基于改進型LBP和Floatboost的人臉檢測研究.pdf

1、人臉檢測作為人臉識別的前提條件，其檢測效率和速度都會影響到人臉識別的識別效果，因此人臉檢測越來越受到研究者的關(guān)注，并提出了大量的人臉檢測算法?；诰植刻卣鞯姆椒梢钥焖俨蚀_地確定一幅圖像中是否存在人臉，但卻很難檢測出一幅圖像中人臉的大小和具體位置。其主要的難點是人臉模式可變性和外部條件，如人臉表情的多樣性，光照等。
　　由于上述原因，提出了大量的基于統(tǒng)計理論的機器學習算法，并得到了快速的發(fā)展。該類算法的優(yōu)點是具有一定的自學習能力

2、，根據(jù)測試集可以建立檢測模型，進而對測試集進行檢測。2004年Viola將基于矩陣特征的Adaboost算法應(yīng)用在人臉檢測中，使用Adaboost進行學習生成強分類器，取得了較好的檢測效果，該算法是人臉檢測領(lǐng)域的經(jīng)典算法之一。然而，該算法所選的特征是最原始的矩陣特征，為了達到較高的檢測率，不得不選擇很多特征值，而且級聯(lián)的級數(shù)過高，難以滿足實時檢測的需求。而Schmid提出的CS-LBP特征可以很好的表示人臉局部紋理特征，這將大大提高人臉

3、檢測速度。而 Floatboost在一定程度上解決了Adaboost獲得的強分類器并不一定是最好的分類器的問題。
　　因此本文結(jié)合CS-LBP特征和級聯(lián)Floatboost檢測算法進行人臉檢測。為了兼顧人臉檢測中的TP、FP和檢測時間，做出了如下改進：a)對CS-LBP紋理特征進行改進，提出一種計算簡便且表現(xiàn)力強的紋理特征，來減少FP和加快檢測速度。b)為了進一步提高Floatboost的性能，采用雙閾值 Floatboost算法

4、來訓練強分類器，可以進一步地減少級聯(lián)的級數(shù)，從而加快檢測速度。
　　通過上述幾個方面的改進，在MIT CBCL，BioID和AT&T數(shù)據(jù)庫中的驗證結(jié)果表明：本文提出的基于改進型LBP和Floatboost的人臉檢測算法在保證了高TP的同時，還減小了FP和檢測時間。
　　最后將分層過濾思想應(yīng)用于灰度圖像處理中，即先采用基于 haar-like特征的雙閾值Floatboost級聯(lián)分類器來快速地選取人臉候選區(qū)域，然后在人臉候選區(qū)域