关于Adaboost算法在人脸检测中应用的研究

人脸检测算法研究是计算机视觉、模式辨识、图像处理等领域的一项重要研究方向,具有十分广泛的应用前景.详尽阐述了Adaboost算法的检测原理、特征值分布、积分图的计算,分类器的训练过程及强分类器的构建.对Adaboost算法对有倾斜角度人脸的识别具有检测盲区的缺陷,提出了算法的优化方法,引入两种新特征模版,训练后得到的分类器增强了倾斜人脸的检测率及误识率,达到了优化检测的目的.     

人脸检测与跟踪系统的设计

基于Adaboost人脸检测原理,结合Windows下的Visual C++编程,设计了人脸检测系统.通过MIT人脸库和自建人脸库结合的方法,且对该人脸库进行有效的训练,实现人脸检测功能,提高了检测率和检测速度.利用连续自适应均值移动算法(Continuously Adaptive Mean Shift,Camshift)对人脸进行跟踪,并对Camshift算法进行改进,利用Adaboost人脸检测初始化模板的方法,将检测与跟踪结合起来,有效提高了人脸跟踪效率.     

Adaboost算法在人脸检测中的应用

针对人脸检测的特点,详细叙述了检测中应用的特征值的计算以及积分图的使用,给出了基于Adaboost算法的弱分类器选取和单个强分类器的训练过程,以及最后的层叠分类器的具体组成形式.基于此算法的人脸检测具有检测率高、速度快、对于光照变化适应性强的特点,能够达到实时检测的要求.     

一种改进的Adaboost训练算法

针对传统的Adaboost训练算法在训练过程中可能出现训练退化和训练目标类权重分布过适应的问题, 提出一种改进的Adaboost训练算法. 改进算法通过调整加权误差分布限制目标类权重的扩张, 并且最终分类器输出形式以概率值输出代替传统的离散值输出, 提高了训练结果的检测率. 实验结果表明, 改进的Adaboost算法在Inria数据集上取得了较好效果.     

一种新的Adaboost快速训练算法

提出了一种新的Adaboost快速训练方法,解决了基于Adaboost的人脸检测算法中结构复杂、训练非常耗时的问题．新方法从两方面提高训练速度：直接求解训练中Adaboost目标函数;在直接求解算法基础上,使用了双阈值简单分类器构造强分类器的Adaboost检测器结构。     

结合肤色模型和Adaboost算法的人脸检测

提出了一种结合肤色模型和Adaboost算法的人脸检测方法．Adaboost是一种分类器算法,把弱分类器提升为强分类器,具有很高的检测率,但其误检率也比较高．人脸肤色检测由于受光照等条件的影响,其检测率比较低,但是其误检率也比较低．结合这两种方法进行检测,能够优势互补,改善算法性能．实验证明该算法具有较好的检测效果．     

一种基于维度约减的快速人脸检测方法

针对视频监控中的高维度和复杂环境的困难,文章提出一种基于主成份分析与Adaboost的视频人脸检测算法．该方法先使用PCA方法对特征空间进行降维,并以PCA特征建立误分率最小化弱分类器,最后使用Adaboost算法提升弱分类器性能,将所有已训练的弱分类器联合成一个强分类器．实验证明,在正面人脸样本和具有复杂表情变化的人脸测试集上,该方法可以得到很好的检测结果．     

基于姿态估计的多视角人脸检测

目前,对于多视角的人脸检测仍然是一个具有挑战性的难题.为了解决这个问题,提出了一种基于姿态估计的人脸检测的方法.在训练人脸分类器时,我们将视角范围划分成几个小区间,为每一个小区间利用Adaboost算法训练相应的分类器;在对图像进行检测时,对于任何给定的一幅图像,我们首先对其进行姿态的估计,并根据估计的结果选择相应的检测器对其进行检测.实验结果表明,提出的方法能很好地检测多视角人脸图像,在检测率和检测速度上都有很好的效果.     

一种基于Adaboost算法的人脸检测

针对经典Adaboost算法存在训练速度缓慢、检测结果过分依赖训练样本集的现象,提出一种改进的人脸检测算法.该算法在原有Adaboost算法的基础上,利用特征约简来提高训练速度,引入样本扩张、多分辨率搜索等策略来提高检测效率.算法还在一定程度上解决了遮挡、旋转、光照对人脸检测带来的影响等问题.实验结果表明:该方法具有较快的训练速度和良好的检测性能.     

