基于改進(jìn)AdaBoost級(jí)聯(lián)的人眼檢測(cè)研究.pdf

1、人眼檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)極具挑戰(zhàn)意義的課題。由于真實(shí)世界場(chǎng)景的復(fù)雜性,要在復(fù)雜的背景中檢測(cè)出人眼并不是一件容易的事,而且還要受到光照、姿態(tài)、旋轉(zhuǎn)、遮擋等等諸多因素的影響,更是使得人眼檢測(cè)困難重重。自從PaulViola將AdaBoost算法用于人臉檢測(cè)取得里程碑式的意義以來(lái),該算法也被引入到人眼檢測(cè)研究中,人們對(duì)此進(jìn)行了大量的研究。
　　本文利用AdaBoost進(jìn)行人眼檢測(cè)研究。討論人眼圖像的haar矩形特征和更具表達(dá)能力的分

2、散矩形特征,研究分散矩形特征的優(yōu)化方法;分析AdaBoost在人眼檢測(cè)中的特點(diǎn),提出改進(jìn)AdaBoost的級(jí)聯(lián)方法。本文所研究的工作主要包括以下幾個(gè)方面:
　　1.使用分散矩形特征代替原始haar矩形特征訓(xùn)練分類(lèi)器,為了克服特征數(shù)量暴增的問(wèn)題,提出一種優(yōu)化分散矩形特征的方法。原始haar矩形特征只能表達(dá)水平、垂直或45°方向上的信息,而分散矩形特征打破了邊界相鄰對(duì)齊的約束條件,可以表達(dá)幾乎各個(gè)方向上的信息。實(shí)驗(yàn)結(jié)果表明,分散矩形特

3、征比原始haar矩形特征具有更強(qiáng)的表達(dá)能力,優(yōu)化后訓(xùn)練分類(lèi)器所需時(shí)間是優(yōu)化前的約三分之一。
　　2.提出一種新的按照指數(shù)規(guī)律調(diào)整級(jí)聯(lián)分類(lèi)器每層最小檢出率和最大誤檢率的AdaBoost級(jí)聯(lián)方法。傳統(tǒng)級(jí)聯(lián)方式的每層分類(lèi)器的最小檢出率和最大誤檢率是固定不變的,在訓(xùn)練的后期,訓(xùn)練難度不斷加大,要想達(dá)到預(yù)定的檢出率和誤檢率必須增加每層分類(lèi)器包含的弱分類(lèi)器數(shù)目,會(huì)造成訓(xùn)練非常耗時(shí)。實(shí)驗(yàn)結(jié)果表明,采用分散矩形特征結(jié)合改進(jìn)級(jí)聯(lián)方法訓(xùn)練出的分類(lèi)器分