靜態(tài)圖像中人臉位置檢測及應用研究.pdf

1、生物識別技術是一種用智能機器來模擬辨別驗證身份的一種技術，其中人臉識別技術可以利用人臉部的生理或行為特征來檢測圖像中的人臉位置或識別出人的身份。由于人臉形態(tài)多變以及光照、環(huán)境等外在因素的影響，目前從人臉識別技術的研究現(xiàn)狀來看，現(xiàn)有算法仍然存在種種弊端，大都需要根據(jù)具體用途和背景調整現(xiàn)有的算法。人臉是人體的一項重要的生物特征，人臉檢測在人臉識別中起著非常重要的作用，準確的人臉位置的檢測結果可以有效地提高人臉識別率；隨著信息技術的發(fā)展，生物

2、識別技術的應用領域也日趨廣泛，因此人臉識別算法需要做深入的研究。
　　本文對多種人臉識別算法進行了研究，重點研究了AdaBoost算法和2DPCA結合AdaBoost人臉檢測算法。分析了AdaBoost算法的優(yōu)缺點，改進了兩種不同的弱分類器樣本；利用2DPCA算法對人臉圖像進行訓練形成特征臉空間，結合AdaBoost學習算法將多個弱分類器組合成強分類器。
　　AdaBoost算法是機器學習中比較流行的算法，是一種多項式級別的

3、Boosting算法。AdaBoost是通過調整訓練樣本的閾值改變整體數(shù)據(jù)分布的，它根據(jù)訓練樣本每次分類是否正確和總體訓練樣本的分類準確率，確定訓練集中樣本的下一步的閾值。由于圖像中人臉的扭轉角度不同，圖像背景的復雜程度的不同，實驗結果的檢測率和誤檢率會出現(xiàn)很大差別。本文第三章提出了一種基于 Haar-like和AdaBoost結合的人臉檢測算法，改進了表征人臉的Haar-like模版，主要目的是來表征有一定扭轉側度的人臉，結合AdaB

4、oost算法，訓練出強分類器，然后通過強分類器加權級聯(lián)，組合成分類能力更強的級聯(lián)分類器
　　主成分分析法（Principal Component Analysis, PCA）作為最成功的線性鑒別方法之一，目前仍然被廣泛應用于人臉等數(shù)字圖像處理領域；AdaBoost是一種具有自適應學習能力的機器學習算法。本文第四章提出一種將二者結合的算法，即一種基于2DPCA-AdaBoost的人臉檢測算法，將二維主成分分析和 AdaBoost結合