| 题名 | 基于特征融合的AdaBoost人脸检测研究 |
| 作者 | 李颖颖 |
| 答辩日期 | 2015 |
| 导师 | 李睿 |
| 关键词 | Ada Boost算法 LBP特征 Haar-like特征 权值归一化 权值更新 |
| 学位名称 | 硕士 |
| 英文摘要 | 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。 |
| 语种 | 中文 |
| 页码 | 59 |
| URL标识 | 查看原文 |
| 内容类型 | 学位论文 |
| 源URL | [http://ir.lut.edu.cn/handle/2XXMBERH/91295]  |
| 专题 | 兰州理工大学 |
| 作者单位 | 兰州理工大学 |
| 推荐引用方式 GB/T 7714 | 李颖颖. 基于特征融合的AdaBoost人脸检测研究[D]. 2015. |
| 个性服务 |
| 查看访问统计 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论