實(shí)時(shí)人臉檢測(cè).pdf

1、人臉檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)熱點(diǎn)研究問題，已經(jīng)被研究了數(shù)十年了。早期人臉識(shí)別成為學(xué)界一個(gè)主要的研究議題時(shí)，盡管人臉檢測(cè)作為一個(gè)無法繞開的議題被提出來，但普遍被認(rèn)為難度遠(yuǎn)低于人臉識(shí)別。隨著研究的深入，人臉檢測(cè)被認(rèn)為難度及研究意義與人臉識(shí)別相當(dāng)，并逐漸發(fā)展為模式識(shí)別與圖像處理領(lǐng)域的一個(gè)獨(dú)立研究分支。 人臉檢測(cè)一方面作為人臉識(shí)別的前驅(qū)工作，有其無可替代的應(yīng)用價(jià)值。另一方面，由于安全監(jiān)控、自動(dòng)跟蹤等領(lǐng)域的需求，對(duì)視頻中人臉檢測(cè)的實(shí)時(shí)

2、性要求也越來越高。2001年P(guān)aul Viola提出的結(jié)合Boosting與級(jí)聯(lián)分類的算法使得人臉的實(shí)時(shí)檢測(cè)向前邁進(jìn)了一大步，但是整個(gè)冗長(zhǎng)的訓(xùn)練過程和檢測(cè)仍有提高的空間。提高檢測(cè)分類器的性能對(duì)人臉檢測(cè)實(shí)時(shí)性的提升有著直接的貢獻(xiàn)，而縮短訓(xùn)練過程對(duì)探索新的高效檢測(cè)技術(shù)有著十分重大的意義。 因此本文在現(xiàn)在文獻(xiàn)的基礎(chǔ)上實(shí)現(xiàn)了一個(gè)高準(zhǔn)確率高性能的實(shí)時(shí)人臉檢測(cè)系統(tǒng)。為了減少訓(xùn)練時(shí)間，我們提出了一種基于Boosting的改進(jìn)訓(xùn)練算法。該算法通

3、過對(duì)弱分類器的閾值選擇進(jìn)行一趟處理來降低運(yùn)算時(shí)間復(fù)雜度，并根據(jù)Boosting訓(xùn)練迭代中只改變樣本權(quán)值而不更新樣本的特點(diǎn)對(duì)特征值和排序結(jié)果進(jìn)行緩存來提高訓(xùn)練算法的性能。同時(shí)提出了一種新的基于檢測(cè)特征數(shù)期望值最小化的級(jí)聯(lián)分類器構(gòu)建方法使得分類器的各層特征數(shù)組合達(dá)到最佳性能。 對(duì)訓(xùn)練系統(tǒng)的改進(jìn)大幅提高了人臉檢測(cè)分類器訓(xùn)練系統(tǒng)的性能，使得分類器的訓(xùn)練時(shí)間縮短了60多倍。由于Boosting算法的通用性，該改進(jìn)算法不僅適用于人臉檢測(cè)，也

4、適合所有進(jìn)行權(quán)值更新迭代訓(xùn)練的Boosting算法。另一方面，對(duì)檢測(cè)系統(tǒng)的改進(jìn)使得最優(yōu)組合的檢測(cè)特征數(shù)期望值比已發(fā)表的組合要小將近2倍，從而獲得了比已發(fā)表的特征數(shù)組合高出近80％的性能提升。因此該方法適用于使用Boosting及其變形算法構(gòu)建具有最佳性能的級(jí)聯(lián)分類器。 全文共分為7章，內(nèi)容組織安排如下： 第一章介紹了人臉檢測(cè)問題的提出與研究背景，研究?jī)?nèi)容與應(yīng)用以及研究難點(diǎn)、研究現(xiàn)狀與相關(guān)工作。第二章概述了作為本文基礎(chǔ)的級(jí)