人臉檢測(cè)算法的并行化研究與實(shí)現(xiàn).pdf

1、人臉檢測(cè)是模式識(shí)別與計(jì)算機(jī)視覺研究領(lǐng)域比較基礎(chǔ)和重要的研究課題，在基于內(nèi)容的圖像與視頻檢索、視頻監(jiān)控、智能人機(jī)交互以及自動(dòng)人臉識(shí)別等領(lǐng)域有著重要的應(yīng)用價(jià)值。人臉檢測(cè)是人臉分析的首要環(huán)節(jié)其處理的問題是確認(rèn)圖像中是否存在人臉，如果存在就對(duì)人臉進(jìn)行定位。AdaBoost算法是Viola等人于2001年提出的一種快速人臉檢測(cè)算法，是人臉檢測(cè)領(lǐng)域里具有里程碑式的意義。本文重點(diǎn)研究了基于AdaBoost的人臉檢測(cè)算法。
　　AdaBoost算

2、法是一種可以將弱學(xué)習(xí)轉(zhuǎn)換為強(qiáng)學(xué)習(xí)的方法，從理論上講，只要有足夠多的樣本，訓(xùn)練足夠充分，就可以訓(xùn)練出錯(cuò)誤率無限趨于零的分類器。但是，正因?yàn)槿绱?，?dāng)樣本數(shù)目比較多的時(shí)候，AdaBoost訓(xùn)練算法存在訓(xùn)練時(shí)間過長(zhǎng)的問題。針對(duì)這個(gè)問題，本文首先提出了一個(gè)并行化的AdaBoost人臉檢測(cè)算法，通過對(duì)樣本的分割，使得訓(xùn)練過程得以并行進(jìn)行，顯著地加快了樣本的訓(xùn)練過程，同時(shí)通過對(duì)每一部分樣本訓(xùn)練得到的弱分類器進(jìn)行組合，最終得到的強(qiáng)分類器的錯(cuò)誤率也保持在