当前位置：文档之家 › 基于Adaboost和最小割算法的视频人脸检测

基于Adaboost和最小割算法的视频人脸检测

  • 格式：pdf
  • 大小：274.99 KB
  • 文档页数：4

ＺＨＡＮＧ ｏ‘ ＹＵ Ｗ ｅ— ｕ ． ＬＩ Ｔａ 。 ｉｖ Ｚｈ — ｉ ｉｗｅ
（ ． ｐ ｒ ｎ ｏ Ｐ ｙｉａ ａ ｄ ｌｃｒ ａ Ｉｆｒ ｔ ｎ Ｓ ｉｎ ｅ Ｇｕｙ ｎ Ｃ ｌ ｇ ， ｉａ ｇ ５ ０ ５， ｉａ；．ｃ ｏ ｌ ｆ １ Ｄｅ ａｔ ｔ ｆ ｈ ｓｃｌ ｎ Ｅ ｅｔ ｃ ｌ ｎｏｍａｉ ｃｅ ｃ ， ｉａ ｇ ｏｌ ｅ Ｇｕｙｎ ５ ０ ０ Ｃｈｎ ２Ｓ ｈ ｏ ｏ ｍｅ ｉ ｏ ｅ
ｐ ｓ ｎ ａｇ ｒ ｈ ｂ ｓ ｄ ｏ ｎ ｅ ｔ ａ ｄ Ａｄ ｂ ｏ ｔ ａｇ ｒ ｈ ｎ ｏｄ ｒ ｔ ｅｅ ｔｆ ｃ ｅｔ ｒ ｈ ｓ ａｇ ｒｔｍ ｏ ｕ ｅ ｎ ｏ ｅ ａ ｌｏ ｔ ｍ ａ ｅ ｎ ｍｉ － ｕ ｎ ａ ｏ ｓ ｌｏ ｉ ｍ ｉ ｒ ｅ ｏ ｄ ｔｃ ａ ｅ ｂ ｔ ．Ｔ ｉ ｌ ｏ ｈ ｆｃ ｓ ｓ ｏ ｉ ｔ ｅ ｉ ｔｅ ｏ ｔ ｎ ｎ ｈ ｋ ｎ ｃ ｌｒ ｐｘ ｌ ｉ ｈ ｍａ ｅ ｎ ｎ ｓ ｔ ｅ ｂ ｕ ｄ ｒ ｉ ｅ ｓ ｔｔｌ ｃ ｓ．Ｔ ｅ ｅ ｐ ｒｍｅ ｔｒ ｓ ｌ ｈ ｕ ｌ ｅ ａ ｄ ｔｅ ｓ ｉ － ｏｏ ｉｅ ｎ ｔｅ ｉ ｇ ，ａ ｄ ｆ ｄ ｈ ｏ ｎ ａｙ ｗ ｔ ｌａ ｔ ｏａ ｏ ｔ ｈ ｘ ｅ ｉ ｉ ｈ ｉ ｎ ｅ ｕｔ ｓ ｏ ｄ ｔ ｉ ａｇ ｒ ｈ ｃ ｎ ａ ｈｅ ｅ ｆｃ ｉｉ ｏ ｆ ｃｅ ｔ ． ｈ ｗｅ ｈｓ ｌｏ ｔｍ ａ ｃ ｉｖ ａ ｅ ｄ ｖｓ ｎ ｅｆ ｉｎ ｌ ｉ ｉ ｉ ｙ Ｋｅ ｒ ｓ ｖｄ ｏ ｆｃ ｅｅ ｔ ｎ ｍｉ — ｕ ； ａ ｏ ｓ ａｇ ｒｔｍ ｙ ｗｏ ｄ ： ｉｅ ａ ｅ ｄ ｔｃ ｉ ； ｎ ｃ ｔ Ａｄ ｂ ｏ ｔ ｌ ｏｉ ｏ ｈ
ｔ ｅ ｌ ａｎ ｎ ｖ ｒ Ｈａ ｒ ｌ ｅ ｆａｕ ｅ ａ ｄ ａ ｌ ｓ ｉ ｄ ｖ ｌ ｐ ｔ ｎ ｃａ ｓ ｅ ｈ ｔ ｃ ｎ ｄ ｖｄ ｆｃ ａ ｄ ｎ ｎ ｆｃ ｈ ｅ ｒ ｉ ｇ ｏ ｅ ａ — ｉ ｅ ｔ ｒｓ ｎ ｓ ｍｐ ｅ ， ｔ ｅ ｅｏ ｓ ａ ｓｒ ｇ ｌ ｓｉ ｒ ｔ ａ ａ ｉ ｉｅ ａ ｅ ｎ ｏ － ａ ｅ ｋ ｏ ｉ ｆ
