基于自學(xué)習(xí)特征融合的人臉檢測(cè)算法研究.pdf

1、近幾十年來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展，數(shù)字圖像處理領(lǐng)域有了很大的飛躍。現(xiàn)今的科技產(chǎn)品，例如:視頻監(jiān)控、人臉簽到、數(shù)碼相機(jī)、視頻會(huì)議，還有目前新興的圖片內(nèi)容檢索等，都離不開對(duì)于數(shù)字圖像中人臉的檢測(cè)。人臉檢測(cè)屬于計(jì)算機(jī)視覺的范疇，最早的主要研究是針對(duì)人臉識(shí)別，后來(lái)在復(fù)雜背景下的人臉檢測(cè)越來(lái)越受到重視，人臉檢測(cè)也逐漸作為一個(gè)單獨(dú)的研究方向發(fā)展起來(lái)。人臉檢測(cè)是人臉識(shí)別的基礎(chǔ)，在圖像處理領(lǐng)域一直是非常熱門的研究方向。這些年來(lái)，在人臉檢測(cè)和人臉識(shí)別領(lǐng)域

2、，大量學(xué)者們進(jìn)行了許多方向的深入研究。Freund和Schapire在1995年提出的AdaBoost算法，是對(duì)傳統(tǒng)Boosting算法的一大提升。Boosting算法的核心思想是將弱學(xué)習(xí)算法提升成強(qiáng)學(xué)習(xí)算法，也就是“三個(gè)臭皮匠頂一個(gè)諸葛亮”。2001年，Viola和Jones兩位學(xué)者在AdaBoost算法的基礎(chǔ)上，使用Haar-like特征和積分圖方法進(jìn)行人臉檢測(cè)，他們?cè)O(shè)計(jì)了針對(duì)人臉檢測(cè)更有效的特征，并對(duì)AdaBoost訓(xùn)練出的強(qiáng)分類

3、器進(jìn)行級(jí)聯(lián)。因此這個(gè)算法后來(lái)被稱為Viola-Jones檢測(cè)器。他們的成果極大地促進(jìn)了人臉檢測(cè)的進(jìn)步，具有里程碑式的意義。
　　深度學(xué)習(xí)是近幾年發(fā)展起來(lái)的理論，并不斷取得應(yīng)用的突破。本文借助基于深度學(xué)習(xí)的PCANet算法，實(shí)現(xiàn)了優(yōu)異的人臉檢測(cè)。在使用相同樣本進(jìn)行訓(xùn)練的情況下，這種算法明顯優(yōu)于基于Haar特征的Adaboost算法，并且顯示了良好的泛化能力。
　　本文研究的主題是數(shù)字圖像中的人臉檢測(cè)。通常在樣本的設(shè)計(jì)和選擇中，

4、由于分類器在訓(xùn)練時(shí)需要大量的正負(fù)樣本，這帶來(lái)極大的工作量;在級(jí)聯(lián)分類器訓(xùn)練過(guò)程中對(duì)于檢測(cè)結(jié)果的檢驗(yàn)，必須依賴人工的干預(yù)。因此，本文的目的之一是找到在分類算法中樣本的選擇及訓(xùn)練方法。本文通過(guò)研究基于Haar特征的Adaboost算法和基于深度網(wǎng)絡(luò)學(xué)習(xí)的PCANet算法，將Haar特征和深度網(wǎng)絡(luò)學(xué)習(xí)各自的訓(xùn)練及檢測(cè)融合在一起。然后進(jìn)行升級(jí)式的訓(xùn)練，實(shí)現(xiàn)了人臉和非人臉兩類樣本的不斷收斂，取得了良好的人臉和非人臉的分類效果。最終，使用升級(jí)后的分