基于特征融合的AdaBoost人脸检测研究

发布时间：2017-10-16 20:16

  本文关键词：基于特征融合的AdaBoost人脸检测研究

  更多相关文章： Ada Boost算法 LBP特征 Haar-like特征 权值归一化 权值更新

【摘要】：人脸检测作为人脸识别的关键步骤,在计算机视觉和模式识别等领域得到广泛的应用。由于人脸结构具有可变性,并且人脸图像在进行采集时易受到外部因素的影响,使得人脸检测成为一种极具挑战性的课题。随着人脸检测的应用领域越来越广泛,各种检测算法层出不穷。其中Ada Boost算法具有较高的检测率和较快的检测速度。在此基础上,如何进一步提高Ada Boost算法的检测率和检测效率则成为主要的研究目标。本文在基于Haar-like特征的Ada Boost算法的基础上,对特征提取方法和算法本身进行分析和改进,并且在Matlab平台上对这些改进做了仿真实验,证实了所提的改进方法对人脸检测性能方面有较为明显的提高。本文的主要工作包括:针对Haar-like特征的缺点,引入另一种特征(LBP特征),并且提出一种将Haar-like特征和LBP特征融合的方法,将其引入到Ada Boost算法中,从而实现快速人脸检测。该方法首先针对LBP特征的提取方法进行了一些改进,使其能更好地提取人脸特征,其次将Haar-like特征和LBP特征分别训练的最佳弱分类器进行线性融合,确定最佳权重使两个目标函数最小,然后依据最佳权重确定最终的强分类器。在MIT+CMU人脸数据集上的实验结果显示,该方法的特征提取时间少于Haar-like特征,训练弱分类器的耗时也大幅度减少。检测率相比Haar-like特征基本持平,检测速度优于Haar-like特征。在Haar-like特征和LBP特征融合的基础上,针对Ada Boost算法样本中存在噪声样本等特殊样本时导致的过学习现象,对算法本身做出改进。一方面将人脸样本和非人脸样本分别归一化,另一方面提出一种与样本分类正确率相关的权值更新规则,从两方面保证对人脸样本的重视。该方法首先运用前面的方法进行特征提取,然后使用改进的权值归一化规则和权值更新规则引入到Ada Boost算法中。实验结果表明,相对于基于Haar-like特征的Ada Boost算法,改进的Ada Boost算法在大幅度减少训练时间的同时,提高了检测率,对整个人脸检测性能都有较为有效的改进。
【关键词】：Ada Boost算法 LBP特征 Haar-like特征 权值归一化 权值更新
【学位授予单位】：兰州理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要7-8
• ABSTRACT8-12
• 第1章 绪论12-20
• 1.1 课题研究背景和意义12-13
• 1.2 国内外研究现状13
• 1.3 人脸检测方法综述13-18
• 1.3.1 基于先验知识的人脸检测方法14-16
• 1.3.2 基于机器学习的人脸检测方法16-18
• 1.4 本文的主要工作和内容安排18-20
• 第2章 基于ADABOOST的人脸检测原理20-35
• 2.1 HAAR-LIKE特征提取20-27
• 2.1.1 Haar-like特征21-22
• 2.1.2 Haar-like特征数目计算22-25
• 2.1.3 积分图以及特征值计算25-27
• 2.2 弱分类器27-29
• 2.2.1 弱分类器的定义27-28
• 2.2.2 选择最佳弱分类器28-29
• 2.3 基于HAAR-LIKE特征的ADABOOST算法29-32
• 2.3.1 Ada Boost算法原理分析29-31
• 2.3.2 Ada Boost算法流程31-32
• 2.4 级联分类器32-34
• 2.4.1 级联分类器结构32
• 2.4.2 级联分类器的训练算法32-33
• 2.4.3 检测率与误检率33-34
• 2.5 本章小结34-35
• 第3章 基于特征融合的ADABOOST算法35-44
• 3.1 HAAR-LIKE特征提取复杂度分析35
• 3.2 LBP特征35-38
• 3.2.1 LBP特征的引入36
• 3.2.2 LBP特征的特点描述36-37
• 3.2.3 LBP特征的计算37-38
• 3.3 基于特征融合的ADABOOST算法38-41
• 3.3.1 改进的LBP特征38-39
• 3.3.2 Haar-like和LBP特征融合的Ada Boost算法39-40
• 3.3.3 改进的Ada Boost算法流程40-41
• 3.4 实验结果及分析41-43
• 3.5 本章小结43-44
• 第4章 改进权值更新和归一化规则的ADABOOST算法44-51
• 4.1 ADABOOST算法过程分析44-45
• 4.2 改进的ADABOOST算法45-46
• 4.2.1 权值归一化规则的改进45-46
• 4.2.2 权值更新规则的改进46
• 4.3 改进权值更新和归一化规则的ADABOOST算法46-48
• 4.4 实验结果及分析48-50
• 4.5 本章小结50-51
• 总结与展望51-53
• 参考文献53-57
• 致谢57-58
• 附录A 攻读硕士学位期间发表的学术论文58-59
• 附录B 攻读硕士学位期间参与的科研项目59

