论文部分内容阅读
人脸检测是人脸识别的首要和关键步骤，在安防、视频监控、人机界面等领域得到了广泛应用。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。因此，进一步提高AdaBoost算法的检测率和降低误检率对于人脸检测来说，具有重要的实用价值。本文在基于粒子群优化的离散AdaBoost算法(PSO-AdaBoost算法)和连续AdaBoost算法的基础上，对其中的适应度函数和样本空间划分进行分析和改进，并且这些改进在matlab平台上进行了仿真实现，证实所提算法对AdaBoost算法性能改进方面得到了较成功的应用。本文的主要工作包括：(1)提出一种新的适应度函数，即使用特征值和阈值的绝对值差衡量错分样本的错误程度，并结合相对熵理论形成适应度函数。新方法根据错分样本的错误程度挑选最佳弱分类器，可以有效地解决基于PSO的AdaBoost算法中传统目标函数不能适应多个弱分类器拥有相同最小错误率时弱分类器的选择问题。在MIT标准人脸库和网上下载的图片集上的仿真实验表明，该方法具有较高的检测率和较小的泛化错误。(2)提出一种基于最小类方差(minimum class variance, MCV)的样本空间划分的连续AdaBoost人脸检测算法。传统连续AdaBoost算法中等距划分样本空间无法体现正负样本各自分布规律。针对这个问题，通过计算各种划分方式的类方差来衡量样本的相似性，选取最小类方差和对应的样本划分为最佳划分，使人脸样本和非人脸样本聚集在各自的区间中。仿真结果表明，该方法可以提高检测率、降低误检率，同时可以加快算法的收敛速度。