基于肤色分割和改进AdaBoost算法的人脸检测

为解决当被检测图像中具有复杂背景或者含有多人脸时,不能够快速准确的进行人脸检测的问题,本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理,排除样本图像的复杂背景和人体非肤色区域,简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法,以减少弱分类器个数,提升训练速度;改进权值更新规则,防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明,两种算法结合后在训练速度上提升,在检测速度和检测率上有明显提高。     

采用Gentle AdaBoost和嵌套级联结构的实时人脸检测

本文提出一个基于Gentle AdaBoost和嵌套级联结构(Nesting Cascade Structure)的快速人脸检测器。采用嵌套级联结构并在训练过程中剔除前级节点分类器已使用过的特征,解决了经典的AdaBoost级联分类器因各节点分类器独立训练导致不同节点之间特征相同的弱分类器大量存在而影响检测速度的问题,提高了人脸检测速度。采用Gentle AdaBoost算法训练节点分类器以提高各节点分类器的泛化能力,进一步减少嵌套级联结构中弱分类器的个数。实验结果表明本文所提出的人脸检测算法大幅度减少了级联分类器所需的弱分类器个数,使检测的速度得到明显的提高,在CIF(352×288)格式的视频上达到每帧8毫秒的检测速度,优于现有的人脸检测算法,而且检测的准确性也比现有的人脸检测算法略有提高。      

基于拟合型弱分类器的AdaBoost算法

针对AdaBoost算法通过最小化训练错误率来选择弱分类器造成的精度不佳问题以及单阈值作为弱分类器训练过程较慢难以收敛问题,提出了一种基于拟合型弱分类器的AdaBoost算法。首先针对每个特征,在特征值与标记值之间建立映射关系,引入最小二乘法求解拟合多项式函数,并转换成离散分类值,从而获得弱分类器。其次从获得的众多弱分类器中,选择分类误差最小的弱分类器作为本轮迭代的最佳弱分类器,构成新的 AdaBoost 强分类器。与传统训练算法相比,极大地减少了待选弱分类器的个数。选取 UCI 数据集和MIT人脸图像数据库进行实验验证,相较于传统Discrete-AdaBoost算法,改进算法的训练速度提升了一个数量级,人脸检测率可达96.59%。     

一种基于AdaBoost人脸检测算法在Android平台的实现

针对Android系统自带的人脸检测算法不能精确地检测人脸,尤其是带眼镜后,根本无法检测到人脸.本文研究了一种基于Android系统下的AdaBoost人脸检测算法.首先介绍了Android平台下的人脸检测体系结构,然后对AdaBoost人脸检测模块,包括特征值与特征值的计算、AdaBoost分类器、开发环境搭建分别进行了说明.最后通过样本创建,以及训练好的分类器进行人脸检测.实验结果表明：由于充分利用AdaBoost人脸检测方法实时性比较强、检测率高,该方法完全满足Android平台下人脸检测的需要.     

基于Adboost与空间支持向量域分类的人脸检测

为了在AdaBoost算法基础上进一步提高人脸检测率,提出首先运用AdaBoost算法对样本进行训练得到T个分类器,然后通过空间支持向量域分类(SSVDC)方法找到T个分类器的超球半径以及球心。同时,为了提高检测速度,首先对彩色图像进行肤色分割,去掉背景以及非肤色区域,然后计算所测样本的对应T个分类器的特征值,并计算其到各个超球球心的距离,并根据其与超球半径的关系来判断是否为人脸。在ORL人脸库、YALE人脸库以及CMU+MIT人脸库中进行实验。实验结果表明:本文算法比AdaBoost算法具有更高的检测速度与检测率,检测率可达到94.4%。     

复杂光照下的视频人脸检测与识别的研究

为了解决复杂光照下的视频人脸检测与识别率受影响的问题,提出了一种光照不变的人脸检测与识别方法.该方法基于Retinex理论,提取光照不变分量,然后用于训练AdaBoost分类器;对输入的视频序列也进行相同的光照预处理,然后用训练的AdaBoost分类器进行人脸检测;把检测到的光照不变人脸图像采用分块加权LBP进行特征提取,采用欧氏距离与最近邻分类器进行分类.实验结果表明:该方法能有效提高视频人脸检测率与人脸识别率,而且对于人脸检测与识别只需要一次光照处理,具有更高的效率.     

