基于多分類器集成方法的圖象目標(biāo)快速檢測與識別.pdf

1、本文在分析了大量近年來國內(nèi)外關(guān)于人臉檢測與識別的學(xué)術(shù)論文及研究報告的基礎(chǔ)上,對計算機人臉識別技術(shù)的若干理論問題進行了探討,提出了基于靜態(tài)圖象的正面人臉檢測與人臉識別的方法.實驗證明本文提出的方法是合理的,具有一定的理論價值與實用價值.本文的研究工作主要包括以下幾個方面:(1)研究了人臉目標(biāo)檢測與識別的特征提取方法.針對建立人臉感知系統(tǒng)的兩個主要環(huán)節(jié)即特征提取和分類器設(shè)計進行了深入的研究.人臉檢測和識別過程中的圖象特征建模過程,與分類器分

2、類過程間存在兩種權(quán)衡:即特征提取和分類過程的運算效率之間的權(quán)衡,以及運算效率和準(zhǔn)確率之間的權(quán)衡.(2)提出一種高效的基于靜態(tài)圖象人臉目標(biāo)檢測的訓(xùn)練框架.首先提出一種魯棒的基于灰度圖象的人臉檢測方法.利用實際圖象中人臉模式類的概率遠遠小于背景類的概率這個事實,用模式拒絕原理選擇局部特征,并用信息論中Kullback-Leibler散度進一步選取有效的統(tǒng)計特征組合分類器進行最終判決.為保證檢測的速度,使用Haar-like小波基作為特征,積

3、分圖象的方法用于特征的實時計算.而后這種方法與膚色模型相結(jié)合,進行彩色圖象中人臉檢測.(3)提出一種獨立分量分析(ICA)和支持向量機(SVM)相結(jié)合的人臉識別方法.首先提出人臉五官顯著特征和輪廓關(guān)鍵點的檢測方法,對人臉圖象進行準(zhǔn)確歸一化對齊,以減小人臉變形引起的差異.然后針對圖象對齊結(jié)果進行獨立分量分析,提取全局識別特征,分類階段采用層級決策SVM分類器.(4)提出利用Boosting方法進行基于局部弱分類器集成的人臉識別方法.隨著機

4、器學(xué)習(xí)理論的崛起,組合多個分類器的集成學(xué)習(xí)方法因其具有泛化能力強和不易出現(xiàn)過學(xué)習(xí)等優(yōu)點,逐漸成為模式識別領(lǐng)域的研究熱點.將人臉模式的相似度分為"類內(nèi)差"和"類間差",從而將多類識別問題轉(zhuǎn)換為兩類識別問題.通過在離散小波分解的不同頻率域的局部區(qū)域采樣構(gòu)造弱分類器,并用AdaBoost算法訓(xùn)練進行自適應(yīng)集成,最終的匹配決策是由多個弱分類器結(jié)果加權(quán)組合而成.(5)充分利用模式拒絕的思想,并貫穿了人臉檢測和識別的全部過程.模式拒絕有效地解決了人