本文關(guān)鍵詞：基于特征融合的AdaBoost人臉檢測(cè)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(cè)作為人臉識(shí)別的關(guān)鍵步驟,在計(jì)算機(jī)視覺(jué)和模式識(shí)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(jìn)行采集時(shí)易受到外部因素的影響,使得人臉檢測(cè)成為一種極具挑戰(zhàn)性的課題。隨著人臉檢測(cè)的應(yīng)用領(lǐng)域越來(lái)越廣泛,各種檢測(cè)算法層出不窮。其中Ada Boost算法具有較高的檢測(cè)率和較快的檢測(cè)速度。在此基礎(chǔ)上,如何進(jìn)一步提高Ada Boost算法的檢測(cè)率和檢測(cè)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(duì)特征提取方法和算法本身進(jìn)行分析和改進(jìn),并且在Matlab平臺(tái)上對(duì)這些改進(jìn)做了仿真實(shí)驗(yàn),證實(shí)了所提的改進(jìn)方法對(duì)人臉檢測(cè)性能方面有較為明顯的提高。本文的主要工作包括:針對(duì)Haar-like特征的缺點(diǎn),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(shí)現(xiàn)快速人臉檢測(cè)。該方法首先針對(duì)LBP特征的提取方法進(jìn)行了一些改進(jìn),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(lèi)器進(jìn)行線性融合,確定最佳權(quán)重使兩個(gè)目標(biāo)函數(shù)最小,然后依據(jù)最佳權(quán)重確定最終的強(qiáng)分類(lèi)器。在MIT+CMU人臉數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果顯示,該方法的特征提取時(shí)間少于Haar-like特征,訓(xùn)練弱分類(lèi)器的耗時(shí)也大幅度減少。檢測(cè)率相比Haar-like特征基本持平,檢測(cè)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(duì)Ada Boost算法樣本中存在噪聲樣本等特殊樣本時(shí)導(dǎo)致的過(guò)學(xué)習(xí)現(xiàn)象,對(duì)算法本身做出改進(jìn)。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(lèi)正確率相關(guān)的權(quán)值更新規(guī)則,從兩方面保證對(duì)人臉樣本的重視。該方法首先運(yùn)用前面的方法進(jìn)行特征提取,然后使用改進(jìn)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(shí)驗(yàn)結(jié)果表明,相對(duì)于基于Haar-like特征的Ada Boost算法,改進(jìn)的Ada Boost算法在大幅度減少訓(xùn)練時(shí)間的同時(shí),提高了檢測(cè)率,對(duì)整個(gè)人臉檢測(cè)性能都有較為有效的改進(jìn)。
【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(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：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(guó)內(nèi)外研究現(xiàn)狀13
• 1.3 人臉檢測(cè)方法綜述13-18
• 1.3.1 基于先驗(yàn)知識(shí)的人臉檢測(cè)方法14-16
• 1.3.2 基于機(jī)器學(xué)習(xí)的人臉檢測(cè)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(cè)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(jì)算22-25
• 2.1.3 積分圖以及特征值計(jì)算25-27
• 2.2 弱分類(lèi)器27-29
• 2.2.1 弱分類(lèi)器的定義27-28
• 2.2.2 選擇最佳弱分類(lèi)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(jí)聯(lián)分類(lèi)器32-34
• 2.4.1 級(jí)聯(lián)分類(lèi)器結(jié)構(gòu)32
• 2.4.2 級(jí)聯(lián)分類(lèi)器的訓(xùn)練算法32-33
• 2.4.3 檢測(cè)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(diǎn)描述36-37
• 3.2.3 LBP特征的計(jì)算37-38
• 3.3 基于特征融合的ADABOOST算法38-41
• 3.3.1 改進(jìn)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(jìn)的Ada Boost算法流程40-41
• 3.4 實(shí)驗(yàn)結(jié)果及分析41-43
• 3.5 本章小結(jié)43-44
• 第4章 改進(jìn)權(quán)值更新和歸一化規(guī)則的ADABOOST算法44-51
• 4.1 ADABOOST算法過(guò)程分析44-45
• 4.2 改進(jìn)的ADABOOST算法45-46
• 4.2.1 權(quán)值歸一化規(guī)則的改進(jìn)45-46
• 4.2.2 權(quán)值更新規(guī)則的改進(jìn)46
• 4.3 改進(jìn)權(quán)值更新和歸一化規(guī)則的ADABOOST算法46-48
• 4.4 實(shí)驗(yàn)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(xiàn)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(xiàng)目59

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(bào)(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(shí)別研究[J];中國(guó)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(yǔ)義識(shí)別研究[J];太原理工大學(xué)學(xué)報(bào);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(lèi)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(jī)器人場(chǎng)景定位中的應(yīng)用[J];東南大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年S1期

6 卞志國(guó);金立左;費(fèi)樹(shù)岷;;特征融合與視覺(jué)目標(biāo)跟蹤[J];計(jì)算機(jī)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(guó)民航大學(xué)學(xué)報(bào);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(bào)(工程科學(xué)版);2012年06期

9 劉冬梅;;基于特征融合的人臉識(shí)別[J];計(jì)算機(jī)光盤(pán)軟件與應(yīng)用;2013年12期

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

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 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(jī)器人場(chǎng)景定位中的應(yīng)用[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[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(jī)的偽裝人臉識(shí)別[A];第六屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2012年

3 卞志國(guó);金立左;費(fèi)樹(shù)岷;;基于增量判別分析的特征融合與視覺(jué)目標(biāo)跟蹤[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第三分冊(cè)）[C];2009年

4 韓文靜;李海峰;韓紀(jì)慶;;基于長(zhǎng)短時(shí)特征融合的語(yǔ)音情感識(shí)別方法研究[A];第九屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集[C];2007年

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

6 金挺;周付根;白相志;;一種簡(jiǎn)單有效的特征融合粒子濾波跟蹤算法[A];2007年光電探測(cè)與制導(dǎo)技術(shù)的發(fā)展與應(yīng)用研討會(huì)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(jī)來(lái)源認(rèn)證方法[A];全國(guó)第一屆信號(hào)處理學(xué)術(shù)會(huì)議暨中國(guó)高科技產(chǎn)業(yè)化研究會(huì)信號(hào)處理分會(huì)籌備工作委員會(huì)第三次工作會(huì)議專(zhuān)刊[C];2007年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 周斌;多生物特征融合理論的研究與實(shí)驗(yàn)[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(shí)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(jué)特征融合的后方車(chē)輛檢測(cè)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(shí)別研究[D];華南理工大學(xué);2013年

8 樊國(guó)梁;基于多類(lèi)特征融合的蛋白質(zhì)亞線粒體定位預(yù)測(cè)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(guó)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(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 付艷紅;基于特征融合的人臉識(shí)別算法研究與實(shí)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(shí)木地板缺陷檢測(cè)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(shí)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(shí)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(shí)別研究[D];西南大學(xué);2015年

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

8 何樂(lè)樂(lè);醫(yī)學(xué)圖像分類(lèi)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(jué)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(shí)別算法[D];東北大學(xué);2013年

，

本文編號(hào)：1044676