《AdaBoost基于几何特征的人脸图像检测研究.doc》由会员分享，可在线阅读，更多相关《AdaBoost基于几何特征的人脸图像检测研究.doc（11页珍藏版）》请在金锄头文库上搜索。
1、-范文最新推荐- AdaBoost基于几何特征的人脸图像检测研究 摘要人脸检测是人脸信息处理分析中一项十分关键技术，它最初主要来源于人脸识别，是自动人脸识别系统中的一个重要环节，已成为计算机视觉和模式识别等领域内一项十分活跃而又热门的研究型课题，在视频检测与跟踪、基于内容检索、表情识别、视频编码、出入境安全检查、视觉监测等方面都有着非常重要的作用和实际应用价值。由于目前人脸检测正脸的检测效果比较好，而对侧脸的检测效果就比较差，因此本课题将重心放在了对侧面人脸的检测上，当然，这是在能够检测正脸的基础上。本课题主要是通过检测人眼、鼻子和嘴巴这些特征以及这些特征所独具的几何分布来检测人脸。使用Ada
2、Boost算法训练各特征的分类器来检测人脸五官，对人脸进行统计分析并设计多种人脸特征几何分布的模板，从而实现一个能检测图像中人脸尤其是侧脸的检测系统。12664关键词侧脸检测AdaBoost Opencv特征检测特征组合侧脸模板毕业设计说明书（论文）外文摘要TitleThe Design and Implementation of The detection of Face image Based on The geometric characteristicsAbstractFace detection is a crucial technology in face information
3、processing and analysis. It initially comes from face recognition. It is an important part of automatic face recognition system and it has become a very active and popular research topic in the field of computer vision and pattern recognition. Face detection has a very important role and practical a
4、pplication value in aspects of video detection and tracking, content-based retrieval,face recognition ,video coding ,immigration and security checks along with visual monitoring.Currently, the result of the front face detection is relatively good. However, the detection results of the side faces are
5、 rather poor. This subject will focus on detecting side of the face. Of course, it is based on being able to detect the front face. The topic detects the human face in the picture mainly through the detection of the characteristics as the human eyes, nose and mouse and the unique geometric distribut
6、ion of these characteristics. We use the AdaBoost algorithm to train the classifier of features and then use these classifiers to detect the facial features. We conducted a statistical analysis of human faces and designed a variety of facial feature geometric distribution templates. With these templ
7、ates, wetry to achieve a face detection system ,which can detect the human face from the image, especially the side faces. 3.1初步分析133.2实现细节及说明183.2.1 核心函数介绍183.2.2 检测的实现细节和说明194.实验结果与分析214.1环境214.2分类器的训练214.3实验结果分析23结论30致谢31参 考 文 献321.绪论1.1概述目前人脸识别应用在社会的众多领域中，如企业、住宅安全和管理中的人脸识别门禁考勤系统，人脸识别防盗门；电子护照及身份证
8、；公安、司法和刑侦；自助服务；信息安全等。人脸检测是人脸识别技术中的关键问题。人脸检测是指对于任意一幅给定的图像或者一组图像序列，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小、个数和空间分布等信息。人脸检测是一个复杂的具有挑战性的模式检测问题，其主要的难点有两个方面，一方面是由于人脸内在的变化引起的：（1）人脸具有相当复杂的细节变化，不同的外貌如脸型、肤色等，不同的表情如眼，嘴的开和闭等，即具有模式的可变性；（2）人脸的遮挡，如眼镜，头发和头部饰物以及其他外部物体等，另一方面是由于外在的条件变化所引起的：（1）由于成像角度的不同造成人脸的多姿态，如俯仰，摇摆和
9、倾斜等；（2）光照的影响，如图像中的亮度，对比度的变化和阴影等；（3）图像的成像条件，图摄像设备的焦距、成像距离、图像获得途径等。根据利用人脸知识的不同，现有的人脸检测方法大致可以分为二大类：基于图像的方法和基于特征的方法两类。 第二章 设计算法的主要理论与技术。详细介绍了本系统涉及到的理论内容与技术，包括AdaBoost算法、Harr特征以及链码追踪等技术。第三章 人脸检测的设计与分析。主要讲述设计思想、实现算法以及功能的描述。第四章 实验分析。讲述了实验环境、前期准备和最终实验结果。第五章 总结。2.论文的核心算法本论文涉及到的理论与技术，包括AdaBoost算法、Harr特征以及链码追踪
10、等技术。2.1AdaBoosting 算法介绍2.1.1 Haar-like特征及特征值的计算影响AdaBoost 人脸检测训练算法速度很重要的两方面是特征选取和特征计算。Viola 选取的特征为Haar-like 特征。Haar-like 特征是一种矩形特征，主要分为三类1: 边缘特征( 水平方向和垂直方向) 、线性特征( 水平方向和垂直方向) 和对角线特征。如图2-1中1 所示。这类特征模板都是由两个或多个全等的矩形相邻组合而成，特征模板内有白色和黑色两种矩形，并定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。图中的2和3则是在此基础上的扩展的Haar特征。图2-1 基本及扩展Har
11、r特征Viola 和Jones 提出将积分图应用到Haar-like 特征值的计算之中，采用这种方法可以只对图像进行一次遍历计算，就能够在很短的时间内完成特征值计算，使得训练和检测的速度大大提升。对于图像内一点( x，y) ，定义其积分图ii( x，y) 为: 其中， ii( x，y) 为原始输入图像。点( x，y) 处的积分图即为该点左上方矩形区域内所有像素之和。由此可见，只需遍历一次原始图像，即可求得所需的矩形框像素和。有了积分图，上述矩形特征就可以通过很少的计算量得到。任意一个矩形内的像素和可以由积分图上对应的四点得到，如图2-3所示。两个矩形内像素和的差可以由积分图上的八点得到。由于上
12、述矩形特征中的矩形都是相邻的，所以两个矩形的特征只需要计算积分图上对应的六点，三个矩形的特征需要计算八点，四个矩形的特征需要计算九点。 AdaBoost算法的具体描述如下：(1)假设输入n个训练样本：x1,y1,x2 ,y2,……,xn ,yn，其中， i y =0,1, i = 1,2,….n ，0 代表假样本，1 代表真样本。已知训练样本中有a 个假样本和b 个真样本。第j 个特征生成的简单分类器如式(1)所示。其中， 表示简单分类器的值； 为阈值； 表示不等号的方向，只能取±1；表示特征值,j = 1,2,…&hell
13、ip;.,n。(2)初始化误差权重。对于=0的假样本，= 1/ 2a ；对于= 1的真样本，= 1/ 2b 。(3)对t = 1,2,…….,T ，T 为训练的次数，进行如下操作。1)归一化权重：2)对每个特征f，训练一个弱分类器 ，计算对应所有特征的弱分类器的加权错误率：3)选取最佳的弱分类器 (拥有最小的错误率 )，加入到强分类器中去。4)按照这个最佳弱分类器，调整权重：其中，=0表示 被正确分类，=1表示 被错误分类，有：形成最后的强分类器：其中， 。2.1.3 分类器的级联最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。 AdaBoost基于几何特征的人脸图像检测研究(4): 11 / 11
