基于改進膚色模型的AdaBoost人臉檢測算法研究.pdf

1、人臉檢測是指通過一定的檢測順序和檢測算法搜索目標圖像（或目標視頻）中是否含有人臉特征，若含有人臉特征則返回人臉的位置信息和大小信息的過程。同時，人臉檢測也是人臉識別、表情識別等信息處理算法的首要環(huán)節(jié)，其檢測結(jié)果無論從正確率或是檢測速度等方面都直接影響后續(xù)工作的效果。因此，隨著計算機視覺和人工智能等相關(guān)領(lǐng)域的發(fā)展，人臉檢測工作的重要地位愈加明顯，而人臉檢測也逐漸成為研究領(lǐng)域內(nèi)的熱點課題。
　　本文設(shè)計出一種將膚色模型和AdaBoos

2、t（Adaptive Boost）算法相結(jié)合的新的人臉檢測算法，該方法可以避免傳統(tǒng)方法中檢測率不夠高、訓練時間太長、容易受外界環(huán)境和檢測主體的變化所影響等幾方面不足。該方法將簡單的膚色模型直接作為AdaBoost算法的弱分類器，并按AdaBoost算法規(guī)則進行訓練和檢測，得到多個分類能力較強的強分類器，以實現(xiàn)對人臉的精確定位。本文主要的工作內(nèi)容有以下四個方面：
　?。?）研究了基于膚色模型的人臉檢測算法。分析膚色在不同顏色空間中的

3、聚類效果以及不同膚色模型的擬合效果。給出了基于膚色模型的人臉檢測方法的檢測結(jié)果并進行分析。整體的檢測過程包括圖像預處理（圖像光補償、尺寸歸一化）、顏色空間投影、膚色模型建立和擬合，以及利用數(shù)學形態(tài)學對檢測結(jié)果作進一步處理。
　　（2）研究了AdaBoost人臉檢測算法。分析該算法的算法原理、檢測規(guī)則和運算過程等，包括Haar特征和積分圖的提出和計算方法，弱分類器的構(gòu)造和訓練，級聯(lián)分類器的構(gòu)造和訓練，以及AdaBoost算法的檢測規(guī)

4、則。對該算法進行仿真，針對仿真得到的結(jié)果從主觀（人眼觀測）和客觀（數(shù)據(jù)分析）等方面進行優(yōu)缺點分析對比。
　?。?）提出改進的 AdaBoost人臉檢測方法。該方法首先在橢圓膚色模型的基礎(chǔ)上對其進行改進，提出了形式更為簡單、參數(shù)更少的圓形膚色模型，并且將該膚色模型直接作為AdaBoost算法的弱分類器，有效提高了弱分類器的檢測精度；由于單個弱分類器的檢測精度更高，因此無需遍歷測試圖像的Haar特征，有效地降低了AdaBoost算法的

5、離線訓練時間，并保證了算法的檢測率。另外，采用加權(quán)投票的方法判定檢測結(jié)果，保證了單個樣本的被測準確性。實驗分析可知，改進后的AdaBoost人臉檢測算法有效地避免了傳統(tǒng)AdaBoost算法的退化問題和離線訓練時間過長等問題。有效提高了檢測率，降低了誤檢率和漏檢率，提高了算法的實時性。且該算法對檢測對象約束條件很低，具有較好的魯棒性。
　?。?）針對復雜背景（類膚色、極端光照環(huán)境、非人臉的裸露皮膚）對人臉檢測工作的干擾，提出將視覺顯