基于LBP和CCS-AdaBoost的多视角人脸检测

为了解决多视角人脸检测中多视角导致的人脸结构不同的问题和人脸与非人脸之间的误分类风险不同的问题,检测特征使用局部二值模式（LBP）及统计直方图,人脸非人脸分类器使用可控风险敏感AdaBoost（CCS-AdaBoost）.LBP及统计直方图能够描述多视角的人脸结构|CCS-AdaBoost能够在降低总体的误分类风险的同时最小化分类错误率.实验中,LBP特征的性能在正面人脸检测上比Haar-like特征更好.CCS-AdaBoost分类器在一定条件下也比普通AdaBoost分类器有更好的性能,并且弥补了风险敏感AdaBoost分类器（CS-AdaBoost）对靠近分类边界的样本分类不好的缺陷.最终的多视角人脸检测器在CMU-Profile测试集上获得了满意的结果.该算法实现了鲁棒的多视角人脸检测方法,在相同虚警率下获得比其他人脸检测方法更好的结果,能够有效地解决多视角人脸检测中的2个问题.     

近邻类鉴别分析方法

提出一种近邻类鉴别分析方法,线性鉴别分析是该方法的一个特例。线性鉴别分析通过最大化类间散度同时最小化类内散度寻找最佳投影,其中类间散度是所有类之间散度的总体平均;而近邻类鉴别分析中类间散度定义为各个类与其k个近邻类之间的平均散度。该方法通过选取适当的近邻类数,能够缓解线性鉴别降维后造成的部分类的重叠。实验结果表明近邻类鉴别分析方法性能稳定且优于传统的线性鉴别分析。