基于Gamma和AdaBoost的人脸检测系统设计

为了有效地实现人脸的检测效果,文章在AdaBoost算法基础上提出一个改进的人脸检测算法．为了有效地消除光照和成像对人脸的影响,该算法将Canny修剪算法和伽马矫正算法进行结合,有效地消除光照和成像设备对人脸的影响．并利用VisualC＋＋和OpenCV等开发工具设计了一个人脸检测系统．本系统采用20×20的人脸图像和背景图像各1000张训练了一个7层的级联分类器,每一层构成的强分类器由一组基于Haar特征的弱分类器构成．该系统通过自选137幅包含人脸和背景的图片对系统进行测试,获得94．72％的正确检测率以及26．42％的误检率．     

基于数理形态学的近红外光图像实时人脸检测

该新型算法首先使用基于Harr特征和Adaboost算法的人脸检测方法寻找人脸候选区域,并对候选区域进行归一化处理;然后利用人眼瞳孔在近红外光图像中会生成白色光斑的特点,使用基于数理形态学的Quoit滤波器精确定位眼睛.为了减小不同瞳孔大小带来的影响,使用了多尺度的Quoit滤波器以提高准确性.实验表明,这种方法不仅准确性高而且速度快,达到了实时人脸检测的要求.     

基于随机Fourier有监督特征变换降维算法的人脸检测方法

针对传统人脸检测方法采用空间向量对复杂环境下的高维度人脸特征进行辨识时, 存在检测效率低、 检测精度差的问题, 提出一种基于随机Fourier有监督特征变换降维算法的人脸检测方法. 首先, 通过随机Fourier映射随机形成大规模多维候选集合, 采用特征选择算法获取特征集内的最佳子集; 其次, 基于l_2,1范数的极限学习机, 产生高斯核拟合效果的随机映射, 利用l_2,1正规则化过滤掉人脸随机特征中的无价值及冗余特征, 并对该过程进行优化, 提高人脸特征降维的精度; 最后, 采用基于降维特征与Adaboost算法的人脸检测方法获取的降维特征, 通过Boosted级联算法获取级联分类器, 实现人脸特征的准确检测. 实验结果表明, 该方法的漏检率和误检率均为8%, 平均检测时间为118 ms, 运行效率和检测精度均较高.     

视频流下的人脸检测与跟踪

研究了基于AdaBoost算法的人脸检测、级联分类器,讨论了Haar-Like特征及其积分图的计算方法,以及微结构特征的详细定义和表示方式,并给出4种不同矩形特征的计算方法.以色彩直方图为跟踪特征,将基于AdaBoost的人脸检测算法与CamShift跟踪算法进行了有效的结合,并给出视频下的人脸检测与跟踪实验结果.实验结果表明,在尺度变化、角度变化以及有遮挡的情况下都得到了很好的检测、跟踪效果.     

基于改进型LBP的Floatboost人脸检测

目前已涌现出了许多人脸检测算法,而每种算法的侧重点不同,不能形成很好的综合检测能力.为了兼顾人脸检测的TP,FP和检测时间,文中提出了一种基于改进型LBP纹理特征的Floatboost算法.该算法首先提取具有一定旋转不变性的改进型LBP纹理特征.其次采用双阈值Floatboost算法来训练特征值,并生成强分类器.最后采用Adaboost级联算法来进一步减少检测时间.通过实验分析表名：该算法在保证一定TP的前提下,不仅可以减少检测的时间,还降低了FP.     

基于类灰度图的类Haar特征构建及其应用

有效的特征提取是正确模式分类的基础.在Viola-Jones快速目标检测算法的基础上,侧重研究了类Haar特征原型的本质与提取,提出了类灰度图的概念,并以快速人脸检测为例,从类灰度图提取广义类Haar特征,从本质上拓展了类Haar特征的类型.基于类灰度图提取的广义类Haar特征在基于Adaboost的人脸检测系统性能超过Viola-Jones系统;作为弱分类器的滤波器构建是影响基于Adaboost分类算法性能的重要因素.     

基于肤色统计矩和Adaboost算法的人脸检测研究

采用基于Adaboost的人脸检测算法检测出彩色图像中的人脸候选区域,在此基础上利用人脸肤色统计矩剔除非人脸区域,最终实现对人脸的准确检测.由于本算法检测速度快、准确率高可以应用于对实时性要求较高的智能监控领域.     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.