基于双阈值继承型AdaBoost算法的人脸快速检测

提出增强型Haar-Like特征和基于双阈值的弱分类器快速训练方法,然后在此基础上提出了继承型Ad-aBoost算法,后层分类器的训练是建立在前层分类器基础之上。该方法具有很快的训练速度,弥补了AdaBoost算法训练速度慢,使得弱分类器数目大大减少,还使得总体检测器的性能得以加强。在实验过程中,首先使用MIT-CBCL库在同样的训练样本和测试样本条件下对几种方法进行了实验,结果表明该方法在训练速度、测试精度及检测时间等方面都优于相应的方法,最后在MIT+CMU人脸测试库进一步验证算法的有效性。

基于Adaboost的人脸检测中关于级联分类器设计和训练问题的探究

本文通过基于Adaboost实现的人脸检测实验,总结了在此方法的程序设计中需要关注的几个问题,并根据实际的实验数据给出了针对这些问题的解决方法。在去光照问题上,介绍了Viola和Jones的局部归一化解决方法。在级联分类器的设计和训练中,介绍了级联结构的设计,以及在每一级的训练中训练数据的设计及训练方法。

基于AdaBoost人脸检测算法中的特征筛选方法

从机器视觉的发展历程出发,首先介绍了人脸检测的概念原理。在引入AdaBoost算法后,详细阐述了算法中的关于积分图、特征值的计算方法以及强分类器的具体训练过程。在对训练效率进行科学分析后,重点介绍了一种基于降低错误率的贡献度的特征筛选方法,以减少垃圾特征对系统的资源的消耗和不良的影响。最后给出人脸检测的实验结果并得出结论。

基于Gentle Adaboost的多姿态人脸检测器结构研究

研究在多姿态人脸检测问题中,不同检测器组织结构及其性能差异。只探讨平面外旋转±90°的姿态空间,将其划分为5类姿态。首先训练单姿态检测器,通过提取扩展Haar-like特征,采用Gentle Adaboost算法,训练得到瀑布型检测器;然后对单姿态检测器进行组合构成多姿态分类器。主要对并行级联结构、并行级联附加姿态估计、金字塔结构和决策树结构4种组合结构进行实验对比,分析其在检测速度、检测率、误检数等性能指标上的差异。

基于模糊集理论的人脸检测

分析了模糊集理论运用于人脸检测的可行性,采用Haar矩形特征和隶属度函数对样本集进行训练,运用特征集的熵和AdaBoost算法选取适当的弱分类器,并构建了分发型人脸检测器。检测时,对于不像人脸的子窗口通过靠前的结构简单的强分类器快速将其淘汰掉;对于像人脸的子窗口,根据其与人脸的相似程度,由分发器动态地选择后面的强分类器进行判定。在MIT+CMU的正面人脸图片集中进行了测试,实验结果表明,此检测器在检测性能降低不大的情况下,可以有效地提高检测效率。

遮挡条件下实时人脸检测

针对遮挡条件下人脸检测召回率不高和训练样本不足的问题,提出了一种数据增强的方法。计算训练样本的平均脸图像,对样本进行手动遮挡处理;使用平均脸策略和图像分割理论对遮挡区域进行分割和处理,获得类似于自然环境下的遮挡样本;使用处理后的样本训练Ada Boost人脸检测器。实验结果表明:通过该方法训练的人脸检测器能够有效地提高遮挡条件下的人脸召回率,同时可以达到实时检测的效果。