Ａｂ ｔ ａ ｔ Ａｄ ｂ ｏ ｔ ａｇ ｒ ｈ ｉ ｗ ｄ ｌ ｓ ｄ ｉ ａ ｅ ｄ ｔｃ ｉｎ ｔ Ｓ ａ ｆ ｃ ｌｓ ｉ ｅ ｒ ｉ ｇ ａｇ ｒ ｈ ｍｅｈ ｄ ｈ ｏ ｇ ｓｒ ｃ ： ａ ｏ ｓ ｌｏ ｔ ｍ ｓ ｉ ｅｙ ｕ ｅ ｎ ｆ ｃ ｅｅ ｔ ．Ｉ’ ａ ｅ ｃａ ｓｆ ｌａｎ ｎ ｌｏ ｔ ｍ ｔ ｏ ．Ｔ ｒ ｕ ｈ ｉ一 种被 广泛应 用 于人 脸检 测的分 类器 学 习方 法 ，通 过Ｈａｒｌ ｅ ａ ｉ 特征 和样 －ｋ 本 的学 习和训练 ． 形成一 个强 分类 器． 能有效地 区分人 脸跟 非人 脸。 中提 出一种Ａ ａ ｏ ｓ 文 ｄｂ ｏｔ 结合 最 小割算 法的人脸提 取 方法 ． 方法 着眼于 图像 中的轮廓及 肤 色信 息 ， 该 对每 个点设 置一 个权值 ， 寻找 一条权 值最 小的边 界 ．准确 提取 出人脸 。实验 结果表 明 ， ｄｂ Ｏｔ 最小割 的人 脸提取 算 Ａ ａｏ Ｓ 和
文章 编 号 ：０ １ ９ ４２ １）９０ ５ — ４ １０ — ４ （０ ００ ・０ ２ ０ ９
基于 Ａ ａ ｏ ｓ 和最小割算法的视频人脸检 测 ｄ ｂ ｏｔ
张 涛 ， 卫 宇 ，李植 炜 余
（ ． 阳学 院 物 理 与 电子 信 息科 学 系 ， 阳 ５ ０ ０ ； 华 南理 ＿ 大 学 电 子 与信 息 学 院 ， 州 ５ ０ ４ ） １贵 贵 ５ ０ ５ ２． Ｔ － 广 １ ６ ０
ｒ ｇｏ ． Ａｒａ ｇ ｔ ｅ ｔｏ ｇ ｌｓ ｉｙ ｎ ｏ ｏｄ ｒ ｗｈｉｈ ｆ ｒ ａ ｏｅ ｆ ｃｅ ｔ ａ ｅ ｌ ｓｉｙ Ｉ ｔ ｉ ｐ ｐｅ ， ｗｅ ｒ － ｅｉｎ ｒ ｎ ｅ ｈ ｓｒ ｎ ｃａ ｓｆ ｉ ｓ ｍｅ ｒ ｅ ， ｃ ｏ ｍｓ ｍ ｒ ｅｆ ｉｎ ｆｃ ｃａ ｓｆ． ｎ ｈ ｓ ａ ｒ ｉ ｐ ｏ
于场 景较 复杂 ， 人脸 的识别 就变 得 困难 了 。到 目前
Ｅ ｅｔ ｎ ｎ ｎ ｒ ａｉ ｎ ｉｅ ｒ ｇ ｏ ｔ Ｃ ｉａ Ｕ ｉ ｒ ｔ ｏ Ｔ ｃ ｎ ｌｇ ，Ｇ ａ ｇｈ ｕ ５ ０ ４ ， ｈｎ ） ｌｃ ｏ ｉ ａ ｄ Ｉ ｏ ｔ ｎ Ｅ ｇ ｅｉ ，Ｓ ｕ ｈｎ ｎ ｅｓ ｙ ｆ ｅ ｈ ｏ ｙ ｕ ｎ ｚｏ ６ ０ Ｃ ｉａ ｒ ｃ ｆｍ ｏ ｎ ｎ ｈ ｖ ｉ ｏ １
人脸 识别 系统 有 着广 泛 的应用 前景 ． 如人 机交 互、 远程视 频监控 、 公共安全 等方 面。而人脸检 测是 人脸 识别 系统的前提 。人脸检测 就是从各 种不 同的
场 景 中检 测 出人脸 并确 定其 位置 ． 测性 能 的好坏 检
等 ） 因而人脸 的定位 可轻易 做到 。但 大多数 场合 由 ，
法 ， 割 效果较 好 ， 耗 时较 小。 分 且
关键 词 ： 频 人脸 检 测 ： 小 割 ； ｄａ ０ ｔ算 法 视 最 Ａ ｂ ０Ｓ 中图 分 类号 ： ＴＨ８ ５ ６ 文献 标 志码 ： Ｂ
Ｖｉ ｅ ｃ ｔ ｃ ｉ ｎ Ｂａ ｅ ｎ Ａｄ ｂ ｏ ｔ ａ ｄ Ｍ ｉ －ｃ ｔ Ａｌ ｏ ｉｈ ｄ ｏ Ｆａ ｅ Ｄｅ ｅ ｔｏ ｓ ｄ ｏ ａ ｏ ｓ ｎ ｎ ｕ ｇ ｒｔ ｍ