基于DM6437的人眼检测算法的设计与实现

采用Adaboost人脸检测算法,对输入样本进行Haar特征提取,从中选择出甄别效率最高的Haar特征,然后将训练得到的Haar特征转换为弱分类器,进一步将弱分类器组合成强分类器,通过肤色确定候选点,然后用强分类器进行人脸的检测,进一步利用混合投影峰分析检测人眼的位置。通过C++实现了该算法,完成了人脸检测算法的DSP程序移植。实验结果表明,该DSP系统可以有效的实现人眼检测。     

基于HSV模型和改进AdaBoost算法的车牌检测

提出了一种基于HSV颜色模型和改进AdaBoost算法的车牌检测方法。针对传统AdaBoost算法在训练过程中出现的过配现象和检测率偏低问题,文中在传统AdaBoost算法的基础上对其权值更新规则和弱分类器加权参数做了改进,并通过利用HSV颜色模型构建第一层强分类器,并构建成级联分类器应用于车牌检测。实验证明使用该方法得到的车牌检测器不仅提高了车牌检测率和检测速度,并在一定程度上避免了过配现象产生     

基于视频的人脸检测算法研究

针对传统AdaBoost算法在视频中检测人脸误检率较高的问题,文中提出了一种结合运动分析和肤色检验的改进型人脸检测算法。该方法通过运动检测来提取运动前景,并选择肤色模型对人脸肤色进行相似度求取,利用几何特征进一步缩小检测范围;采用增加新Haar特征和改进权重更新方式的改进型AdaBoost算法对人脸候选区域进行实时检测。实验结果表明,与传统AdaBoost方法和增加肤色检验的AdaBoost方法相比,该方法的误检率分别降低了18.68%和8.79%,检测时间则分别缩短约800 ms和250 ms。     

智能视频监控中基于肤色信息的人脸检测算法研究

针对智能视频监控中人脸检测受复杂环境以及多姿态人脸的影响,采用一种基于肤色特征与Ada Boost算法相结合的方法,提取两种算法各自优点并加以优化,其主要思想是利用肤色特征建立肤色模型,选出含有人脸预检测肤色区域,进行人脸样本训练,提取人脸样本Haar特征,进行弱分类器训练,利用迭代的方法,再将不同的弱分类器组合成强分类器,最后形成级联分类器,运用级联分类器检测含有人脸的肤色区域。实验结果表明,该方法不仅提高了智能视频监控中人脸检测的效率和准确性,而且具有较好的鲁棒性。     

基于CPSO－AdaBoost算法的人脸检测方法

Ada Boost分类器训练算法对特征搜索的时间复杂度较高,改进的PSO-Ada Boost算法采用最佳特征搜索方式训练耗时减少,但在迭代过程中容易陷入局部最优解。为此,提出用混沌粒子群优化Ada Boost训练算法的CPSO-Ada Boost算法。通过引入混沌优化序列增加种群的多样性并扩大粒子搜索范围,帮助粒子克服"惰性"摆脱局部最优解,从而在训练分类器时可以快速寻找到性能更好的弱分类器。在MIT样本库上训练人脸检测分类器结果表明,CPSO-Ada Boost算法减少了训练过程中所需要的特征数量,缩短了训练时间,有效地提高了人脸检测率。     

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,N-I~T来的人脸识别提供了前提条件。     

基于BitBP特征的多重级联人脸检测器

结合Haar和MB-LBP特征,提出了一种采用BitBP特征描述图像局部信息的方法,该特征可有效描述图像局部区域的灰度像素分布情况,具有比Haar和MB-LBP特征更强的分类能力。且可有效地克服Haar特征数目巨大、训练时间长的缺点。根据BitBP特性,提出一种多重级联的分类器。该分类器的每层均由单一BitBP特征的次级级联分类器构成。而次级级联分类器中的每层分类器均是一个小型的联分类器。利用多重级联结构,可获得更快的检测速度。     

视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

深层次特征学习的Adaboost大规模图像分类算法

针对浅层次大规模图像分类的低精度问题,提出深层次特征学习的Adaboost图像分类算法.首先以DBN作为弱分类器对样本图像进行学习,根据每次训练得到的分类错误率以及各样本的分类准确性调整权值;然后在所有弱分类器训练好以后,使用BP算子回溯再次整体调整体样本权值;最后将所有弱分类器集成强分类器,输出最终分类结果.使用MNIST和ETH-80两种数据集进行实验仿真,并将分类结果与其他算法进行比较.结果表明所提算法的分类精度明显高于其他算法,有效实现了高精度的大规模图像分类.     

基于多级联不对称增强和遗传算法的人脸检测

提出了一种基于多级联不对称增强和遗传算法的AdaBoost人脸检测方法。可把认假率和拒真率反馈给当前训练阶段,并通过阀值比较来控制级联层数和局部最佳弱分类器权值。用遗传算法训练选取的局部最佳弱分类器,实现用较少的弱分类器达到高检出率。仿真实验结果表明,该算法可以有效避免过拟合和特征冗余现象,获得较高的检测速度和精度。