基于部分集分類器和并行計算的人臉檢測訓練.pdf

1、隨著機器學習和計算機視覺研究的不斷發(fā)展，通過算法自動對現(xiàn)實世界里的目標物進行檢測成為了可能。而在目標物檢測領域內，人臉檢測無疑是現(xiàn)實需求最大、相關研究最多的領域之一。
　　 人臉檢測的算法自從選擇了Adaboost機器學習算法作為主要框架，并由Viola和Jones進行了適用于人臉特征的改進后，已經漸漸從實驗室的理論走向了成熟和實用。不過在實際應用鋪開的同時，人臉檢測的研究領域里其實還有許多尚待解決的問題，分類器訓練時間過長就是

2、問題之一。為了縮短訓練分類器所需時間，本文提出了兩種方法對人臉檢測算法進行改進。
　　 首先，本文提出了部分集分類器的猜想，即在分類器學習過程中，不完全學習在一定條件下等同于完全學習，用部分采樣代替完全學習來減少訓練時間。按照此猜想，本文提出了構建部分集分類器的固定分塊法和可變分塊法，并將其運用在Haar特征窗口和樣本圖像塊的匹配計算上。實驗證明，部分集分類器的猜想是可行的，在顯著地減少訓練時間的同時，對檢測精度的影響很小。

3、r>　　 其次，本文分析了人臉檢測算法中可以并行化的過程：Adaboost樣本訓練過程和Bootstrapping圖像塊篩選過程。在OpenMP平臺的支持下，本文用四核并行框架對算法進行了優(yōu)化處理。實驗表明，并行優(yōu)化后的算法訓練時間明顯下降，而且由于圖像計算中弱關聯(lián)性的特點，并行化不會影響檢測精度。
　　 最后，我們把部分集分類器和并行計算框架這兩種方法結合起來，在實驗中使算法的訓練時間減少為優(yōu)化前的六分之一，并和人臉檢測領域