基于AdaBoost的人臉檢測改進算法.pdf

1、作為人臉識別系統(tǒng)的第一個環(huán)節(jié)，人臉檢測是為了從復(fù)雜背景中有效地定位并提取出人臉區(qū)域，由于其在安全訪問控制、視覺監(jiān)測、基于內(nèi)容的檢索和新一代智能人機界面等眾多領(lǐng)域具有重要的應(yīng)用價值，近年來人臉檢測開始被作為一個獨立的課題受到研究者們的普遍重視。21世紀(jì)初Viola基于AdaBoost算法的人臉檢測器的發(fā)表，從實質(zhì)上提高了人臉檢測的效率和精度，它是在提出的一系列Haar-like特征的基礎(chǔ)上，通過AdaBoost算法學(xué)習(xí)得到一系列弱分類器，

2、再組合成一個強分類器，然后再級聯(lián)一系列這樣的強分類器組成人臉檢測器。但在實際應(yīng)用中，雖然由單一Haar-1ike特征組成的弱分類器具有很大的檢測速度優(yōu)勢，但是難以保證較理想的檢測精度，并且當(dāng)檢測的圖片分辨率較大、人臉數(shù)目較多、背景較復(fù)雜時，由于檢測子窗口搜索范圍和搜索步長的限制，檢測速度和精度往往會受到一定的影響。 本文的創(chuàng)新點在于以下四個方面： (1)鑒于目前還沒有針對于AdaBoost算法在人臉檢測中的應(yīng)用綜述，本文

3、對近年來比較成熟的AdaBoost人臉檢測算法做了較為詳細(xì)的綜述并比較。 (2)在AdaBoost算法的前期引入膚色分割步驟，并利用得到的膚色區(qū)域自適應(yīng)地調(diào)整檢測窗口的位置和移動策略，將大部分非人臉樣本在早期排除，讓AdaBoost算法集中于判別有可能是人臉的區(qū)域，并在后期結(jié)合膚色區(qū)域來做最終判決，解決了原算法所產(chǎn)生的重復(fù)檢測問題。 (3)在AdaBoost算法的后期引入了具有線形相位的雙正交小波，避免了由于單一Hag-

4、like特征過于簡單所造成信息損失問題。 (4)對原AdaBoost算法中強分類器的固定閾值進行改進，根據(jù)強分類器在訓(xùn)練集上的性能而自適應(yīng)地設(shè)定其閾值，在保證檢測系統(tǒng)性能的同時，極大地減小了所需要級聯(lián)的強分類器的數(shù)量。 本文共采用了來自Internet和現(xiàn)實生活中的400張彩色人臉圖片，背景各異，人臉姿態(tài)方面存在一定的平面內(nèi)旋轉(zhuǎn)和平面外旋轉(zhuǎn)，另外有一定的光照影響。試驗結(jié)果表明，本文改進的AdaBoost人臉檢測算法能達(dá)到