基于AdaBoost算法的人脸检测.ppt

基于AdaBoost算法的人脸检测
姓名:董银
学号:2111305003
内容摘要
人脸检测是指对待检测图像,采用一定的方法对其进行搜索来确定其中是否存在人脸,如果存在,则返回人脸的位置、姿态和大小。人脸检测源自人脸识别,是人脸识别系统中一个关键环节。随着近年来电子商务应用的发展,人脸检测开始作为一个独立的课题,受到研究者的重视。人脸检测作为人脸信息处理中的一项关键技术,在身份验证、基于内容的图像检索、自动监控、人机交互等方面有着重要的应用价值。本文详细分析了Viola等人提出的Adaboost级联人脸检测算法,主要任务在于:
1、详细得介绍了Adaboost算法的Haar特征、积分图像、弱分类器、强分类器的概念,在深入研究基于Adaboost算法的人脸检测方法的同时,构建了一个人脸实时检测系统。
2、最后针对传统Adaboost算法在训练过程中出现的退化问题、目标非对称问题和分类器相关性问题,都进行了相应的改进,实验结果表明,改进后的方法在一定程度上避免了退化现象,且在检测率和检测速度方面都有一定的提高本文详细分析了Viola等人提出的Adaboost级联人脸检测算法。
目录
矩形特征和积分图
2
AdaBoost学习算法
3
AdaBoost的改进
4
简介
1
人脸检测系统的实现
5
第一章简介
Adaboost人脸检测方法是一种基于积分图、Adaboost算法和级联检测器的方法,具有鲁棒性强、检测率高等特点。Viola于2001年提出了基于Adaboost算法的人脸检测方法。这种方法首先采用一种被称为“积分图”的方法快速地计算出大量的简单特征,再用Adaboost学习算法从一个较大的特征集中选出少量关键的分类能力较强的特征构造出一系列弱分类器,而后通过线性组合将这些弱分类器组合构成一个强分类器,最后通过Cascade级联算法将单个分类器合成为一个更加复杂的人脸检测器。这种方法有以下三个特点:
。
。
。
第二章矩形特征和积分图

1、定义
矩形特征也叫类Haar特征,能有效地区别人脸与非人脸。iiou提出的。矩形特征值是指图像中两个或多个形状大小相同的矩形内所有像素的灰度值之和的差值。图2一1中包括三种特征,a和b为双矩形特征,将其特征值定义为白色矩形像素和减去黑色矩形像素和。c、d为三矩形特征,其特征值定义为两边的两个白色矩形的像素和减去中间的黑色矩形的像素和。e为四矩形特征,其特征值为对角线上矩形内像素和之差。
图2-1 矩形特征

2、扩展的矩形特征
Viola提出的这些矩形特征对于正面人脸具有较好的描述特性,但是当人脸发生
倾斜时,这些垂直特征性能就大大下降。许多研究人员对Haar-like特征进行了扩展,其中最具代表性的是Lienhart等人提出的带有45度方向的旋转Haar-like 特征,这些特征可以解决一定倾斜角度的人脸检测问题。可以将这些Haar特征三大类分为三大类:边缘特征、线特征和中心环绕特征,如图2-3所示:
图2-3 扩展的矩形特征

特征模板可以在检测窗口的任意尺度、任意位置处进行放置,不同的位置、不同的尺度对应一个特征。从这些矩形特征原型派生其他特征的方法是:对没有旋转的矩形特征原型来说,可以垂直或水平方向上改变矩形边长,对于旋转45度的特征,可以沿正(负) 45度方向改变矩形的边长。一个检测窗口中的特征是非常巨大的,计算其个数是进行后续训练工作的基础。以W × H分辨率的检测窗口为例,在此窗口中,假设矩形特征原型的大小为w × h,系数X=W / w, Y=H /h ,若其为未旋转特征原型,则由此特征原型可以派生出的特征总数为:
XY*(W-w(X+1)/2+1)(H-h(Y+1)/2) (2-1)
若其为旋转特征原型,则可派生的特征总数为:
XY*(W-z(X+1)/2+1)(H-z(Y+1)/2) (2-2)
其中z=w+h
3、特征值的计算
对于任意一个矩形特征,均可用一个五元组表示为 r ( x , y , w, h,α) ,其中x和y表示该矩形特征左上角的坐标值,w和h为该矩形的宽和高,α为该矩形特征旋转的角度。矩形内所有像素的灰度和可以用Re ctSum ( r )来表示。Haar-like 特征值为其白色区域灰度和与黑色区域灰度和之差,每个特征的特征值的计算公式为:

(2-3)
其中ωi 表示矩形的权值,N为组成特征的矩形的个数。满足以上要求的矩形特征有无数个,在实际应用中必须对其进行限制,Rainer Lie