基于Adaboost算法的人脸检测研究

论文总字数：21107字

摘 要

人脸检测是人脸分析的关键环节，它起源于人脸识别。主要用于人脸识别前的预处理，来鉴定图像中是否存在人脸，它的应用十分广泛，是信息化时代提高信息处理高效性的一个重要组成部分，具有着重要的应用价值与商业价值。同时，人脸识别也是一个非常困难的研究课题，因为人脸结构差别细微，且易受光照，遮盖等外界因素影响，难以定性描述；人脸识别涉及到很多技术，本文运用的AdaBoost算法是一种快速人脸检测迭代算法，简单来说就是一个弱分类器算法提升的过程，通过训练分类器达到检测的目的，且大大提高了检测精度与速度。其中对于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，本文涉及的特征选取为矩特征-Haar特征，计算的方法为积分图，并通过对AdaBoost算法的深入分析和研究运用上述矩形特征搭建了一个快速人脸检测系统。

  

关键词:AdaBoost方法，人脸检测，积分图，弱分类器，强分类器，级联分类器

.

Abstract: Face detection is the key link of face analysis. It originates from face recognition. It is mainly used for preprocessing before face recognition to determine whether there is a human face in the image. Its application is very extensive, it is an important component of information processing efficiency in the information age, which has important application value and commercial value. At the same time, face recognition is also a very difficult research topic because of the subtle differences in face structure, and easy to be exposed to light, covering and other external factors, which are difficult to describe in a qualitative way. Face recognition involves a lot of technology, this paper USES the AdaBoost algorithm is a fast iterative algorithm of face detection, is simply a weak classifier algorithm, the process of ascension through training classifier achieve the purpose of testing, and greatly improve the detection accuracy and speed. Which is important for AdaBoost training algorithm for face detection speed of the two aspects is feature selection and feature calculation, this paper involves the features selected for the Haar features, calculation method for integral figure, and through the in-depth analysis and study of AdaBoost algorithm using the rectangle features built a fast face detection system.

Keywords: AdaBoost method, face detection, integration graph, weak classifier, strong classifier, Cascade classifier

目 录

1 绪论 4

1.1 人脸识别的概念 4

1.2 研究现状与难点 4

1.3 本文主要研究内容 5

1.4 本文内容安排 5

2 经典方法概述 5

2.1 基于线性子空间的方法 5

2.2 基于人工神经网络的方法 6

2.3 基于统计的方法 8

3 AdaBoost人脸识别方法概述 10

3.1 引言 10

3.2 算法描述 11

3.3 矩形特征与积分图 12

3.4 AdaBoost学习算法 16

4 程序实现及结果 21

4.1 人脸检测系统的实现 21

4.2 实验结果 22

参考文献 25

致 谢 26

附件 程序源代码 27

1 绪论

1.1 人脸识别的概念

人脸检测是指对于任意给定的一幅图像，采用特定的方法对其图像中是否含有人脸进行检测，如果含有人脸则返回人脸的位置、大小和姿态，它为身份鉴定提供了技术支持。除了应用于人脸识别，人脸检测的另一个常见的应用就是数码相机及智能手机中的自动对焦技术，即脸部自动对焦。人在进行拍摄时不可避免的会出现抖动，这就对相机的自动曝光和对焦有了更高的要求。使用面部对焦技术的相机就会自动依据画面中人脸的角度和位置进行识别，以确保人脸的清晰和曝光无误，为用户提供良好的产品体验。

1.2 研究现状与难点

人脸检测问题最初来源于人脸识别，人脸自动识别的研究开始于20世纪六七十年代，一个完整的人脸自动识别系统应包括：人脸检测，特征提取，人脸识别三个基本过程。早期的人脸识别主要针对约束条件较强的人脸图像（无背景或者背景单一），往往假设已经知道人脸位置或者人脸很容易获得，因此人脸检测问题未受到重视。随着电子商务和信息安全的快速发展，由于人脸识别的友好性和不接触性，使得人脸识别成为最有潜力的身份验证手段之一，这种应用要求自动人脸识别系统能够适应较为复杂的环境，由此所面临的一系列问题使得人脸检测开始作为一个独立的课题受到研究者的重视。今天，人脸检测的应用领域已经远远超出了人脸识别系统的范畴，它在基于内容的检索、智能人机交互、数字视频处理、门禁系统、银行监控等方面具有重要的应用。

大量的应用需求与商业价值使得人脸检测开始作为一个独立的课题受到研究者的重视。人脸检测可以分为简单背景下的人脸检测和复杂背景下的人脸检测。在早期研究时人脸与背景差异较大所以所用的数据库都是简单背景下的人脸图像，且大多为无遮挡正面人脸图像。而在复杂背景下的人脸检测则需要考虑到因人体面部如头发，眼镜，表情等带来的差异。到目前为止人脸检测仍然是一个富有挑战的课题，它涉及机器学习、模式识别、神经网络、计算视觉、人工智能等学科。它的困难在于：

剩余内容已隐藏，请支付后下载全文，论文总字数：21107字