论文部分内容阅读
在模式识别和计算机视觉领域,人脸作为一种十分重要的生物特征,与其相关的信息处理技术,尤其是人脸检测技术获得了长足发展。但仍存在很多问题需要进行深入的研究。例如:姿态、光照、遮挡、表情等因素依然严重影响着人脸检测的效果。本论文主要是对提高人脸检测的速度和多姿态人脸的检测等问题进行了深入的研究。所作研究内容与创新工作如下:(1)论文首先研究了现今人脸检测研究领域热点算法之一的AdaBoost算法,包括其采用的Harr-like特征、积分图策略、分类器级联策略以及此算法的搜索策略。研究过程中发现AdaBoost算法需要对待检测图像的所有区域进行遍历式搜索,而一幅图像当中的人脸区域只占图像的很小一部分,这就是说用很长的检测时间去检测很多无用的区域,大大浪费了检测时间。(2)针对AdaBoost遍历式搜索图像,严重浪费检测时间的问题,本文提出了用肤色检测来实现对AdaBoost人脸检测的前端优化。肤色检测具有相对的稳定性,检测速度快。在肤色检测时,对转换到YCbCr空间中的图片像素点进行CbCr值检测,快速分割出肤色区域,再用AdaBoost算法在已分割出的肤色区域上检测人脸。仿真实验结果表明了用肤色检测来实现对AdaBoost人脸检测前端优化的方法比传统的AdaBoost检测人脸的速度要快29%。同时,实验结果也表明了此种方法还存在着不足的地方,那就是当检测多姿态人脸尤其是旋转角度过大的人脸时,很多人脸被漏检了,这对人脸检测来说是很严重的问题。(3)针对多姿态人脸的检测问题,本文又在前端优化的基础上提出了协作AdaBoost的多特征多姿态的人脸检测。采用了扩展的Harr-like特征与边缘方位特征来分别表达人脸图像的纹理信息与边缘结构信息。采用多特征融合的表达方式,比单个特征的表达方式,能够从原始数据中挖掘出更丰富的信息;将大姿态角范围的人脸检测问题,分解为若干个小姿态角范围的人脸检测问题,并采用金字塔型的分类器系统结构来提高检测效率。实验结果表明:本文提出的小粒度多特征融合、多姿态的人脸检测方法,有效地解决了多姿态人脸的检测问题,取得了比单个特征方法更高的检测精度。