论文部分内容阅读
人脸是重要的视觉图像之一。人脸检测作为人脸信息处理中的一项关键技术,在感兴趣区编码、身份识别、基于内容的检索、自动监控、人机交互等方面有着曰益广泛的应用。但是人脸不是一种刚体,其特征会随光照、脸上的遮挡物、多变的表情、旋转的角度等条件变化而变化,具有特征变形和尺度变化的特点,这就使人脸模式的识别变成一项非常困难的工作。检测人脸在给定静止图像或视频序列中,要求不管图像中人脸的位置、大小、方向、姿势、光照等如何变化,都能定位所有人脸的准确位置,这给现有的识别技术带来很大的挑战。
Adaboost训练算法是一种较为有效的二元分类器的训练方法,其误差自适应的样本划分方法和分类器的加权组合策略可使分类器的性能随着分类器层次的增加而提升。因此它很适用在人脸分类器这种困难问题的训练中。本文设计并实现了基于.Adaboost正面人脸检测算法,并结合加自适应图像旋转法,完成带有平面内旋转的实时人脸检测任务。主要工作包括以下几方面内容:
第一,实现了Adaboost分类器训练算法,并用实验证明了只要有一系列比随机猜测稍好的弱分类器,如果在分类器训练时采取样本集自适应选择策略,在判决时采用的弱分类器共同决策和强分类器级联方法,就能使Adaboost分类器的性能获得提提升。
第二,实现了基于不同人脸特征的Adaboost分类器。考虑到不同的人脸特征对Adaboost分类器训练结果的影响,在对人脸测试集合进行测试之后得出结论:基于倾斜45°Haar特征的人脸检测器能有效降低平均假正率。通过对旋转人脸集合的测试后,我们发现倾斜45°Haar特征能有效表示旋转人脸的信息,基于45°倾斜Haar特征的人脸检测系统有较大的检测范围。
第三,提出一种自适应图像旋转法,用于改进人脸检测算法对于平面内转动的人脸的检测效果。该方法在基于图像旋转法的旋转人脸检测系统中加入了反馈模块,能有效降低人脸检测的平均时间(在奔腾Ⅳ2.8 GHZ的处理器上,大小为275*350象素的灰度图像的平均检测时间约为0.18s1。