復(fù)雜背景下的人臉檢測方法研究.pdf

1、作為人臉識別系統(tǒng)的第一個關(guān)鍵環(huán)節(jié)，人臉檢測在模式識別、計算機視覺和多媒體技術(shù)等領(lǐng)域中占據(jù)著日益重要的地位，因此，人臉檢測逐漸受到研究者重視并且發(fā)展成為一項獨立的研究領(lǐng)域。2001年，Paul Viola和Michael Jones把haar-like特征和積分圖結(jié)合到Adaboost算法中，首次將人臉檢測用于實際的應(yīng)用。此后，基于Adaboost的人臉檢測算法在人臉檢測領(lǐng)域一直處于主導(dǎo)地位并且許多學(xué)者在此算法上進(jìn)行了研究和改進(jìn)。Adab

2、oost算法的思路是先選擇一定數(shù)量且具有權(quán)重的正負(fù)樣本，然后開始第一輪訓(xùn)練，并選擇一個最優(yōu)弱分類器，同時根據(jù)分類結(jié)果更新樣本權(quán)重后進(jìn)入下一輪訓(xùn)練，直到完成T輪訓(xùn)練之后，累計選擇了T個最優(yōu)弱分類器用于構(gòu)造一個強分類器。由于樣本權(quán)重的更新策略和最佳弱分類器的選取會直接影響到強分類器的性能，而傳統(tǒng)Adaboost算法會通過不斷增大被分類錯誤的樣本的權(quán)重，使權(quán)重偏向于某些固定樣本，最終將導(dǎo)致出現(xiàn)退化問題。
　　 本文首先通過參考兩種新提

3、出的強分類器構(gòu)造算法，在此基礎(chǔ)上進(jìn)行綜合和簡化，改進(jìn)了傳統(tǒng)Adaboost算法的樣本權(quán)重調(diào)整策略及弱分類器選擇策略，并將其應(yīng)用到人臉檢測領(lǐng)域，通過實驗證明其在檢測率上有所提高，具有一定的參考和應(yīng)用價值。其次，Adaboost算法雖然具有魯棒性好，檢測速度快的優(yōu)勢，但是對于待檢測圖像自身不利因素的影響卻有些力不從心，比如噪聲、衣服紋理和類似人臉的建筑物表面以及裝飾物等。因此，本文利用膚色特征的優(yōu)點和圖像增強的特點，提出了一種Adaboos

4、t算法結(jié)合空域增強和膚色分割的人臉檢測方法：首先通過基于像素值處理的空域增強算法對待檢測圖像做第一次預(yù)處理以消除噪聲和突出邊緣信息；接著通過膚色分割方法提取出膚色區(qū)域以縮小檢測范圍及降低錯檢風(fēng)險；最后在此候選區(qū)域中通過Adaboost算法定位人臉。實驗表明該方法對單獨使用Adaboost算法檢測人臉時存在的“漏檢”和“錯檢”問題有較好的改善。最后，融合本文改進(jìn)和提出的方法設(shè)計了一個人臉檢測系統(tǒng)，此系統(tǒng)包括了本文提及的幾種Adaboost