不良圖像中的人臉檢測方法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)信息已經(jīng)成為一種人們熟知的便捷信息來源，但網(wǎng)絡(luò)上大量的色情淫穢等不良信息已經(jīng)嚴重干擾了人們正常的網(wǎng)絡(luò)生活。由于圖像比文本具有更豐富的信息，相比之下不良圖像具有更大的危害性，因而對不良圖像識別過濾是建立網(wǎng)絡(luò)色情過濾系統(tǒng)的關(guān)鍵。對不良圖像的識別，首先要確定人體的存在，檢測人臉就是首要工作。人臉的準確定位還能為后續(xù)的表情識別、人體姿態(tài)檢測等任務(wù)提供重要信息。因此，自動化的人臉檢測就成為不良圖像分析的關(guān)鍵，具有深遠的社會意

2、義。 為了研究不良圖像中的人臉定位問題，本文在分析了現(xiàn)有人臉檢測方法的基礎(chǔ)上，針對不良圖像中人臉具有的復雜模式，設(shè)計了一個層次化人臉檢測框架，利用膚色、Haar-Like特征、邊緣形狀、灰度等信息檢測定位人臉。本文主要工作如下： (1)利用膚色檢測作為人臉檢測的預(yù)處理過程，確定了高斯膚色模型參數(shù)，建立了YCbCr空間的高斯膚色模型。本文設(shè)計了基于K-均值聚類方法的膚色分割算法，完成了圖像的二值化。通過對孔洞數(shù)和面積的計算

3、，選擇出可能包含人臉的候選膚色塊，減小了下一步人臉檢測的搜索空間。 (2)本文實現(xiàn)了基于Haar-Like特征和Adaboost的人臉檢測算法，并將其運用到不良圖像的人臉檢測中。實驗結(jié)果表明，對于正面和略帶表情及遮擋的人臉有較好的檢測效果。在算法實現(xiàn)過程中，本文針對Adaboost訓練時間過長的缺陷，在訓練弱分類器時，推導出計算左右錯誤率的遞推公式，運用該遞推公式加快了弱分類器的訓練速度。 (3)針對前面方法漏檢的情況，