论文部分内容阅读
自动人脸检测的应用领域非常广泛,诸如:生物特征识别、信息安全、司法执行和监督、智能卡和门禁等等。尤其是近年来,人脸检测越来越受到研究者的重视。但是由于目标人脸的不配合和外界条件等因素的影响,摄于图像上的人脸图像大小的不确定性,以及光线、姿态和背景的变化使得人脸自动检测仍然是一个极具挑战性的课题。
近年来基于图像的人脸检测方法引起了极大的关注,在自动人脸检测领域也取得了很大的成功。传统的AdaBoost人脸检测主要就是:构建一个非线性相关的Adaboost分类器,并且从高维的特征集中提取有用特征,将其应用于检测。分类器的级联为改善检测的运行速度和J下确率提供了一个很好的解决方案。通过分类器级联,每一阶段采用不同的特征单独训练,设计一个快速人脸检测器。
传统的AdaBoost易于产生过训练现象,即检测器对训练样本库严重依赖以致对样本库以外的图像产生排斥,对此本文在强分类器的检测率达到阈值时,停止训练并更新样本使样本更加丰富,从而避免过训练现象。
传统AdaBoost训练时间过长,减少特征数量无疑是减少训练时间的有效办法,本文对减少特征数量的两种办法做了简要介绍并比较。通过在动态训练过程中剔除分类效果不好的弱分类器以达到减少训练时间的目的。
针对待检测图像的光线、色度不均衡及包含类人脸背景等复杂情况,本文提出了一种基于肤色空间的改进Adboost人脸检测算法,即增加一个肤色前端,该前端通过光线补偿、色度平衡、肤色分割等技术能快速去除图像中的非人脸信息。由肤色前端获得的候选区域作为输入图像送入AdaBoost级联分类器进行检测。
本文在单人脸、多人脸样本集上对比了AdaBoost、基于肤色空间的改进的AdaBoost人脸检测算法。检测率分别为:93.14%,96.01%;76.23%,89.81%。