合集下载

基于Adaboost方法的人脸检测的开题报告

基于Adaboost方法的人脸检测的开题报告

基于Adaboost方法的人脸检测的开题报告一、选题背景随着计算机技术的不断发展，人们对计算机视觉方面的需求不断增多。

在计算机视觉中，人脸检测是很重要的一部分。

在许多应用中，如人脸识别、视频监控、图像搜索等都需要先进行人脸检测，从而实现后续处理。

人脸检测是计算机视觉中的一个经典问题，难点在于如何准确地检测出图像中的人脸。

为了解决这个问题，研究人员提出了许多方法，其中基于Adaboost的人脸检测方法是目前被广泛应用的一种方法。

这种方法通过训练大量的弱分类器，最终将它们组合成一个强分类器，从而实现对人脸的检测。

二、研究内容本文的研究内容是基于Adaboost方法的人脸检测。

主要包括以下几个方面：1. Adaboost的原理和流程。

首先要了解Adaboost的基本原理和流程，包括如何选择弱分类器、如何计算权重和误差等。

2. 人脸特征提取。

人脸的特征提取是人脸检测中的一个关键步骤，直接影响人脸检测的准确性。

因此需要探究适用于Adaboost方法的人脸特征提取方法，并对比不同的特征提取方法的性能。

3. 数据集的构建和处理。

数据集的构建和处理可以直接影响人脸检测算法的性能。

因此需要研究如何构建合适的训练集和测试集，并探究针对Adaboost方法的数据集处理方法，如图像预处理等。

4. 实验设计和结果分析。

在上述基础上，进行具体的实验设计，比较不同方法的人脸检测性能。

同时，分析结果，讨论各种方法的适用范围和优缺点。

三、研究意义本文的研究意义主要包括以下几个方面：1. 对Adaboost方法和人脸检测技术的研究。

本文通过对Adaboost方法和人脸检测技术的深入研究，可以增加人们对计算机视觉技术的认识和理解。

2. 对人脸检测算法的改进。

本文研究针对Adaboost方法的人脸检测算法，探究如何提高其准确性和性能，具有一定的实用价值。

3. 对相关领域研究的帮助。

本文对Adaboost方法和人脸检测技术的研究可以为相关领域的研究提供借鉴和参考，并促进相关领域的发展。

基于adaboost算法的人脸检测

基于adaboost算法的人脸检测

15
❖ 对于每个特征 f,计算所有训练样本的特征值，并 将其排序。通过扫描一遍排好序的特征值，可以 为这个特征确定一个最优的阈值，从而训练成一 个弱分类器。具体来说，对排好序的表中的每个 元素，计算下面四个值:
1)全部人脸样本的权重的和 T ; 2) 全部非人脸样本的权重的和 T ； 3) 在此元素之前的人脸样本的权重的和 S ； 4) 在此元素之前的非人脸样本的权重的和 S ；
29
级联分类器的检测示意图如下图:
30
训练L层级联分类器的步骤如下:
❖
（1）训练第i层强分类器
H
(x)
i
;
❖ （2）保存强分类器 H i(x)的参数,即各弱分类器的
参数、强分类器的阈值以及被 H 误i(x) 判为人脸的
非人脸样本；
❖ （3）补充非人脸样本集，组合前i层强分类器对 候选非人脸样本进行检测，将被误判为人脸的非 人脸样本加入到样本集中（人脸样本不更新）；
5
满足（s,t）条件的矩形的数量计算
❖ 对于 mn子窗口,我们只需要确定了矩形左上顶
