本文關(guān)鍵詞：基于特征融合的AdaBoost人臉檢測研究

  更多相關(guān)文章： Ada Boost算法 LBP特征 Haar-like特征 權(quán)值歸一化 權(quán)值更新

【摘要】：人臉檢測作為人臉識別的關(guān)鍵步驟,在計算機視覺和模式識別等領(lǐng)域得到廣泛的應(yīng)用。由于人臉結(jié)構(gòu)具有可變性,并且人臉圖像在進行采集時易受到外部因素的影響,使得人臉檢測成為一種極具挑戰(zhàn)性的課題。隨著人臉檢測的應(yīng)用領(lǐng)域越來越廣泛,各種檢測算法層出不窮。其中Ada Boost算法具有較高的檢測率和較快的檢測速度。在此基礎(chǔ)上,如何進一步提高Ada Boost算法的檢測率和檢測效率則成為主要的研究目標(biāo)。本文在基于Haar-like特征的Ada Boost算法的基礎(chǔ)上,對特征提取方法和算法本身進行分析和改進,并且在Matlab平臺上對這些改進做了仿真實驗,證實了所提的改進方法對人臉檢測性能方面有較為明顯的提高。本文的主要工作包括:針對Haar-like特征的缺點,引入另一種特征(LBP特征),并且提出一種將Haar-like特征和LBP特征融合的方法,將其引入到Ada Boost算法中,從而實現(xiàn)快速人臉檢測。該方法首先針對LBP特征的提取方法進行了一些改進,使其能更好地提取人臉特征,其次將Haar-like特征和LBP特征分別訓(xùn)練的最佳弱分類器進行線性融合,確定最佳權(quán)重使兩個目標(biāo)函數(shù)最小,然后依據(jù)最佳權(quán)重確定最終的強分類器。在MIT+CMU人臉數(shù)據(jù)集上的實驗結(jié)果顯示,該方法的特征提取時間少于Haar-like特征,訓(xùn)練弱分類器的耗時也大幅度減少。檢測率相比Haar-like特征基本持平,檢測速度優(yōu)于Haar-like特征。在Haar-like特征和LBP特征融合的基礎(chǔ)上,針對Ada Boost算法樣本中存在噪聲樣本等特殊樣本時導(dǎo)致的過學(xué)習(xí)現(xiàn)象,對算法本身做出改進。一方面將人臉樣本和非人臉樣本分別歸一化,另一方面提出一種與樣本分類正確率相關(guān)的權(quán)值更新規(guī)則,從兩方面保證對人臉樣本的重視。該方法首先運用前面的方法進行特征提取,然后使用改進的權(quán)值歸一化規(guī)則和權(quán)值更新規(guī)則引入到Ada Boost算法中。實驗結(jié)果表明,相對于基于Haar-like特征的Ada Boost算法,改進的Ada Boost算法在大幅度減少訓(xùn)練時間的同時,提高了檢測率,對整個人臉檢測性能都有較為有效的改進。
【關(guān)鍵詞】：Ada Boost算法 LBP特征 Haar-like特征 權(quán)值歸一化 權(quán)值更新
【學(xué)位授予單位】：蘭州理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要7-8
• ABSTRACT8-12
• 第1章 緒論12-20
• 1.1 課題研究背景和意義12-13
• 1.2 國內(nèi)外研究現(xiàn)狀13
• 1.3 人臉檢測方法綜述13-18
• 1.3.1 基于先驗知識的人臉檢測方法14-16
• 1.3.2 基于機器學(xué)習(xí)的人臉檢測方法16-18
• 1.4 本文的主要工作和內(nèi)容安排18-20
• 第2章 基于ADABOOST的人臉檢測原理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特征數(shù)目計算22-25
• 2.1.3 積分圖以及特征值計算25-27
• 2.2 弱分類器27-29
• 2.2.1 弱分類器的定義27-28
• 2.2.2 選擇最佳弱分類器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 級聯(lián)分類器32-34
• 2.4.1 級聯(lián)分類器結(jié)構(gòu)32
• 2.4.2 級聯(lián)分類器的訓(xùn)練算法32-33
• 2.4.3 檢測率與誤檢率33-34
• 2.5 本章小結(jié)34-35
• 第3章 基于特征融合的ADABOOST算法35-44
• 3.1 HAAR-LIKE特征提取復(fù)雜度分析35
• 3.2 LBP特征35-38
• 3.2.1 LBP特征的引入36
• 3.2.2 LBP特征的特點描述36-37
• 3.2.3 LBP特征的計算37-38
• 3.3 基于特征融合的ADABOOST算法38-41
• 3.3.1 改進的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 改進的Ada Boost算法流程40-41
• 3.4 實驗結(jié)果及分析41-43
• 3.5 本章小結(jié)43-44
• 第4章 改進權(quán)值更新和歸一化規(guī)則的ADABOOST算法44-51
• 4.1 ADABOOST算法過程分析44-45
• 4.2 改進的ADABOOST算法45-46
• 4.2.1 權(quán)值歸一化規(guī)則的改進45-46
• 4.2.2 權(quán)值更新規(guī)則的改進46
• 4.3 改進權(quán)值更新和歸一化規(guī)則的ADABOOST算法46-48
• 4.4 實驗結(jié)果及分析48-50
• 4.5 本章小結(jié)50-51
• 總結(jié)與展望51-53
• 參考文獻53-57
• 致謝57-58
• 附錄A 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文58-59
• 附錄B 攻讀碩士學(xué)位期間參與的科研項目59

