论文部分内容阅读
近年来,随着人脸识别技术日趋成熟,已经逐渐应用于人们的日常生活中?作为人脸识别的前期阶段,人脸检测一定程度上影响着人脸识别的速度和识别率?因此,研究人脸检测算法,提高人脸检测速度和检测率,可以提升人脸识别系统的整体性能?本文首先对待检测的人脸图像进行肤色预处理?通过分析肤色在不同颜色空间的聚类情况,选择在YCbCr颜色空间中建立肤色模型。由于肤色预处理阶段对精度要求不高,所以本文建立的肤色模型属于最简单也是速度最快的阈值分割模型。该模型规定了肤色的阈值范围,如果像素的Cb和Cr分量均属于该阈值范围,则该像素被判定为肤色点;反之,被判定为非肤色点。利用肤色预处理算法可以生成肤色判定矩阵,该矩阵为二值矩阵,其中1代表肤色点,-1代表非肤色点。其次,改进Viola提出的基于AdaBoost的人脸检测算法。该算法在分类器训练末期,弱分类器的错分类接近50%,即分类能力很弱,使其联合而成的强分类器的分类性能没有明显提高,导致算法的整体分类性能降低,检测率下降。出现这一情况的原因是90%的边缘在灰度图像和彩色图像中是大致相同的,有10%的边缘可能在灰度图像中检测不到,训练末期灰度特征中所含分类信息不足以区分人脸与非人脸样本。针对这种情况,本文提出彩色积分图概念,将彩色信息融合到AdaBoost训练算法中,生成对应三种颜色分量的分类器CY (x)CCb(x)和CCr ( x)。通过改进级联分类器的结构,使这三种分类器充分发挥各自作用,提高了算法的检测率,由于Cb和Cr颜色分量去除了亮度的影响,所以又进一步增加了算法对不同光照和肤色的适应能力,最后本文将肤色预处理算法和改进的AdaBoost人脸检测算法应用到嵌入式工控人机界面系统中?借助肤色判定矩阵先排除大部分非肤色区域,让AdaBoost分类器更专注于可能存在人脸的肤色区域,从而提高算法的检测速度和检测率。