论文部分内容阅读
人脸检测是一种非接触性生物特征检测,以数据采集方便和应用范围广泛等特点,在数据挖掘和模式识别领域成为了一个热点研究课题。现代社会是追求效率的时代,越来越多的实时信息采用图像和视频方式保存,如何从海量数据中高效检测人脸成为一个迫切需要解决的问题。Adaboost算法是近年来较流行的机器学习算法,被许多研究者应用到人脸检测领域。本文以经典Adaboost算法为基础,分别在算法学习、算法检测过程对其进行优化,之后运用到图像、视频和实时人脸检测中。研究工作如下所示:(1)综述了国内外人脸检测技术的研究现状,并总结所存在的问题。(2)对Adaboost人脸检测算法做深入研究,分析算法的基本思想和实现过程,并依次介绍了Haar特征、积分图和分类器的原理。(3)改进Adaboost算法训练过程可有效提高算法性能:首先,为避免算法学习过程中因训练样本单一出现训练过度现象,提出丰富训练样本的解决方案,将训练图像进行处理后作为新样本加入训练集。其次,针对算法学习过程中Haar特征计算量庞大的现象,根据人脸位于训练图像中央位置的先验知识,提出对样本尺寸“裁剪”的方法有效减少特征数量。最后,针对难分类样本在多次训练后出现样本权重分配失衡的问题,结合正负误差比和分类器错误率提出新的权重分配原则。改进后的Adaboost算法不仅可有效避免严重的权重分配失衡还可提高检测性能。(4)为减少Adaboost算法检测过程出现的误报,提出前端和后端两种方法缩减误报。前端误报缩减是指在分类器判断待检测窗口之前,先通过边缘能量检测删除非感兴趣子窗口。后端检测是指在Adaboost算法检测后,添加由肤色检测和边缘蒙版构成的误报缩减机制,进一步缩减误报。实验证明,本文提出的方法可有效减少误报。(5)分析PCA算法的核心思想,之后结合改进后的Adaboost算法实现实时人脸识别系统。