本文關鍵詞：復雜背景下多視角人臉檢測研究

  更多相關文章： 多視角人臉檢測 AdaBoost算法 聚合通道特征 嵌套級聯(lián)結構 姿態(tài)估計

【摘要】：人臉檢測是指采用特定的方法對要求的檢測樣本進行搜索,判斷是否存在人臉,若存在人臉,就在檢測樣本中標注出人臉的過程,是人臉識別的一個重要部分。人臉檢測是復雜的模式分類問題,相關研究多集中在簡單背景下的人臉,但隨著視頻會議、安全監(jiān)控等技術的廣泛應用,復雜背景中的人臉檢測逐漸成為模式識別和計算機視覺領域中的研究熱點,本文主要針對復雜背景下的多視角人臉檢測問題進行了相關研究。首先研究了聚合通道特征的應用。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,然后在十通道內任意選擇不同大小、不同位置的矩形計算像素值作為候選特征構成人臉特征集。聚合通道特征與Haar矩形特征表現形式相同,但聚合通道特征在幾乎不引入額外計算量的情況下,大幅度提高了特征的表征能力。實驗證明,聚合通道特征結構簡單,計算速度塊。其次,將AdaBoost算法與嵌套級聯(lián)算法結合在一起,提出AdaBoost-Nesting算法訓練人臉分類器。本文對Adaboost算法進行研究,該算法的基本思想是按一定規(guī)則組合多個弱分類器能夠獲得性能較強的強分類器；針對傳統(tǒng)級聯(lián)結構各節(jié)點分類器獨立訓練,前面節(jié)點訓練過程中的信息只被用來進行二分類(人臉或非人臉)的判定,沒有進行后續(xù)應用,損失了大量信息這一不足,將AdaBoost算法與嵌套級聯(lián)算法結合在一起,提出AdaBoost-Nesting訓練算法,該算法能夠合理利用相鄰節(jié)點間的訓練信息,降低計算負擔。此外,傳統(tǒng)的姿態(tài)估計方法是將待檢測樣本送入單獨訓練的姿態(tài)分類器中進行姿態(tài)估計,依據姿態(tài)估計的結果,選擇特定的視角檢測器進一步處理待檢測樣本,姿態(tài)估計的計算量將被全部加入到待檢測樣本的平均計算量中,導致了檢測速度的下降。本文針對這一問題,引入了改進的姿態(tài)估計策略。本文針對復雜背景下的多視角人臉檢測問題,利用聚合通道特征表征復雜背景下的人臉信息,通過AdaBoost-Nesting算法訓練得到各個視角檢測器,再與改進的姿態(tài)估計相結合,搭建出本文的復雜背景下多視角人臉檢測框架。實驗結果表明,該人臉檢測框架能夠很好的檢測復雜背景下的多視角人臉,檢測速度較快。
【關鍵詞】：多視角人臉檢測 AdaBoost算法 聚合通道特征 嵌套級聯(lián)結構 姿態(tài)估計
【學位授予單位】：湖南大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 人臉檢測研究現狀11-12
• 1.3 人臉檢測相關工作的主要挑戰(zhàn)12-13
• 1.4 論文的研究內容及章節(jié)安排13-15
• 第二章 人臉檢測方法綜述15-19
• 2.1 基于知識的方法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)計學習的方法17-18
• 2.5 本章小結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顏色空間簡介19-20
• 3.1.2 RGB與LUV顏色空間轉換20-21
• 3.2 方向梯度直方圖(HOG)21-25
• 3.2.1 HOG簡介21
• 3.2.2 HOG計算21-25
• 3.3 聚合通道特征提取25-27
• 3.4 本章小結27-28
• 第四章 基于AdaBoost的人臉檢測28-44
• 4.1 AdaBoost算法簡介28-31
• 4.2 AdaBoost算法分類器31-35
• 4.2.1 弱分類器的構成與訓練31-32
• 4.2.2 強分類器的建立32
• 4.2.3 錯誤率研究32-35
• 4.3 級聯(lián)分類器35-36
• 4.4 基于聚合通道特征的正面人臉檢測36-38
• 4.5 實驗結果與分析38-43
• 4.6 本章小結43-44
• 第五章 復雜背景下多視角人臉檢測44-59
• 5.1 視角介紹45-46
• 5.2 AdaBoost-Nesting訓練算法46-50
• 5.2.1 嵌套級聯(lián)檢測器46-47
• 5.2.2 AdaBoost-Nesting算法47-48
• 5.2.3 實驗結果與分析48-50
• 5.3 姿態(tài)估計50-52
• 5.3.1 姿態(tài)估計簡介50-51
• 5.3.2 姿態(tài)估計參數選擇51-52
• 5.4 基于聚合通道特征和AdaBoost-Nesting結構的多視角人臉檢測52-57
• 5.4.1 實驗簡介52-53
• 5.4.2 實驗結果與分析53-57
• 5.5 本章小結57-59
• 總結與展望59-61
• 參考文獻61-66
• 致謝66-68
• 附錄A 攻讀學位期間所發(fā)表的學術論文68-69
• 附錄B 攻讀學位期間參加的科研項目69

，

本文編號：868302