人臉檢測研究.pdf

1、人臉檢測問題的研究重點(diǎn)在于提高檢測速度和降低誤檢率。Viola基于積分圖像和AdaBoost算法的人臉檢測方法是繼Rowley人工神經(jīng)網(wǎng)絡(luò)方法之后的重大發(fā)展，微軟研究院提出的FloatBoost算法在AdaBoost算法的基礎(chǔ)之上加入了浮動(dòng)搜索，并且引入了回溯機(jī)制，更進(jìn)一步地提升了分類器的精確度，并且實(shí)現(xiàn)了多姿態(tài)人臉的實(shí)時(shí)檢測。
　　 本文繼承了以上重要算法和文獻(xiàn)的思想，做了以下幾個(gè)方面的工作：
　　 首先，我們提出了整

2、體訓(xùn)練方案和其中快速建立特征庫的方法。根據(jù)弱學(xué)習(xí)定理的內(nèi)在要求，我們采用隨機(jī)矩形特征的方式，減小了特征運(yùn)算所需的搜索空間；在選取閾值θ時(shí)我們采用分段搜索的方式，縮小了確定閾值所需的時(shí)間；關(guān)于動(dòng)態(tài)剪裁樣本，我們截取權(quán)值較高的樣本作為特征訓(xùn)練的數(shù)據(jù)，減小了測試特征和閾值的時(shí)間；分布式的特征訓(xùn)練，由于這里特征的訓(xùn)練和強(qiáng)分類器的組建過程是分離的，所以我們實(shí)現(xiàn)了分布式的特征訓(xùn)練，可以同時(shí)在多臺(tái)計(jì)算機(jī)上運(yùn)行特征庫訓(xùn)練程序，最后可以歸總到一起，形成一

3、個(gè)較大的特征庫。通過這些方案，我們的特征庫訓(xùn)練變得實(shí)際可行，并且給出了一個(gè)時(shí)間曲線。
　　 然后，我們提出了用選擇和回溯的方法來訓(xùn)練分類器。區(qū)別于FloatBoost算法的一個(gè)特征一個(gè)回溯的繁重運(yùn)算任務(wù)，我們的做法先建立一個(gè)容量足夠大的特征庫，通過性能指標(biāo)函數(shù)來衡量和選取特征。初始的強(qiáng)分類器特征為空，通過指標(biāo)函數(shù)來選擇特征加入到強(qiáng)分類器中，不同的階段選用不同的步長，從大到小，粒度由粗到細(xì)。每加入一批特征，我們就用回溯搜索來優(yōu)化，