基于多示例學(xué)習(xí)的Adaboost算法及其在人臉檢測(cè)中的應(yīng)用.pdf

1、人臉是一個(gè)常見而復(fù)雜的視覺模式，人臉?biāo)从车囊曈X信息在人與人的交流和交往中有著重要的作用和意義。對(duì)人臉進(jìn)行處理和分析在視頻監(jiān)控、出入口控制、視頻會(huì)議以及人機(jī)交互等領(lǐng)域都有著廣泛的應(yīng)用前景。人臉檢測(cè)作為物體檢測(cè)問(wèn)題的一個(gè)特例，長(zhǎng)期以來(lái)一直備受關(guān)注。人臉檢測(cè)是人臉圖像處理中關(guān)鍵性的第一步，因此人臉檢測(cè)算法的精度直接影響著后續(xù)工作的進(jìn)行。 本文的研究方向是基于靜態(tài)圖像的人臉檢測(cè)算法的研究，采用了Adaboost算法，對(duì)其訓(xùn)練方法提出了

2、改進(jìn)；并將多示例學(xué)習(xí)算法結(jié)合到Adaboost中，提出了一種基于多示例學(xué)習(xí)的Adaboost算法；接著設(shè)計(jì)實(shí)驗(yàn)證明了本文提出的算法有更好的檢測(cè)率，優(yōu)于已有的Adaboost算法；最后將基于多示例學(xué)習(xí)的Adaboost算法應(yīng)用于多角度人臉檢測(cè)中。具體工作包括以下部分： 1.提出了一種新型的Adaboost訓(xùn)練方法，本文稱之為查表型弱分類器訓(xùn)練算法。查表型弱分類器訓(xùn)練方法是從單個(gè)弱分類器的訓(xùn)練算法上進(jìn)行改進(jìn)，大大減少了Adaboo

3、st訓(xùn)練分類器的時(shí)間。查表型弱分類器快速訓(xùn)練算法的思想是基于Adaboost算法中訓(xùn)練樣本自身的各個(gè)特征值不會(huì)隨著訓(xùn)練而改變，改變的僅僅是樣本的權(quán)重。將樣本的特征值在訓(xùn)練之前排序，得到一個(gè)次序表；在每次訓(xùn)練時(shí)只需要調(diào)用次序表即可，而不需要重新統(tǒng)計(jì)概率分布。這樣就避免了當(dāng)樣本權(quán)重發(fā)生變化時(shí)，弱分類器重復(fù)的排序過(guò)程，可以解決Adaboost傳統(tǒng)的弱分類器訓(xùn)練方法上耗時(shí)的問(wèn)題。 2.提出了一種新的基于Adaboost的算法：基于多示

4、例學(xué)習(xí)的Adaboost算法，本文稱為EM-DD-boost算法。20 世紀(jì)90 年代以來(lái)，根據(jù)從導(dǎo)師或環(huán)境獲取的例子進(jìn)行學(xué)習(xí)的示例學(xué)習(xí)被認(rèn)為是最有希望的一種機(jī)器學(xué)習(xí)途徑。在多示例學(xué)習(xí)中，學(xué)習(xí)系統(tǒng)對(duì)每個(gè)訓(xùn)練示例有部分或不完全的知識(shí)，這與人臉檢測(cè)的樣本訓(xùn)練過(guò)程很相似。因此本文將多示例學(xué)習(xí)算法引入人臉檢測(cè)算法中，并選取學(xué)習(xí)效果最好的EM-DD算法（最大期望化的多樣性密度算法）結(jié)合對(duì)人臉檢測(cè)效果最好的Adaboost算法，提出一種新的方法：E