基于改進(jìn)型LBP和Floatboost的人臉檢測(cè)研究.pdf

1、人臉檢測(cè)作為人臉識(shí)別的前提條件，其檢測(cè)效率和速度都會(huì)影響到人臉識(shí)別的識(shí)別效果，因此人臉檢測(cè)越來越受到研究者的關(guān)注，并提出了大量的人臉檢測(cè)算法?；诰植刻卣鞯姆椒梢钥焖俨?zhǔn)確地確定一幅圖像中是否存在人臉，但卻很難檢測(cè)出一幅圖像中人臉的大小和具體位置。其主要的難點(diǎn)是人臉模式可變性和外部條件，如人臉表情的多樣性，光照等。
　　由于上述原因，提出了大量的基于統(tǒng)計(jì)理論的機(jī)器學(xué)習(xí)算法，并得到了快速的發(fā)展。該類算法的優(yōu)點(diǎn)是具有一定的自學(xué)習(xí)能力

2、，根據(jù)測(cè)試集可以建立檢測(cè)模型，進(jìn)而對(duì)測(cè)試集進(jìn)行檢測(cè)。2004年Viola將基于矩陣特征的Adaboost算法應(yīng)用在人臉檢測(cè)中，使用Adaboost進(jìn)行學(xué)習(xí)生成強(qiáng)分類器，取得了較好的檢測(cè)效果，該算法是人臉檢測(cè)領(lǐng)域的經(jīng)典算法之一。然而，該算法所選的特征是最原始的矩陣特征，為了達(dá)到較高的檢測(cè)率，不得不選擇很多特征值，而且級(jí)聯(lián)的級(jí)數(shù)過高，難以滿足實(shí)時(shí)檢測(cè)的需求。而Schmid提出的CS-LBP特征可以很好的表示人臉局部紋理特征，這將大大提高人臉

3、檢測(cè)速度。而 Floatboost在一定程度上解決了Adaboost獲得的強(qiáng)分類器并不一定是最好的分類器的問題。
　　因此本文結(jié)合CS-LBP特征和級(jí)聯(lián)Floatboost檢測(cè)算法進(jìn)行人臉檢測(cè)。為了兼顧人臉檢測(cè)中的TP、FP和檢測(cè)時(shí)間，做出了如下改進(jìn)：a)對(duì)CS-LBP紋理特征進(jìn)行改進(jìn)，提出一種計(jì)算簡(jiǎn)便且表現(xiàn)力強(qiáng)的紋理特征，來減少FP和加快檢測(cè)速度。b)為了進(jìn)一步提高Floatboost的性能，采用雙閾值 Floatboost算法

4、來訓(xùn)練強(qiáng)分類器，可以進(jìn)一步地減少級(jí)聯(lián)的級(jí)數(shù)，從而加快檢測(cè)速度。
　　通過上述幾個(gè)方面的改進(jìn)，在MIT CBCL，BioID和AT&T數(shù)據(jù)庫中的驗(yàn)證結(jié)果表明：本文提出的基于改進(jìn)型LBP和Floatboost的人臉檢測(cè)算法在保證了高TP的同時(shí)，還減小了FP和檢測(cè)時(shí)間。
　　最后將分層過濾思想應(yīng)用于灰度圖像處理中，即先采用基于 haar-like特征的雙閾值Floatboost級(jí)聯(lián)分類器來快速地選取人臉候選區(qū)域，然后在人臉候選區(qū)域