基于AdaBoost人臉檢測算法的研究.pdf

1、機器視覺是人工智能科學的一個重要內容，人臉分析是機器視覺的難點技術，它包括人臉檢測和人臉識別兩部分。其中人臉檢測是實現(xiàn)智能化識別的關鍵環(huán)節(jié)，具有重要的研究價值。根據(jù)歷史發(fā)展過程來看，人臉檢測從初期的重點提高系統(tǒng)精度，到現(xiàn)在的保證精度的前提下提高系統(tǒng)速度并達到實時的時期，過程中有大量高效的檢測算法被提出和發(fā)展，其中最有代表性的是基于AdaBoost的人臉檢測算法。這種人臉檢測技術通過積分圖和分類器級聯(lián)等方法能夠有效地降低系統(tǒng)檢測檢測時間，

2、提高系統(tǒng)效率，并保證了較高水平的精度，真正達到了實時系統(tǒng)的標準。這樣的方法后來被許多學者進行研究改進，目前在檢測的綜合性能上總體表現(xiàn)十分優(yōu)良。不過對于該基于樣本學習和特征檢測的方法，訓練速度的考慮相對較少。
　　 由于現(xiàn)代數(shù)據(jù)庫的容量大和更新快等特點，訓練效率的重要性不斷提高。本論文將提升訓練效率作為突破口進行重點研究。首先通過對AdaBoost算法中的PAC學習模型、Haar-like特征、積分圖、分類器訓練及檢測器級聯(lián)五個關

3、鍵技術進行分析，通過概念闡述和理論推導詳細討論了各階段算法的性質，作為后面討論的理論基礎。然后通過訓練成本分析實驗闡明了特征篩選的必要性：通過特征值分析實驗闡明了特征篩選的有效性和可行性，探討了特征優(yōu)劣的衡量指標。
　　 結合實驗分析結果，接下來對本文提出的特征篩選方法開始詳細介紹。首先介紹了一種預處理特征篩選方法。該方法基于綜合評價理論，結合實驗分析得到的評價指標，能夠對特征按比例進行篩選。這樣的篩選過程能夠保證所有淘汰的特征