基于Adaboost人臉檢測(cè)算法的研究及實(shí)現(xiàn).pdf

1、人臉檢測(cè)是一種非接觸性生物特征檢測(cè)，以數(shù)據(jù)采集方便和應(yīng)用范圍廣泛等特點(diǎn)，在數(shù)據(jù)挖掘和模式識(shí)別領(lǐng)域成為了一個(gè)熱點(diǎn)研究課題?，F(xiàn)代社會(huì)是追求效率的時(shí)代，越來(lái)越多的實(shí)時(shí)信息采用圖像和視頻方式保存，如何從海量數(shù)據(jù)中高效檢測(cè)人臉成為一個(gè)迫切需要解決的問(wèn)題。Adaboost算法是近年來(lái)較流行的機(jī)器學(xué)習(xí)算法，被許多研究者應(yīng)用到人臉檢測(cè)領(lǐng)域。本文以經(jīng)典Adaboost算法為基礎(chǔ)，分別在算法學(xué)習(xí)、算法檢測(cè)過(guò)程對(duì)其進(jìn)行優(yōu)化，之后運(yùn)用到圖像、視頻和實(shí)時(shí)人臉檢測(cè)

2、中。研究工作如下所示:
　　(1)綜述了國(guó)內(nèi)外人臉檢測(cè)技術(shù)的研究現(xiàn)狀，并總結(jié)所存在的問(wèn)題。
　　(2)對(duì)Adaboost人臉檢測(cè)算法做深入研究，分析算法的基本思想和實(shí)現(xiàn)過(guò)程，并依次介紹了Haar特征、積分圖和分類(lèi)器的原理。
　　(3)改進(jìn)Adaboost算法訓(xùn)練過(guò)程可有效提高算法性能:首先，為避免算法學(xué)習(xí)過(guò)程中因訓(xùn)練樣本單一出現(xiàn)訓(xùn)練過(guò)度現(xiàn)象，提出豐富訓(xùn)練樣本的解決方案，將訓(xùn)練圖像進(jìn)行處理后作為新樣本加入訓(xùn)練集。其次，針

3、對(duì)算法學(xué)習(xí)過(guò)程中Haar特征計(jì)算量龐大的現(xiàn)象，根據(jù)人臉位于訓(xùn)練圖像中央位置的先驗(yàn)知識(shí)，提出對(duì)樣本尺寸“裁剪”的方法有效減少特征數(shù)量。最后，針對(duì)難分類(lèi)樣本在多次訓(xùn)練后出現(xiàn)樣本權(quán)重分配失衡的問(wèn)題，結(jié)合正負(fù)誤差比和分類(lèi)器錯(cuò)誤率提出新的權(quán)重分配原則。改進(jìn)后的Adaboost算法不僅可有效避免嚴(yán)重的權(quán)重分配失衡還可提高檢測(cè)性能。
　　(4)為減少Adaboost算法檢測(cè)過(guò)程出現(xiàn)的誤報(bào)，提出前端和后端兩種方法縮減誤報(bào)。前端誤報(bào)縮減是指在分類(lèi)器