融合AFSA和PSO優(yōu)化的改進AdaBoost人臉檢測算法.pdf

1、人臉檢測主要通過對輸入圖像中存在的人臉進行分析加以分割和提取處理，得到所有人臉的位置、大小以及姿態(tài)等，是視覺識別領域中的關鍵技術和研究熱點，在機器視覺、視頻監(jiān)控以及安防系統(tǒng)等方面都有著非常廣泛的應用。隨著社會信息化的高度發(fā)展，圖像和視頻已經成為常用的存儲社會信息的方式，然而信息數(shù)量龐大，怎樣在巨大數(shù)據(jù)中高效檢測出所需要的特征信息，就成為了非常緊迫的研究課題。在對人臉檢測技術進行探索的過程中提出了許多較為成熟的方法，但都具有一定的條件約束

2、，AdaBoost算法在該技術中應用較多，具有一定的預期效果。但從事實角度來看，僅僅根據(jù)所提供的部分特征對人臉樣本進行識別的效果并不理想。針對傳統(tǒng)AdaBoost算法的不足，本文進行了相關改進工作，具體工作內容如下：
　　(1)針對當前人臉檢測相關技術進行學習分析，總結其中存在的問題，重點針對AdaBoost算法進行研究改進，詳細闡述了AdaBoost算法的方法特征、算法性能以及在人臉檢測領域的運用。
　　(2)為了能夠有效

3、彌補AdaBoost人臉檢測算法在迭代過程中權重系數(shù)較易進入局部最優(yōu)的缺陷，本文利用粒子群算法(PSO)收斂速度快的優(yōu)點，結合AFSA算法的最佳尋優(yōu)特性對PSO算法進行深度優(yōu)化改進，將改進后的PSO算法的全局尋找最優(yōu)和隨機搜索的優(yōu)勢應用于檢測技術中，使弱分類器權值系數(shù)找尋最優(yōu)值，更準確地得到弱分類器系數(shù)最優(yōu)值的結合，提高了檢測的精確率；加快弱分類器的訓練速度，大幅降低了訓練時間。
　　(3)對于一幅24?24大小的圖像，約有162

4、336個Haar-like特征需要計算，由于AdaBoost算法是建立在統(tǒng)計模型的基礎上，需要大量的訓練集樣本，這就需要計算更多的特征數(shù)量，訓練時勢必會受到影響，在AdaBoost算法訓練框架中由于人臉存在著各不相同的特征，現(xiàn)有的Haar-like特征模型無法滿足實時檢測的需求，拓展Haar-like特征模型，其作用在于排除相關度較低的Haar-like樣本特征，提高檢測速度。
　　綜上，本論文在傳統(tǒng)AdaBoost算法基礎上提出