当前位置：文档之家 › 基于边缘方向直方图的Adaboost人脸检测

基于边缘方向直方图的Adaboost人脸检测

  • 格式：pdf
  • 大小：232.17 KB
  • 文档页数：3

收稿日期:2007-03-08作者简介:王　晶(1983-),女,硕士研究生,研究方向为图像处理、多媒体信息处理;导师:刘富强,教授,研究方向为图像处理、多媒体信息处理。基于边缘方向直方图的Adaboost人脸检测王　晶,杨　煜(同济大学电子与信息学院,上海201804)摘　要:在传统的Adaboost分类器算法中,采用色彩直方图或空间直方图作为提取特征,但这并不能充分描述图像目标的特征,导致了目标检测和跟踪出现偏差。提出了一种基于边缘方向直方图的Adaboost人脸检测算法,使用空间分布和纹理信息作为提取特征。实验结果表明,该方法与传统Adaboost方法相比,准确率明显提高,而速度相当。关键词:边缘方向直方图;Adaboost;人脸检测中图分类号:TN911173 文献标识码:A 文章编号:1673-629X(2007)12-0005-03AdaboostforFaceDetectionBasedonEdgeOrientationHistogramsWANGJing,YANGYu(SchoolofElectronicsandInformation,TongjiUniversity,Shanghai201804,China)Abstract:ColorhistogramandspatialhistogramarewidelyusedascharactersintraditionalAdaboostclassifiers,however,theyarenotsufficientfordescribingtheinformationoftheobjects.ThiscauseserrorinobjectdetectionandtrackingbasedonAdaboost.PresentsanewAdaboostalgorithmbasedonedgeorientationhistograms,usingspacedistributingandtextureinformationascharacters,andisusedforfacedetection.Experimentsprovedthenewalgorithmismoreaccuracythanandasfastastraditionones.Keywords:edgeorientationhistograms;Adaboost;facedetection0　引　言人脸检测作为图像处理技术的热点之一,长期以来备受关注。如何通过机器视觉从图像中识别既定目标,无论从实际应用还是理论研究的角度来看,都具有很大的吸引力和发展前景。在过去的几十年里,图像特征提取和识别方法上有了不断的进步。在特征提取方面,从PCA转向LDA[1,2],ICA,小波[3]等多种方法,从总体特征到总体与局部特征的综合[4];在识别方法上从简单的最近邻到支持向量机(SVM)[5]和BOOST2ING[6,7]方法。由于人脸识别的性能受到光源位置和强度变化、目标的偏转和俯仰等因素的影响,特征提取和识别仍然是一个具有挑战性的研究课题。YoavFreund和RobertE.Schapire在1995年提出了Adaboost算法,由于算法简单、运算速度快而被广泛应用于字符识别和人脸检测等领域。但传统方法一般采用色彩直方图或空间色彩直方图作为提取特征,在目标和背景色彩相近或图像色彩质量差的情况下,不能充分描述图像目标的特征,导致了目标检测和跟踪出现偏差。提出了一种基于边缘方向直方图的Ad2aboost分类算法,

使用空间分布和纹理信息作为提取特征。实验结果表明,该方法与传统Adaboost方法相比,准确率明显提高,而速度相当。1　人脸检测系统的基本框架本系统主要由离线训练模块和在线训练模块两部分组成。在离线模块中训练得出基于方向直方图的特征强分类器,该分类器将用于在线模块来对输入图像作出判断,如图1所示。

图1　基于边缘方向直方图的Adaboost人脸检测算法框架第17卷　第12期2007年12月 计算机技术与发展COMPUTERTECHNOLOGYANDDEVELOPMENT Vol.17　No.12Dec.　2007

© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net2　基于边缘方向直方图的Adaboost方法传统Adaboost方法一般采用色彩直方图或空间色彩直方图作为提取特征,但是处理目标和背景色彩相近或图像色彩质量差的图片时,这种完全基于色彩的特征提取显得不足以充分描述图像目标的特征,导致了分类器性能下降。于是考虑用纹理作为提取特征,改善Adaboost方法。2.1　边缘方向直方图使用经典的边缘检测作为检测纹理特征的第一步。在给定的图像内,各个像素点的梯度幅值在某种程度上反映了区域的边缘锐度,而梯度方向反映了各个点处的边缘方向。两者结合表征了完整的纹理信息。对于边缘检测,文中采用sobel算子。考虑一个10×10的灰度图像I,使用两个sobel算子s1=121000-1-2-1和s2=10-120-210-1分别对图像I进行扫描生成边缘图像I1和I2。对于原图像I中像素pi,j(其中i,j表示像素所在的行数和列数,0

。对每个Dir(pi,j)进行量化计算,若Dir(pi,j)∈-9π16+π16k,-π2+π16k,k=1…16,则θ(pi,j)=k。这样原图中每个像素pi,j都对应两个值Mag(pi,j)和θ(pi,j)。以θ(pi,j)为直方图的横坐标生成直方图H,这里直方图H的横坐标有16个取值Ht,t=1…16。直方图中对应于Ht的纵坐标取值计算如下,所得的直方图H就是边缘方向直方图。Ht=∑i,jMag(pi,j)δ[θ(pi,j)-t]其中δ[x-t]=1,x=t0,x≠t2.2　基于边缘方向直方图的Adaboost假设已知n个训练样本图像{x1,y1},…,{xn,yn},其中yi={0,1}表示正样本或负样本,yi=1表示xi为正样本。已知n个样本中,正样本为s个,负样本为t个。每个样本xi具有q个简单一维特征,记作fj(xi),1≤j≤q。对于每个输入特征fj定义一个弱分类器,其中Tj为对应于fj的阈值。hj(x)=1,fj(x)

© 1994-2008 China Academic Journal Electronic Publishing House. All rights reserved. http://www.cnki.net②　f(x)=Ht1Ht2其中Ht1和Ht2为边缘方向直方图H中特定角度对应的直方图纵坐标取值,比如水平、垂直或对角线方向。对于彩色图像,可以对其RGB通道分别求边缘方向直方图作为候选一维特征。图2　