点和右下顶点，即可以确定一个矩形;如果这个矩 形必须满足下面两个条件（称为（s,t）条件）: （1）x方向边长能被自然数s整除。 （2）y方向边长能被自然数t整除。 满足（s,t）条定左上角位置，则左上角可以选择的位置 范围为:
28
级联分类器
❖ 单独一个AdaBoost分类器即使很强,在误检率和检 测时间上根本满足不了真正的实时人脸检测系统 的需要。采用级联检测策略能很好地解决这个问 题。Adaboost算法引入了一种瀑布型的分类器--级联分类器。
❖ 在级联分类器中，每一个待检测窗口只有通过了 当前层的强分类器（AdaBoost分类器）才能进入 下一层。这样大量的待检测窗口只需要最初几层 简单的判断就可以被迅速淘汰，使得平均检测成 本大大降低。多层级联结构中，每一层的强分类 器都是由AdaBoost算法训练来的。
基于Adaboost算法的多姿态人脸实时视频检测

基于Adaboost算法的多姿态人脸实时视频检测

Ａｂ ｔ ａ ｔ Ｉ ｒ ｅ ｓ ｅ ｅ ｔ ｈ ｌ — ｉｗ ｃ ａ —ｉ ｉｅ ， ｔ ｅｃ ａ ｓｆｅ ｉｈ ｃ ｎ ｅ ｅ ｔ ｅ ｙｄ ｔｃ ｄ ａ ｇ ｅ ｔｒ ｓｒ ｃ ： ｎ ｏ ｄ ｒ ｏｆ ｔ ｔ ｃ ｅｍｕ ｔ ｖ ｅ ｆ ｅｉ Ｒｅ ｌｔ ｔ ａ ｄ ｔ ｉ ａ ｎ ｍｅｖ ｄ ｏ ｈ ｌ ｓ ｉ ｒｗｈ ｃ ａ ｆ ｃｉ ｌ ｅｅ ｔ ｗｉ ｅｒ ｎ ｅｇ ｓ ｅ ｉ ｖ ａ ｕ ａ ｄｒ ｔ ｔ ｎ ｆｃ ｙ ｕ ｉ ｇｔ ｅｅ ｔ ｎ ｅ ａ －ｉ ｅｆ ａｕ ｅ ，ｉ ａｎ ｄ ｎ ａｉ ｅ ｓｎ ｘ ｅ ｄ ｄＨａ ｒｌ ｔ ｒ ｓ ｓ ｒ ｉ ｅ ．Ｗ ｉ ｓｎ ｅｃａ ｓｆ ｒ ｌ — ｉｗ ａ —ｉ ｉ ｅ ｃ ｅｅ ｔ ｎ ｏ ｏ ａ ｂ ｈ ｋ ｅ ｔ ｔ ｕ ｉ ｇｔ ｌｓ ｉ ｅ ，ａｍｕ ｔ ｖ ｅ ｒ ｌｔ ｈ ｈ ｉ ｉ ｅ ｍｅｖ ｄ ｏｆ ｅｄ ｔｃ ｉ ａ ｏ
大 量 包含 正 反 例 子 的 图 片 进 行 训 练 ， 到 分 类 器 ； 测 系 统 首 先 使 用 ＤｒｃＳ ｏ 从 Ｕ Ｂ摄 像 头 获 取 图像 ， 后 读 入 分 类 器 ， 得 检 实验 结果表 明 ， 系统 能够快 速准 确地在视 频 中检 测 出多种姿 态 的人 脸 ， 较 强的 实用价值 。 该 有 关键词 ： 脸检 测； 多姿 态； 类 Ｈ ａ 特 征 ；Ａ ａｏ ｓ算 法；积 分 图 人 ａｒ ｄｂ ｏｔ 中 图法分类号 ： Ｐ ９ ．１ Ｔ３１ ４ 文 献标识 码 ： Ａ 文章编 号 ：００７２ ２ １） ８４ ６ —３ １０ —０ ４（００ １—０ ５０
ａ ｃ ｒ ｔ ｌ ｅｅ ｔ ｄｍｕ ｔ ｖ ｅ ｆ ｃ ｅ ｌ ｉ ｉ ｅ ， ｗｈ ｃ ｋ ｓ ｔ ｒ ｒ ｃｉ ａ ｌ． ｃ ｕ ａｅｙ ｄ ｔ ｃ ｅ ｌ — ｉｗ ｅｉ ａｒ ａ－ ｍｅ ｖ ｄ ｏ ｉ ａ ｎ ｔ ｉｈ ｍａ ｅ ｉ ｍｏ ｅｐ ａ ｔ ｂ ｅ ｃ Ｋｅ ｒ ｓ ｆ ｃ ｅｅ ｔｏ ； ｍｕｔ— ｉｗ ； Ｈａ ｒｌ ｅ ｆａ ｕ ｅ Ａｄ ｂ ｏ ｔ ｌ ｏ ｉ ｍ ； ｉ ｔ ｇ ａ ｇ ｙ ｗｏ ｄ ： ａ ｅｄ ｔｃ ｉ ｎ ｌ ｖｅ ｉ ａ － ｋ ｅ ｔ ； ｉ ｒ ａ ｏ ｓ ｇ ｒ ｈ ａ ｔ ｎ ｅ ｒ ｌ ｍａ ｅ ｉ
文献综述 基于Adaboost算法的人脸检测

