论文部分内容阅读
人脸检测课题来源于人脸识别,是计算机视觉和模式识别领域的研究热点,在视频监控、安全访问、人机交互以及基于内容的检索等领域有广泛应用。由于人脸的非刚体结构特性及图像采集时外部环境因素的影响使得人脸检测技术存在诸多难点,同时人脸检测算法也处于快速发展的上升阶段。AdaBoost算法因为检测率高和检测速度快成为众多人脸检测算法中最重要的算法之一,而进一步提高AdaBoost算法的检测率和减少检测时间对于人脸检测来说,具有重要的实用价值。本文在基于Haar-like特征的AdaBoost算法的基础上,对特征提取和AdaBoost检测步骤进行分析和改进,并且这些改进在Matlab平台上进行了仿真实现,证实了所提算法对AdaBoost算法性能改进方面有比较明显的效果。本文的主要工作包括:首先针对Haar-like特征和协方差矩阵特征的缺陷,提出一种基于协方差特征的AdaBoost算法,用来实现快速人脸检测。该方法将人脸划分为若干区域,计算任意两个区域的协方差特征,然后借助AdaBoost方法挑选最佳弱分类器,级联组成强分类器对测试图片分层筛选,从而获得最终判决结果。在MIT+CMU人脸数据集上检测结果显示该方法特征提取时间较协方差矩阵特征稍慢,但使用AdaBoost算法训练时间很大程度减少,能较快获得特征阈值,检测率相比协方差矩阵特征基本持平,优于Haar-like特征。在上面工作基础上,针对AdaBoost算法训练特征和样本多导致的耗时问题,提出一种基于协方差特征的裁剪AdaBoost算法。该方法用协方差特征代替Haar-like特征进行特征提取;然后使用特征裁剪和动态权重裁剪相结合的裁剪AdaBoost算法,训练得到基于协方差特征的强分类器。实验结果表明,相对于基于Haar-like特征的AdaBoost算法,该算法性能没有明显退化且很大程度提高了训练速度。