人脸灰度样本图3　梯度方向区分图

图4　基于方向直方图的Adaboost在测试集上的测试效果图3　实验和结论提出了一种基于方向直方图的Adaboost人脸检测算法,为了测试其正确性,选取了1502幅320×240图片,提取4922个人脸训练样本。用训练好的检测器检测独立于训练集的测试集合,共计196幅图片,其中包含人脸368个。并将像素点的梯度方向划分为32个子集。图2给出了一个灰度样本(包括其原图水平梯度图、垂直梯度图、梯度幅值图)。图3是梯度方向区分图(左起依次是将梯度划分为4,8,16,32,64,128个子集时梯度方向区分图,可见子集数越多,区分度越好)。图4是对测试集的检测结果。实验证明,本算法优于传统基于色彩的训练算法,具有更高的准确率,而速度与之相当。参考文献:[1]　ZhaoW,ChellappaR,PhillipsPJ.SubspaceLinearDiscrim2inantAnalysisforFaceRecognition[R].CAR-TR-914.USA:CenterforAutomationResearch,UniversityofMary2land,1999.[2]　边肇棋,张学工.模式识别[M].第2版.北京:清华大学出版社,20001[3]　WiskottL,FellousJM,KrugerN,etal.Facerecognitionbyelasticbunchgraphmatching[R].IR-INI96-08.Ger2many:InstitutfurNeuroinformatik,Ruhr-UniversitatBochum,1996.[4]　FangYuchun,TanTieniu,WangYunhong.FusionofGlobalandLocalFeaturesforFaceVerification[C]∥IEEEInterna2tionalConferenceonPatternRecognition(ICPR).[s.l.]:[s.n.],2002.[5]　PhillipsP.SupportVectorMachinesappliedtofacerecogni2tion[R].NISTIR6241.[s.l.]:[s.n.],1998.[6]　GunGuoDong,ZhangHongJiang.BoostingforFastFaceRecognition[C]∥IEEEICCVWorkshoponRecognition,Analysis,andTrackingofFacesandGesturesinReal-TimeSystems(RATFG-RTS’01),ConjunctionwithICCV2001.[s.l.]:[s.n.],2001:96-100.[7]　FreundY,SchapireRE.ADecision-theoreticGeneraliza2tionofOn-lineLearningandanApplicationtoBoosting[J].JournalofComputerandSystemSciences,1997,55(1):119-139.(上接第4页)统、文件系统和图形构件。文中探讨了作为CAR构件技术的精髓之一的“和欣”命名服务的机制及其特点,并用一个示例来说明如何使用“和欣”操作系统的命名服务。对于正确理解“和欣”操作系统的命名机制并利用“和欣”的命名机制简化在“和欣”上的编程,正确理解“和欣”系统的CAR构件运行环境和灵活内核机制,具体一定的价值和指导意义。同时“和欣”的命名服务机制弥补了微软COM的名字对象机制的不足,对于其它系统的命名服务的设计也具有指导和借签作用。参考文献:[1]　KoretideCAR’SManual[M/CD].2005-06.http://www.koretide.com.cn,2004/2005.[2]　科泰世纪.和欣2.0资料大全[EB/OL].2005-12.http://www.koretide.com.cn.[3]　OMG.CORBA服务[M].韦乐平译.北京:电子工业出版社,2002.[4]　ChenRong.TheApplicationofMiddlewareTechnologyinEmbeddedOS[C]//WorkshoponEmbeddedSystem,InConjunctionwiththeICYCS(6th).Hangzhou:[s.n.],2001:1-3.[5]　BOXD.COM本质论[M].潘爱民译.北京:中国电力出版社,2001.[6]　潘爱民.COM原理与应用[M].北京:清华大学出版社,1999:25-32.・7・第12期 王　晶等:基于边缘方向直方图的Adaboost人脸检测

合集下载

《基于Adaboost人脸检测算法的研究及实现》

《基于Adaboost人脸检测算法的研究及实现》

《基于Adaboost人脸检测算法的研究及实现》篇一

一、引言

人脸检测是计算机视觉领域中的一项重要技术，具有广泛的应用前景，如人脸识别、面部表情分析、安防监控等。近年来，随着人工智能和机器学习技术的不断发展，基于Adaboost算法的人脸检测技术逐渐成为研究的热点。本文旨在研究Adaboost算法在人脸检测领域的应用，并实现一个基于Adaboost的人脸检测系统。

二、Adaboost算法概述

Adaboost算法是一种迭代算法，它通过训练多个弱分类器并将它们组合成一个强分类器来实现分类。在人脸检测中，Adaboost算法可以用于训练一系列特征分类器，通过将多个分类器的结果进行加权组合，提高检测的准确性和鲁棒性。

三、人脸检测技术研究现状

目前，人脸检测技术已经取得了很大的进展。传统的检测方法主要依赖于手工设计的特征和复杂的图像处理技术。然而，这些方法往往难以处理复杂多变的人脸图像。近年来，随着深度学习技术的发展，基于深度学习的人脸检测方法逐渐成为主流。然而，深度学习方法需要大量的标注数据和计算资源，对于一些资源有限的场景并不适用。因此，基于Adaboost算法的人脸检测方法仍然具有一定的研究价值和应用前景。 四、基于Adaboost的人脸检测算法研究

本文提出了一种基于Adaboost算法的人脸检测方法。首先，我们使用Haar特征和Adaboost算法训练一系列弱分类器。然后，我们将这些弱分类器组合成一个强分类器，用于检测人脸。在训练过程中，我们采用了集成学习的方法，通过多次迭代和调整参数，提高分类器的性能。此外，我们还使用了一些优化技术，如特征选择和级联分类器，进一步提高检测的准确性和速度。