文献综述 基于Adaboost算法的人脸检测

文献综述正文范文基于Adaboost算法的人脸检测文献综述一、人脸检测概述随着社会的发展，各个方面对快速有效的自动身份验证和识别的要求日益迫切。

人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来，具有很强的个体差异性、自身稳定性、唯一性和不易被复制的良好特性，因而它们为身份鉴别提供了必要的前提；并且同其他生物特征识别技术相比，人脸是一个信息极丰富的模式集合，是人类互相判别、认识、记忆的主要标志[1]，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性，也是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一[2]。

所谓人脸识别，是指给定一个场景的静态图像或动态视频，判断其中是否存在人脸，如果存在人脸则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息并且依据这些信息进一步提取每张人脸蕴含的身份特征，将其与已知人脸库中的人脸进行对比，从而识别场景中单个或者多个人的身份[3]。

人脸识别过程可分为人脸检测（判断输入图像中是否存在人脸)、人脸特征提取(检测每个人脸的主要器官位置和形状)和人脸识别(将人脸特征提取结果与库中人脸对比)三个阶段。

使用Adaboost算法进行人脸识别流程[5]，如图 1所示。

在这一过程中，第一步即人脸检测是最为关键的。

检测的准确性、定位精确性和检测速度将影响整个系统的性能。

图 1 人脸检测与人脸识别流程在实际应用中，由于客观因素的影响，人脸检测问题的难易程度以及处理方法有很大差异。

在某些情况下由于图像(照片)的获取环境是可以人为控制的(如身份证照片等)，因而人脸的定位可以轻易地做到。

但在大多数的场合中由于（1）人脸是一类高度非刚性的目标，存在相貌、表情、肤色、姿态等差异；（2）人脸上可能存在一些附属物，毛发、化妆品等；（3）人脸的姿态千变万化，并且存在遮挡物；（4）待检图像性质的差异性。

如：图像的分辨率、摄录器材的质量等；（5）光照的种类、强度和角度的不同，其作用在人脸上所产生的性质不同的反射，造成不同区域的阴影[6]；（6）场景较复杂，人脸的位置预先不知道等因素会使人脸检测问题变得更为复杂。