復(fù)雜背景下多視角人臉檢測(cè)研究.pdf

1、人臉檢測(cè)是指采用特定的方法對(duì)要求的檢測(cè)樣本進(jìn)行搜索，判斷是否存在人臉，若存在人臉，就在檢測(cè)樣本中標(biāo)注出入臉的過程，是人臉識(shí)別的一個(gè)重要部分。人臉檢測(cè)是復(fù)雜的模式分類問題，相關(guān)研究多集中在簡(jiǎn)單背景下的人臉，但隨著視頻會(huì)議、安全監(jiān)控等技術(shù)的廣泛應(yīng)用，復(fù)雜背景中的人臉檢測(cè)逐漸成為模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域中的研究熱點(diǎn)，本文主要針對(duì)復(fù)雜背景下的多視角人臉檢測(cè)問題進(jìn)行了相關(guān)研究。
　　首先研究了聚合通道特征的應(yīng)用。聚合通道特征(Aggrega

2、te Channel Feature)拓展了原始圖像的通道，將原始圖像從三通道提升到十通道，然后在十通道內(nèi)任意選擇不同大小、不同位置的矩形計(jì)算像素值作為候選特征構(gòu)成人臉特征集。聚合通道特征與Haar矩形特征表現(xiàn)形式相同，但聚合通道特征在幾乎不引入額外計(jì)算量的情況下，大幅度提高了特征的表征能力。實(shí)驗(yàn)證明，聚合通道特征結(jié)構(gòu)簡(jiǎn)單，計(jì)算速度塊。
　　其次，將AdaBoost算法與嵌套級(jí)聯(lián)算法結(jié)合在一起，提出AdaBoost-Nesting

3、算法訓(xùn)練人臉分類器。本文對(duì)Adaboost算法進(jìn)行研究，該算法的基本思想是按一定規(guī)則組合多個(gè)弱分類器能夠獲得性能較強(qiáng)的強(qiáng)分類器;針對(duì)傳統(tǒng)級(jí)聯(lián)結(jié)構(gòu)各節(jié)點(diǎn)分類器獨(dú)立訓(xùn)練，前面節(jié)點(diǎn)訓(xùn)練過程中的信息只被用來進(jìn)行二分類（人臉或非人臉）的判定，沒有進(jìn)行后續(xù)應(yīng)用，損失了大量信息這一不足，將AdaBoost算法與嵌套級(jí)聯(lián)算法結(jié)合在一起，提出AdaBoost-Nesting訓(xùn)練算法，該算法能夠合理利用相鄰節(jié)點(diǎn)間的訓(xùn)練信息，降低計(jì)算負(fù)擔(dān)。
　　此外，

4、傳統(tǒng)的姿態(tài)估計(jì)方法是將待檢測(cè)樣本送入單獨(dú)訓(xùn)練的姿態(tài)分類器中進(jìn)行姿態(tài)估計(jì)，依據(jù)姿態(tài)估計(jì)的結(jié)果，選擇特定的視角檢測(cè)器進(jìn)一步處理待檢測(cè)樣本，姿態(tài)估計(jì)的計(jì)算量將被全部加入到待檢測(cè)樣本的平均計(jì)算量中，導(dǎo)致了檢測(cè)速度的下降。本文針對(duì)這一問題，引入了改進(jìn)的姿態(tài)估計(jì)策略。
　　本文針對(duì)復(fù)雜背景下的多視角人臉檢測(cè)問題，利用聚合通道特征表征復(fù)雜背景下的人臉信息，通過AdaBoost-Nesting算法訓(xùn)練得到各個(gè)視角檢測(cè)器，再與改進(jìn)的姿態(tài)估計(jì)相結(jié)合，