五、实验与结果分析

我们在公开的人脸检测数据集上进行了实验，并与一些传统的检测方法和基于深度学习的方法进行了比较。实验结果表明，我们的方法在准确率和速度方面都取得了较好的结果。具体来说，我们的方法在人脸检测的准确率上超过了传统的检测方法，与基于深度学习的方法相比也不逊色。同时，我们的方法在速度方面具有较大的优势，可以在实时视频流中实现快速的人脸检测。

基于Adaboost的人脸识别算法研究

基于Adaboost的人脸识别算法研究

国氓鄹嚣蔻鼢爨　

北京邮电大学自动化学院俞晶晶　

人脸识别技术作为当前的研究热点之一，主要包括识别和　检测２大方向。人脸识别的研究内容主要是如何快速准确的在　

人脸数据库中识别出目标。目前，越来越多的应用需要在复杂　

条件下处理图像后获得人脸的清晰图像，因此人脸识别成为了　

研究热点。本文，笔者提出了使用Ａｄａｂｏｏｓｔ算法进行人脸的正　

面和左右侧面检测，实验结果表明，该算法识别效果好、实时性　

好、检测速度快。　

一、Ａｄａｂｏｏｓｔ算法　ＡｄａＢｏｏｓｔ是一种迭代算法，其核心思想是针对不同的训练　

集训练同一个基本分类器，然后把这些在不同训练集上得到的　

分类器集合起来，构成一个更强大的最终的分类器。每一层分　

类器都对特征值ｆ进行判断，当特征值ｆ大于阈值ｖ时表示是人　

脸，否则不是人脸。　

：　¨　（１）　

Ｊ　（　＜　）　

对每一个弱分类器进行相加得到最终的强分类器Ｆ，每个特　

征向量根据是否被正确分类来改变权值。当样本分类正确时降　

低权值，分类错误则增大权值。从而更加关注那些没有正确分　

类的样本。　

Ｆ：ｓｉｇ．（ｗ，ｆ￣＋Ｗ２　＋Ｌ＋　）。　（２）　

多级分类器的结构如图１所示。　

／／筛选排除部分、　＼、、非人脸区域　／／／　ｆ＼　／　

弱　类器１　，　弱分类器／，　筛选　、＼＼　！竺　

ｊ　、＼、　

弱分类器ｊ　

图１多级分类器结构　

基金项目：留学归国人员教学、科研建设项目，国家８６３项　

目（２００６ＡＡ０４Ｚ２４３）。　在Ａｄａｂｏｏｓｔ算法中首先提出了“积分图”的概念，如图书２所　

示。积分图就是坐标点（　，，，）左上角的所有像素的和。其中ｉｉ　

（　，ｙ）表示像素点（　，Ｙ）的积分图，ｉ（　，ｙ）表示像素点（　，Ｙ）的像　素值。通过迭代方式进行计算使特征检测器中特征的计算速度　

大大提高。　

图２算法积分图　

ｉｉ（Ｘ，Ｙ．１＝乙ｉ（ｘ，Ｙ　Ｊ。　（３）　。　．Ｙ。＜ｙ　如图２所示，积分图中点１的积分图值为矩形框Ａ所有像素　

值之和；点２的积分图值为矩形框Ａ和Ｂ的像素值之和；点３的　

人脸检测中AdaBoost算法详解

人脸检测中AdaBoost算法详解

⼈脸检测中AdaBoost算法详解

⼈脸检测中的AdaBoost算法，供⼤家参考，具体内容如下

第⼀章：引⾔

2017.7.31。英国测试⼈脸识别技术，不需要排队购票就能刷脸进站。据BBC新闻报道，这项英国政府铁路安全标准委员会资

助的新技术，由布⾥斯托机器⼈实验室(Bristol Robotics Laboratory) 负责开发。这个报道可能意味着我们将来的⽣活⽅式。虽

然⼈脸识别技术已经研究了很多年了，⽐较成熟了，但是还远远不够，我们以后的⽬标是通过识别⾯部表情来获得⼈类⼼理想

法。 长期以来，计算机就好像⼀个盲⼈，需要被动地接受由键盘、⽂件输⼊的信息，⽽不能主动从这个世界获取信息并⾃主

处理。⼈们为了让计算机看到这个世界并主动从这个世界寻找信息，发展了机器视觉；为了让计算机⾃主处理和判断所得到的