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 周斌;林喜榮;賈惠波;周永冠;;量化層多生物特征融合的最佳權(quán)值[J];清華大學(xué)學(xué)報(自然科學(xué)版);2008年02期

2 丁寶亮;;基于局部特征融合的人臉識別研究[J];中國新技術(shù)新產(chǎn)品;2012年14期

3 劉增榮;余雪麗;李志;;基于特征融合的圖像情感語義識別研究[J];太原理工大學(xué)學(xué)報;2012年05期

4 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質(zhì)特征融合分類算法[J];電子技術(shù)與軟件工程;2013年02期

5 劉冰;羅熊;劉華平;孫富春;;光學(xué)與深度特征融合在機器人場景定位中的應(yīng)用[J];東南大學(xué)學(xué)報(自然科學(xué)版);2013年S1期

6 卞志國;金立左;費樹岷;;特征融合與視覺目標(biāo)跟蹤[J];計算機應(yīng)用研究;2010年04期

7 韓萍;徐建龍;吳仁彪;;一種新的目標(biāo)跟蹤特征融合方法[J];中國民航大學(xué)學(xué)報;2010年04期

8 何賢江;何維維;左航;;一種句詞五特征融合模型的復(fù)述研究[J];四川大學(xué)學(xué)報(工程科學(xué)版);2012年06期

9 劉冬梅;;基于特征融合的人臉識別[J];計算機光盤軟件與應(yīng)用;2013年12期

10 李建科;張輝;趙保軍;張長水;;彩色分量流形特征融合的人臉識別[J];北京理工大學(xué)學(xué)報;2014年05期

中國重要會議論文全文數(shù)據(jù)庫 前7條

1 劉冰;羅熊;劉華平;孫富春;;光學(xué)與深度特征融合在機器人場景定位中的應(yīng)用[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

2 翟懿奎;甘俊英;曾軍英;;基于特征融合與支持向量機的偽裝人臉識別[A];第六屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2012年

3 卞志國;金立左;費樹岷;;基于增量判別分析的特征融合與視覺目標(biāo)跟蹤[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

4 韓文靜;李海峰;韓紀(jì)慶;;基于長短時特征融合的語音情感識別方法研究[A];第九屆全國人機語音通訊學(xué)術(shù)會議論文集[C];2007年

5 羅昕煒;方世良;;寬帶調(diào)制信號特征融合方法[A];中國聲學(xué)學(xué)會水聲學(xué)分會2013年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2013年

6 金挺;周付根;白相志;;一種簡單有效的特征融合粒子濾波跟蹤算法[A];2007年光電探測與制導(dǎo)技術(shù)的發(fā)展與應(yīng)用研討會論文集[C];2007年

7 孟凡潔;孔祥維;尤新剛;;基于特征融合的相機來源認證方法[A];全國第一屆信號處理學(xué)術(shù)會議暨中國高科技產(chǎn)業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議�？痆C];2007年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 周斌;多生物特征融合理論的研究與實驗[D];清華大學(xué);2007年

2 彭偉民;特征數(shù)據(jù)的量子表示與融合方法[D];華南理工大學(xué);2013年

3 陳倩;多生物特征融合身份識別研究[D];浙江大學(xué);2007年

4 蒲曉蓉;多模態(tài)生物特征融合的神經(jīng)網(wǎng)絡(luò)方法[D];電子科技大學(xué);2007年

5 王志芳;基于感知信息的多模態(tài)生物特征融合技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2009年

6 王楠;基于多視覺特征融合的后方車輛檢測技術(shù)研究[D];東北大學(xué)　;2009年

7 徐穎;基于特征融合與仿生模式的生物特征識別研究[D];華南理工大學(xué);2013年

8 樊國梁;基于多類特征融合的蛋白質(zhì)亞線粒體定位預(yù)測研究[D];內(nèi)蒙古大學(xué);2013年

9 劉金梅;多源遙感影像融合及其應(yīng)用研究[D];中國海洋大學(xué);2014年

10 張艷;基于柔性陣列 傳感器的足跡特征分析與應(yīng)用研究[D];安徽大學(xué);2015年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 付艷紅;基于特征融合的人臉識別算法研究與實現(xiàn)[D];天津理工大學(xué);2015年

2 許超;基于特征融合與壓縮感知的實木地板缺陷檢測方法研究[D];東北林業(yè)大學(xué);2015年

3 楊文婷;基于微博的情感分析算法研究與實現(xiàn)[D];西南交通大學(xué);2015年

4 梅尚健;基于特征融合的圖像檢索研究與實現(xiàn)[D];西南交通大學(xué);2015年

5 王鵬飛;基于多慢特征融合的人體行為識別研究[D];西南大學(xué);2015年

6 丁倩;基于語音信息的多特征情緒識別算法研究[D];山東大學(xué);2015年

7 薛冰霞;基于多模特征融合的人體跌倒檢測算法研究[D];山東大學(xué);2015年

8 何樂樂;醫(yī)學(xué)圖像分類中的特征融合與特征學(xué)習(xí)研究[D];電子科技大學(xué);2015年

9 戴博;基于結(jié)構(gòu)復(fù)雜度特征融合的視覺注意模型研究及其應(yīng)用[D];復(fù)旦大學(xué);2014年

10 王寧;基于特征融合的人臉識別算法[D];東北大學(xué);2013年

，

本文編號：1044676