基于改進(jìn)膚色模型的AdaBoost人臉檢測(cè)算法研究.pdf

1、人臉檢測(cè)是指通過(guò)一定的檢測(cè)順序和檢測(cè)算法搜索目標(biāo)圖像（或目標(biāo)視頻）中是否含有人臉特征，若含有人臉特征則返回人臉的位置信息和大小信息的過(guò)程。同時(shí)，人臉檢測(cè)也是人臉識(shí)別、表情識(shí)別等信息處理算法的首要環(huán)節(jié)，其檢測(cè)結(jié)果無(wú)論從正確率或是檢測(cè)速度等方面都直接影響后續(xù)工作的效果。因此，隨著計(jì)算機(jī)視覺(jué)和人工智能等相關(guān)領(lǐng)域的發(fā)展，人臉檢測(cè)工作的重要地位愈加明顯，而人臉檢測(cè)也逐漸成為研究領(lǐng)域內(nèi)的熱點(diǎn)課題。
　　本文設(shè)計(jì)出一種將膚色模型和AdaBoos

2、t（Adaptive Boost）算法相結(jié)合的新的人臉檢測(cè)算法，該方法可以避免傳統(tǒng)方法中檢測(cè)率不夠高、訓(xùn)練時(shí)間太長(zhǎng)、容易受外界環(huán)境和檢測(cè)主體的變化所影響等幾方面不足。該方法將簡(jiǎn)單的膚色模型直接作為AdaBoost算法的弱分類器，并按AdaBoost算法規(guī)則進(jìn)行訓(xùn)練和檢測(cè)，得到多個(gè)分類能力較強(qiáng)的強(qiáng)分類器，以實(shí)現(xiàn)對(duì)人臉的精確定位。本文主要的工作內(nèi)容有以下四個(gè)方面：
　　（1）研究了基于膚色模型的人臉檢測(cè)算法。分析膚色在不同顏色空間中的

3、聚類效果以及不同膚色模型的擬合效果。給出了基于膚色模型的人臉檢測(cè)方法的檢測(cè)結(jié)果并進(jìn)行分析。整體的檢測(cè)過(guò)程包括圖像預(yù)處理（圖像光補(bǔ)償、尺寸歸一化）、顏色空間投影、膚色模型建立和擬合，以及利用數(shù)學(xué)形態(tài)學(xué)對(duì)檢測(cè)結(jié)果作進(jìn)一步處理。
　?。?）研究了AdaBoost人臉檢測(cè)算法。分析該算法的算法原理、檢測(cè)規(guī)則和運(yùn)算過(guò)程等，包括Haar特征和積分圖的提出和計(jì)算方法，弱分類器的構(gòu)造和訓(xùn)練，級(jí)聯(lián)分類器的構(gòu)造和訓(xùn)練，以及AdaBoost算法的檢測(cè)規(guī)

4、則。對(duì)該算法進(jìn)行仿真，針對(duì)仿真得到的結(jié)果從主觀（人眼觀測(cè)）和客觀（數(shù)據(jù)分析）等方面進(jìn)行優(yōu)缺點(diǎn)分析對(duì)比。
　?。?）提出改進(jìn)的 AdaBoost人臉檢測(cè)方法。該方法首先在橢圓膚色模型的基礎(chǔ)上對(duì)其進(jìn)行改進(jìn)，提出了形式更為簡(jiǎn)單、參數(shù)更少的圓形膚色模型，并且將該膚色模型直接作為AdaBoost算法的弱分類器，有效提高了弱分類器的檢測(cè)精度；由于單個(gè)弱分類器的檢測(cè)精度更高，因此無(wú)需遍歷測(cè)試圖像的Haar特征，有效地降低了AdaBoost算法的

5、離線訓(xùn)練時(shí)間，并保證了算法的檢測(cè)率。另外，采用加權(quán)投票的方法判定檢測(cè)結(jié)果，保證了單個(gè)樣本的被測(cè)準(zhǔn)確性。實(shí)驗(yàn)分析可知，改進(jìn)后的AdaBoost人臉檢測(cè)算法有效地避免了傳統(tǒng)AdaBoost算法的退化問(wèn)題和離線訓(xùn)練時(shí)間過(guò)長(zhǎng)等問(wèn)題。有效提高了檢測(cè)率，降低了誤檢率和漏檢率，提高了算法的實(shí)時(shí)性。且該算法對(duì)檢測(cè)對(duì)象約束條件很低，具有較好的魯棒性。
　　（4）針對(duì)復(fù)雜背景（類膚色、極端光照環(huán)境、非人臉的裸露皮膚）對(duì)人臉檢測(cè)工作的干擾，提出將視覺(jué)顯