多目標的圖像檢測—人臉人眼檢測.pdf

1、隨著模式識別和人工智能的高速發(fā)展，多目標圖像檢測技術得到國內(nèi)外社會各界的廣泛的關注和深入研究。圖像檢測識別在科技領域和安全領域方面上都具有很強大的發(fā)展前景和廣大的市場潛在的經(jīng)濟價值。同時，在人們的社會生活中，還是在市場商用領域，多目標圖像檢測也都發(fā)揮著重要的作用。
　　 但隨著社會的進步和技術的更新發(fā)展，人們對圖像檢測識別技術的要求也越來越高。檢測率的高低和實時性的好壞是圖像檢測識別技術的最主要的兩個性能指標，也是該技術目前所要

2、研究突破的方向。由于圖像檢測技術一直受限于目標形態(tài)的多樣性，目標的遮擋問題以及背景復雜度或外部環(huán)境等諸多影響，從而對降低了檢測速度和精度。
　　 本文就針對提高圖像目標檢測系統(tǒng)的整體綜合性能，并實現(xiàn)多個目標同時檢測做了以下主要工作和成果：
　　 1.通過DirectShow構建視頻采集系統(tǒng)，作為圖像目標檢測的圖像采集模塊，并有效的結合WDM視頻捕捉，共同協(xié)作完成對構成視頻圖像的預覽模型。由于Directshow能讓復雜的

3、數(shù)據(jù)流在不同硬件上同步傳輸變得簡單有效，保證了后續(xù)圖像檢測的實時性。
　　 2.為了提高訓練的速度，解決傳統(tǒng)Adaboost訓練計算量大、時間長的問題，提高檢測的精度。在Adaboost弱分類器訓練時，采用了特征選取時確定閾值搜索范圍，減少搜索的時間，提高閾值的最優(yōu)化，使得減少了弱分類的個數(shù)，最終提高Adaboost訓練的訓練速度。
　　 3.為了滿足動態(tài)的圖像檢測實時性的需要，本文結合了分層思想和半像素匹配的快速搜索算

4、法對圖像進行實時精確的匹配，大大的減少了檢測時搜索匹配的計算量和時間，提高了匹配的精度。同時，研究了小波變換理論，根據(jù)小波各頻域表征的特性，在低頻區(qū)域采用加權平均法，在高頻區(qū)域采用基于區(qū)域的方法。
　　 4.通過Adaboost算法分類器的訓練對多姿態(tài)不同的人臉進行檢測，并在檢測到的人臉區(qū)域再對人眼進行粗定位，這里分別應用了Gabor小波變換的人眼定位、DCT變換人眼模板匹配的人眼定位以及adaboost訓練分類器的人眼定位方法

5、，并進行了簡單的比較分析各自的優(yōu)缺點及算法性能。然后再用二值化處理，積分投影變換，并結合人眼的幾何知識的方法對人眼進行精確的定位并標注。由于，經(jīng)過人臉檢測后，圖像進行了有效的歸一化，已大大的縮小了人眼的檢測范圍，再通過圖像處理，從而有效的緩解了光照的影響，以及多種方法的融合，能快速準確的鎖定瞳孔位置，綜合的提高了檢測系統(tǒng)的性能。
　　 實驗結果表明，系統(tǒng)的整體檢測效果與傳統(tǒng)的檢測方法相比，有了較明顯的提高。但仍存在一些弊端，如旋