發(fā)布時(shí)間：2017-09-17 08:18

  本文關(guān)鍵詞：復(fù)雜背景下多視角人臉檢測(cè)研究

  更多相關(guān)文章： 多視角人臉檢測(cè) AdaBoost算法 聚合通道特征 嵌套級(jí)聯(lián)結(jié)構(gòu) 姿態(tài)估計(jì)

【摘要】：人臉檢測(cè)是指采用特定的方法對(duì)要求的檢測(cè)樣本進(jìn)行搜索,判斷是否存在人臉,若存在人臉,就在檢測(cè)樣本中標(biāo)注出人臉的過程,是人臉識(shí)別的一個(gè)重要部分。人臉檢測(cè)是復(fù)雜的模式分類問題,相關(guān)研究多集中在簡(jiǎn)單背景下的人臉,但隨著視頻會(huì)議、安全監(jiān)控等技術(shù)的廣泛應(yīng)用,復(fù)雜背景中的人臉檢測(cè)逐漸成為模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域中的研究熱點(diǎn),本文主要針對(duì)復(fù)雜背景下的多視角人臉檢測(cè)問題進(jìn)行了相關(guān)研究。首先研究了聚合通道特征的應(yīng)用。聚合通道特征(Aggregate Channel Feature)拓展了原始圖像的通道,將原始圖像從三通道提升到十通道,然后在十通道內(nèi)任意選擇不同大小、不同位置的矩形計(jì)算像素值作為候選特征構(gòu)成人臉特征集。聚合通道特征與Haar矩形特征表現(xiàn)形式相同,但聚合通道特征在幾乎不引入額外計(jì)算量的情況下,大幅度提高了特征的表征能力。實(shí)驗(yàn)證明,聚合通道特征結(jié)構(gòu)簡(jiǎn)單,計(jì)算速度塊。其次,將AdaBoost算法與嵌套級(jí)聯(lián)算法結(jié)合在一起,提出AdaBoost-Nesting算法訓(xùn)練人臉分類器。本文對(duì)Adaboost算法進(jìn)行研究,該算法的基本思想是按一定規(guī)則組合多個(gè)弱分類器能夠獲得性能較強(qiáng)的強(qiáng)分類器；針對(duì)傳統(tǒng)級(jí)聯(lián)結(jié)構(gòu)各節(jié)點(diǎn)分類器獨(dú)立訓(xùn)練,前面節(jié)點(diǎn)訓(xùn)練過程中的信息只被用來進(jìn)行二分類(人臉或非人臉)的判定,沒有進(jìn)行后續(xù)應(yīng)用,損失了大量信息這一不足,將AdaBoost算法與嵌套級(jí)聯(lián)算法結(jié)合在一起,提出AdaBoost-Nesting訓(xùn)練算法,該算法能夠合理利用相鄰節(jié)點(diǎn)間的訓(xùn)練信息,降低計(jì)算負(fù)擔(dān)。此外,傳統(tǒng)的姿態(tài)估計(jì)方法是將待檢測(cè)樣本送入單獨(dú)訓(xùn)練的姿態(tài)分類器中進(jìn)行姿態(tài)估計(jì),依據(jù)姿態(tài)估計(jì)的結(jié)果,選擇特定的視角檢測(cè)器進(jìn)一步處理待檢測(cè)樣本,姿態(tài)估計(jì)的計(jì)算量將被全部加入到待檢測(cè)樣本的平均計(jì)算量中,導(dǎo)致了檢測(cè)速度的下降。本文針對(duì)這一問題,引入了改進(jìn)的姿態(tài)估計(jì)策略。本文針對(duì)復(fù)雜背景下的多視角人臉檢測(cè)問題,利用聚合通道特征表征復(fù)雜背景下的人臉信息,通過AdaBoost-Nesting算法訓(xùn)練得到各個(gè)視角檢測(cè)器,再與改進(jìn)的姿態(tài)估計(jì)相結(jié)合,搭建出本文的復(fù)雜背景下多視角人臉檢測(cè)框架。實(shí)驗(yàn)結(jié)果表明,該人臉檢測(cè)框架能夠很好的檢測(cè)復(fù)雜背景下的多視角人臉,檢測(cè)速度較快。
【關(guān)鍵詞】：多視角人臉檢測(cè) AdaBoost算法 聚合通道特征 嵌套級(jí)聯(lián)結(jié)構(gòu) 姿態(tài)估計(jì)
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-15
• 1.1 研究背景及意義10-11
• 1.2 人臉檢測(cè)研究現(xiàn)狀11-12
• 1.3 人臉檢測(cè)相關(guān)工作的主要挑戰(zhàn)12-13
• 1.4 論文的研究?jī)?nèi)容及章節(jié)安排13-15
• 第二章 人臉檢測(cè)方法綜述15-19
• 2.1 基于知識(shí)的方法15-16
• 2.2 基于特征的方法16
• 2.3 基于模板匹配的方法16-17
• 2.4 基于統(tǒng)計(jì)學(xué)習(xí)的方法17-18
• 2.5 本章小結(jié)18-19
• 第三章 聚合通道特征19-28
• 3.1 LUV顏色空間19-21
• 3.1.1 LUV顏色空間簡(jiǎn)介19-20
• 3.1.2 RGB與LUV顏色空間轉(zhuǎn)換20-21
• 3.2 方向梯度直方圖(HOG)21-25
• 3.2.1 HOG簡(jiǎn)介21
• 3.2.2 HOG計(jì)算21-25
• 3.3 聚合通道特征提取25-27
• 3.4 本章小結(jié)27-28
• 第四章 基于AdaBoost的人臉檢測(cè)28-44
• 4.1 AdaBoost算法簡(jiǎn)介28-31
• 4.2 AdaBoost算法分類器31-35
• 4.2.1 弱分類器的構(gòu)成與訓(xùn)練31-32
• 4.2.2 強(qiáng)分類器的建立32
• 4.2.3 錯(cuò)誤率研究32-35
• 4.3 級(jí)聯(lián)分類器35-36
• 4.4 基于聚合通道特征的正面人臉檢測(cè)36-38
• 4.5 實(shí)驗(yàn)結(jié)果與分析38-43
• 4.6 本章小結(jié)43-44
• 第五章 復(fù)雜背景下多視角人臉檢測(cè)44-59
• 5.1 視角介紹45-46
• 5.2 AdaBoost-Nesting訓(xùn)練算法46-50
• 5.2.1 嵌套級(jí)聯(lián)檢測(cè)器46-47
• 5.2.2 AdaBoost-Nesting算法47-48
• 5.2.3 實(shí)驗(yàn)結(jié)果與分析48-50
• 5.3 姿態(tài)估計(jì)50-52
• 5.3.1 姿態(tài)估計(jì)簡(jiǎn)介50-51
• 5.3.2 姿態(tài)估計(jì)參數(shù)選擇51-52
• 5.4 基于聚合通道特征和AdaBoost-Nesting結(jié)構(gòu)的多視角人臉檢測(cè)52-57
• 5.4.1 實(shí)驗(yàn)簡(jiǎn)介52-53
• 5.4.2 實(shí)驗(yàn)結(jié)果與分析53-57
• 5.5 本章小結(jié)57-59
• 總結(jié)與展望59-61
• 參考文獻(xiàn)61-66
• 致謝66-68
• 附錄A 攻讀學(xué)位期間所發(fā)表的學(xué)術(shù)論文68-69
• 附錄B 攻讀學(xué)位期間參加的科研項(xiàng)目69

，

本文編號(hào)：868302