)的檢測(cè)方法只使用局部特征時(shí)存在的問(wèn)題，本文提出了一種在

3、結(jié)合全局特征的情況下進(jìn)行局部特征的選擇方法，即只在訓(xùn)練樣本的部分區(qū)域內(nèi)選擇局部特征，這種選擇方法提高了人臉檢測(cè)的魯棒性，同時(shí)也為怎樣解決人臉檢測(cè)中的遮擋問(wèn)題提供了一個(gè)新的思路。 第三、將全局特征和局部特征相結(jié)合來(lái)訓(xùn)練分類器，提高了分類器的魯棒性。人臉檢測(cè)器本質(zhì)上是一個(gè)分類器，本文以單位平均臉特征作為全局特征，以矩形特征作為局部特征，將兩者相結(jié)合來(lái)訓(xùn)練分類器并給出了訓(xùn)練算法，通過(guò)該算法訓(xùn)練出的人臉檢測(cè)器在具有較少特征的情況下仍能達(dá)

4、到較高的檢測(cè)率，同時(shí)又能保持較低的誤檢率，并且該檢測(cè)器能夠檢測(cè)具有部分遮擋的人臉，顯示出較高的魯棒性。這種將全局特征和局部特征相結(jié)合從多個(gè)角度對(duì)事物進(jìn)行判別分析的方法符合方法論的觀點(diǎn)。 在MIT+CMU人臉數(shù)據(jù)庫(kù)上的檢測(cè)實(shí)驗(yàn)結(jié)果表明，我們的人臉檢測(cè)器具有較高的檢測(cè)率95％和較低的誤檢率10-6，能夠檢測(cè)具有部分遮擋的人臉，具有較高的魯棒性；對(duì)大小為320×240的圖像進(jìn)行檢測(cè)的時(shí)間為0.08秒。作為一種基于學(xué)習(xí)的檢測(cè)方法，本文方