信息，发展了⼈⼯智能科学。⼈们梦想，终有⼀天，⼈机之间的交流可以像⼈与⼈之间的交流⼀样畅通和友好。 ⽽这些技术

实现的基础是在⼈脸检测上实现的，下⾯是我通过学习基于 AdaBoost 算法的⼈脸检测，赵楠的论⽂的学习⼼得。

第⼆章：关于Adaptive Boosting

AdaBoost 全称为Adaptive Boosting。Adaptively，即适应地，该⽅法根据弱学习的结果反馈适应地调整假设的错误率，所以

Adaboost不需要预先知道假设的错误率下限。Boosting意思为提升、加强，现在⼀般指将弱学习提升为强学习的⼀类算法。

实质上，AdaBoost算法是通过机器学习，将弱学习提升为强学习的⼀类算法的最典型代表。

第三章：AdaBoost算法检测⼈脸的过程先上⼀张完整的流程图，下⾯我将对着这张图作我的学习分享：

1.术语名词解析：

弱学习，强学习：随机猜测⼀个是或否的问题，将会有50%的正确率。如果⼀个假设能够稍微地提⾼猜测正确的概率，那么这

个假 设就是弱学习算法，得到这个算法的过程称为弱学习。可以使⽤半⾃动化的⽅法为好⼏个任务构造弱学习算法，构造过

基于图像处理技术的边缘检测与人脸识别算法研究

基于图像处理技术的边缘检测与人脸识别算法研究

基于图像处理技术的边缘检测与人脸识别算法研究

随着科技的不断发展和普及，图像处理技术在当今社会中扮演着越来越重要的角色。随之而来的是边缘检测和人脸识别算法的重要性也日益凸显。边缘检测可以使图像中的物体轮廓清晰可见，方便后续处理。而人脸识别则可以应用于各种场景中，例如安防领域、金融业、人脸支付等。本文将就基于图像处理技术的边缘检测与人脸识别算法进行探讨。

一、边缘检测算法

边缘是物体的轮廓或者色彩、亮度等特征发生变化的区域，因此边缘检测能够为图像处理后续操作提供重要的基础。在目前的图像处理领域，常用的边缘检测算法有Sobel算子、Roberts算子、Prewitt算子和Canny算子等。

Sobel算子是一种基于梯度的边缘检测算法，其原理是通过求出图像在水平方向与垂直方向的梯度，从而得出边缘。Roberts算子与Sobel算子类似，是一种基于梯度的算法，但是其只会计算水平方向上的梯度和垂直方向上的梯度。Prewitt算子也是一种基于梯度的算法，与Sobel算子类似，不过Prewitt算子在计算梯度时采用的是原始图像上的5x5像素点矩阵。Canny算子是一种效果较好的边缘检测算法，其可以检测出图像中的细节并去除边缘中的噪声。Canny算子的原理是先使用高斯滤波器对原始图像进行平滑处理，然后进行非极大值抑制、双阈值处理等多步骤以得出最终的边缘结果。

二、人脸识别算法

人脸识别是近年来备受关注的技术之一。随着计算机视觉技术的快速发展，现在已经可以利用摄像头捕捉到人脸图像并进行快速而准确的识别了。现在比较流行的人脸识别算法有特征脸算法、局部二值模式直方图算法和支持向量机算法等。

特征脸算法是从一组脸的图像中提取出主要特征，然后用这些特征进行人脸的识别。该算法先计算训练集中每个人脸的平均脸，然后计算每个人脸与平均脸之间的差，最后用差来训练分类器。局部二值模式直方图算法是一种基于纹理的算法，其基本思想是对人脸图像进行局部采样，然后将局部像素点的灰度值转化为二进制值，并统计其出现频率，最后利用支持向量机等分类器进行人脸识别。支持向量机算法是一种基于统计学习理论的算法，其主要思想是找到一个最优的分类超平面，然后使得该超平面能够将不同类别的数据分开。