一種魯棒的人臉檢測方法.pdf

1、基于機器學習的方法由于其好的檢測效果而成為現(xiàn)在主流的人臉檢測方法，然而，和其它方法一樣，這類方法也存在著如何協(xié)調(diào)好性能和效率方面的問題，針對這類方法目前存在的一些問題，本文提出了一種新的基于學習的人臉檢測方法，主要內(nèi)容包括以下幾個方面：第一、提出了一種新的人臉全局特征以及用該特征來構(gòu)建弱分類器的方法。選擇特征并構(gòu)建弱分類器是基于學習的檢測方法中重要的一步，本文提出了一種線性的全局特征，即單位平均臉特征，利用直方圖的統(tǒng)計特性，根據(jù)Neym

2、an-Pearson決策規(guī)則可以得出用于分類的判別函數(shù)，設(shè)計出與全局特征相對應(yīng)的弱分類器，同時本文也給出了這種弱分類器的學習算法。 第二、提出了一種在結(jié)合全局特征的情況下進行局部特征的選擇和計算方法。在人臉檢測技術(shù)發(fā)展的過程中，特征始終扮演著重要的角色，特征對學習算法最終學到的結(jié)果有非常大的影響，如何選擇特征并設(shè)計弱分類器是基于學習的檢測方法中重要的一個環(huán)節(jié)。針對目前基于學習的檢測方法只使用局部特征時存在的問題，本文提出了一種在

3、結(jié)合全局特征的情況下進行局部特征的選擇方法，即只在訓練樣本的部分區(qū)域內(nèi)選擇局部特征，這種選擇方法提高了人臉檢測的魯棒性，同時也為怎樣解決人臉檢測中的遮擋問題提供了一個新的思路。 第三、將全局特征和局部特征相結(jié)合來訓練分類器，提高了分類器的魯棒性。人臉檢測器本質(zhì)上是一個分類器，本文以單位平均臉特征作為全局特征，以矩形特征作為局部特征，將兩者相結(jié)合來訓練分類器并給出了訓練算法，通過該算法訓練出的人臉檢測器在具有較少特征的情況下仍能達

4、到較高的檢測率，同時又能保持較低的誤檢率，并且該檢測器能夠檢測具有部分遮擋的人臉，顯示出較高的魯棒性。這種將全局特征和局部特征相結(jié)合從多個角度對事物進行判別分析的方法符合方法論的觀點。 在MIT+CMU人臉數(shù)據(jù)庫上的檢測實驗結(jié)果表明，我們的人臉檢測器具有較高的檢測率95％和較低的誤檢率10-6，能夠檢測具有部分遮擋的人臉，具有較高的魯棒性；對大小為320×240的圖像進行檢測的時間為0.08秒。作為一種基于學習的檢測方法，本文方