基于多核學(xué)習(xí)的近紅外人臉檢測方法研究.pdf

1、人臉檢測是一個(gè)復(fù)雜的具有挑戰(zhàn)性的圖像分類問題，是人臉識(shí)別系統(tǒng)中的關(guān)鍵技術(shù)，人臉檢測的結(jié)果直接制約人臉識(shí)別的效果。對(duì)一張圖片進(jìn)行檢測判斷是否存在人臉實(shí)際上是一個(gè)二分類問題，在圖像分類以及目標(biāo)檢測領(lǐng)域中最常用的分類器是SVM，但在樣本規(guī)模較大、特征數(shù)較多以及特征在高維度空間分布不平坦時(shí)，SVM存在著局限性。為了解決以上問題，多核學(xué)習(xí)方法被提出，使得不同的特征通過不同的核函數(shù)映射到更高維度空間成為可能。MKL針對(duì)不同的特征采取不同的核函數(shù)，然

2、后根據(jù)不同的特征訓(xùn)練每個(gè)核函數(shù)的權(quán)重（貢獻(xiàn)值），將問題轉(zhuǎn)化為選擇核參數(shù)與核權(quán)重系數(shù)的最佳組合問題。選出最佳核函數(shù)的凸組合，以獲得最佳的分類精度。
　　傳統(tǒng)的人臉檢測在實(shí)際應(yīng)用中受光線的影響較大。由于近紅外人臉對(duì)光照變化的不變特性，該技術(shù)被應(yīng)用的場景也越來越多。本文提出了一種基于核參數(shù)與核權(quán)重聯(lián)合優(yōu)化的多核學(xué)習(xí)框架。主要研究了基于多核學(xué)習(xí)框架的近紅外人臉檢測問題，主要研究內(nèi)容如下:
　　(1)研究了傳統(tǒng)核學(xué)習(xí)方法的交叉驗(yàn)證方法

3、以及常用的三種核相似性度量方法，對(duì)他們的優(yōu)缺點(diǎn)進(jìn)行分析比較。通過實(shí)驗(yàn)選擇了一種最佳的相似性度量方法應(yīng)用到本文改進(jìn)的MKL框架中;并且，考慮特征維數(shù)問題，分析Isomap算法，提出了一種快速Isomap算法對(duì)訓(xùn)練樣本進(jìn)行特征降維，縮減訓(xùn)練分類器的計(jì)算時(shí)間;
　　(2)對(duì)標(biāo)準(zhǔn)粒子群優(yōu)化算法中存在的問題進(jìn)行了詳細(xì)分析，提出了一種自適應(yīng)慣性權(quán)重以及可變學(xué)習(xí)因子的優(yōu)化方法。系統(tǒng)闡述多核學(xué)習(xí)理論，給出了常見多核學(xué)習(xí)的求解方法。深入研究當(dāng)前常用

4、多核學(xué)習(xí)算法，分析存在的不足，基于改進(jìn)的PSO優(yōu)化算法又提出了一種關(guān)于內(nèi)核參數(shù)與內(nèi)核權(quán)重聯(lián)合優(yōu)化的多核學(xué)習(xí)框架，并給出了算法流程;最后，對(duì)本文提出的MKL框架進(jìn)行了仿真實(shí)驗(yàn)，并與其他核學(xué)習(xí)算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果顯示本文提出的多核學(xué)習(xí)框架能夠在一定程度上表現(xiàn)出優(yōu)于其他算法的效果與性能;
　　(3)基于本文所提出的MKL框架設(shè)計(jì)了一種基于Android平臺(tái)的近紅外人臉檢測系統(tǒng)。通過對(duì)各種常見場景進(jìn)行測試以及對(duì)測試結(jié)果進(jìn)行效果分析，表明