【相似文献】

中国期刊全文数据库 前10条

1 周斌;林喜荣;贾惠波;周永冠;;量化层多生物特征融合的最佳权值[J];清华大学学报(自然科学版);2008年02期

2 丁宝亮;;基于局部特征融合的人脸识别研究[J];中国新技术新产品;2012年14期

3 刘增荣;余雪丽;李志;;基于特征融合的图像情感语义识别研究[J];太原理工大学学报;2012年05期

4 黄双萍;俞龙;卫晓欣;;一种异质特征融合分类算法[J];电子技术与软件工程;2013年02期

5 刘冰;罗熊;刘华平;孙富春;;光学与深度特征融合在机器人场景定位中的应用[J];东南大学学报(自然科学版);2013年S1期

6 卞志国;金立左;费树岷;;特征融合与视觉目标跟踪[J];计算机应用研究;2010年04期

7 韩萍;徐建龙;吴仁彪;;一种新的目标跟踪特征融合方法[J];中国民航大学学报;2010年04期

8 何贤江;何维维;左航;;一种句词五特征融合模型的复述研究[J];四川大学学报(工程科学版);2012年06期

9 刘冬梅;;基于特征融合的人脸识别[J];计算机光盘软件与应用;2013年12期

10 李建科;张辉;赵保军;张长水;;彩色分量流形特征融合的人脸识别[J];北京理工大学学报;2014年05期

中国重要会议论文全文数据库 前7条

1 刘冰;罗熊;刘华平;孙富春;;光学与深度特征融合在机器人场景定位中的应用[A];2013年中国智能自动化学术会议论文集（第三分册）[C];2013年

2 翟懿奎;甘俊英;曾军英;;基于特征融合与支持向量机的伪装人脸识别[A];第六届全国信号和智能信息处理与应用学术会议论文集[C];2012年

3 卞志国;金立左;费树岷;;基于增量判别分析的特征融合与视觉目标跟踪[A];2009年中国智能自动化会议论文集（第三分册）[C];2009年

4 韩文静;李海峰;韩纪庆;;基于长短时特征融合的语音情感识别方法研究[A];第九届全国人机语音通讯学术会议论文集[C];2007年

5 罗昕炜;方世良;;宽带调制信号特征融合方法[A];中国声学学会水声学分会2013年全国水声学学术会议论文集[C];2013年

6 金挺;周付根;白相志;;一种简单有效的特征融合粒子滤波跟踪算法[A];2007年光电探测与制导技术的发展与应用研讨会论文集[C];2007年

7 孟凡洁;孔祥维;尤新刚;;基于特征融合的相机来源认证方法[A];全国第一届信号处理学术会议暨中国高科技产业化研究会信号处理分会筹备工作委员会第三次工作会议专刊[C];2007年

中国博士学位论文全文数据库 前10条

1 周斌;多生物特征融合理论的研究与实验[D];清华大学;2007年

2 彭伟民;特征数据的量子表示与融合方法[D];华南理工大学;2013年

3 陈倩;多生物特征融合身份识别研究[D];浙江大学;2007年

4 蒲晓蓉;多模态生物特征融合的神经网络方法[D];电子科技大学;2007年

5 王志芳;基于感知信息的多模态生物特征融合技术研究[D];哈尔滨工业大学;2009年

6 王楠;基于多视觉特征融合的后方车辆检测技术研究[D];东北大学　;2009年

7 徐颖;基于特征融合与仿生模式的生物特征识别研究[D];华南理工大学;2013年

8 樊国梁;基于多类特征融合的蛋白质亚线粒体定位预测研究[D];内蒙古大学;2013年

9 刘金梅;多源遥感影像融合及其应用研究[D];中国海洋大学;2014年

10 张艳;基于柔性阵列 传感器的足迹特征分析与应用研究[D];安徽大学;2015年

中国硕士学位论文全文数据库 前10条

1 付艳红;基于特征融合的人脸识别算法研究与实现[D];天津理工大学;2015年

2 许超;基于特征融合与压缩感知的实木地板缺陷检测方法研究[D];东北林业大学;2015年

3 杨文婷;基于微博的情感分析算法研究与实现[D];西南交通大学;2015年

4 梅尚健;基于特征融合的图像检索研究与实现[D];西南交通大学;2015年

5 王鹏飞;基于多慢特征融合的人体行为识别研究[D];西南大学;2015年

6 丁倩;基于语音信息的多特征情绪识别算法研究[D];山东大学;2015年

7 薛冰霞;基于多模特征融合的人体跌倒检测算法研究[D];山东大学;2015年

8 何乐乐;医学图像分类中的特征融合与特征学习研究[D];电子科技大学;2015年

9 戴博;基于结构复杂度特征融合的视觉注意模型研究及其应用[D];复旦大学;2014年

10 王宁;基于特征融合的人脸识别算法[D];东北大学;2013年

，

本文编号：1044676