基于自学习特征融合的人脸检测算法研究

发布时间：2016-12-01 21:30

  本文关键词：基于自学习特征融合的人脸检测算法研究，由笔耕文化传播整理发布。

《中国海洋大学》 2015年

基于自学习特征融合的人脸检测算法研究

刘吉  

【摘要】：近几十年来,随着计算机技术的发展,数字图像处理领域有了很大的飞跃。现今的科技产品,例如：视频监控、人脸签到、数码相机、视频会议,还有目前新兴的图片内容检索等,都离不开对于数字图像中人脸的检测。人脸检测属于计算机视觉的范畴,最早的主要研究是针对人脸识别,后来在复杂背景下的人脸检测越来越受到重视,人脸检测也逐渐作为一个单独的研究方向发展起来。人脸检测是人脸识别的基础,在图像处理领域一直是非常热门的研究方向。这些年来,在人脸检测和人脸识别领域,大量学者们进行了许多方向的深入研究。Freund和Schapire在1995年提出的AdaBoost算法,是对传统Boosting算法的一大提升。Boosting算法的核心思想是将弱学习算法提升成强学习算法,也就是“三个臭皮匠顶一个诸葛亮”。2001年,Viola和Jones两位学者在AdaBoost算法的基础上,使用Haar-like特征和积分图方法进行人脸检测,他们设计了针对人脸检测更有效的特征,并对AdaBoost训练出的强分类器进行级联。因此这个算法后来被称为Viola-Jones检测器。他们的成果极大地促进了人脸检测的进步,具有里程碑式的意义。深度学习是近几年发展起来的理论,并不断取得应用的突破。本文借助基于深度学习的PCANet算法,实现了优异的人脸检测。在使用相同样本进行训练的情况下,这种算法明显优于基于Haar特征的Adaboost算法,并且显示了良好的泛化能力。本文研究的主题是数字图像中的人脸检测。通常在样本的设计和选择中,由于分类器在训练时需要大量的正负样本,这带来极大的工作量；在级联分类器训练过程中对于检测结果的检验,必须依赖人工的干预。因此,本文的目的之一是找到在分类算法中样本的选择及训练方法。本文通过研究基于Haar特征的Adaboost算法和基于深度网络学习的PCANet算法,将Haar特征和深度网络学习各自的训练及检测融合在一起。然后进行升级式的训练,实现了人脸和非人脸两类样本的不断收敛,取得了良好的人脸和非人脸的分类效果。最终,使用升级后的分类器获得了极佳的人脸检测效果。本文的研究方法,有效避免了分类器训练过程中存在的负样本无法保证充足的问题,极大减少了样本设计的人工工作,实现了样本设计自动化。并且在样本数量较少的情况下,实现了较高的检测率和较低的误检率

【关键词】：
【学位授予单位】：中国海洋大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

摘要5-7

Abstract7-12

1. 绪论12-26

1.1 背景12-14

1.2 研究现状14-18

1.2.1 人脸检测算法的分类14-15

1.2.2 VIOLA-JONES人脸检测器15-16

1.2.3 深度学习的发展16-18

1.3 面临的挑战18-20

1.3.1 计算机的处理能力问题18

1.3.2 光照变化18-19

1.3.3 人脸的偏转及表情的复杂性19-20

1.3.4 遮挡物20

1.4 检测技术的评价方法20-22

1.4.1 对于检测结果中人脸区域位置的评价方法20

1.4.2 对于检测结果的评价方法20-22

1.5 主要人脸数据集介绍22-23

1.6 论文的主要工作及创新点23-26

1.6.1 本文所做的主要工作24-25

1.6.2 创新点25-26

2. 基于HAAR特征的ADABOOST算法人脸检测理论26-38

2.1 HAAR特征26-29

2.2 积分图29-30

2.3 弱分类器30-33

2.4 强分类器33-34

2.5 级联分类器34-35

2.6 光照问题的处理35-38

3. 深度学习理论及PCANET算法38-42

3.1 深度学习介绍38-39

3.2 PCANET算法39-42

3.2.1 第一层PCA40-41

3.2.2 第二层PCA41

3.2.3 输出层41-42

4. ADABOOST和PCANET的融合训练方法42-60

4.1 ADABOOST算法的设计和训练42-43

4.1.1 ADABOOST级联分类器的设计及其训练42-43

4.2 PCANET算法的设计和训练43-45

4.2.1 PCANET算法的设计43

4.2.2 PCANET算法的训练43-45

4.2.2.1 初始样本的设计和训练43-44

4.2.2.2 PCANet检测Adaboost的输出结果44-45

4.3 ADABOOST和PCANET的融合训练45-46

4.3.1 融合训练的目的45

4.3.2 融合训练的方法45-46

4.3.3 再次进行PCANET的训练和检测46

4.3.4 ADABOOST和PCANET的循环训练和检测46

4.4 实验结果46-57

4.4.1 使用一种方法的检测结果46-47

4.4.2 融合训练的实验结果47-57

4.5 自学习能力的实现57-60

5. 融合训练的程序模块设计60-66

5.1 程序运行环境60

5.2 程序整体框架60-61

5.3 图像子窗口检测模块61-63

5.4 特征融合更新模块63-66

6. 总结和展望66-68

参考文献68-74

附录1：程序代码节选74-84

1.1、 Read_directory. m74-75

1.2、 Check_face_nonface_PCANet. m75-78

1.3、 extHaarLikeFeature. c78-84

致谢84-86

个人简历、在学期间发表的学术论文与研究成果86

下载全文 更多同类文献

CAJ全文下载

(如何获取全文？ 欢迎：购买知网充值卡、在线充值、在线咨询)

CAJViewer阅读器支持CAJ、PDF文件格式

【参考文献】

中国期刊全文数据库 前8条

1 周书仁;殷建平;;基于Haar特性的LBP纹理特征[J];软件学报;2013年08期

2 宁轲;黎展荣;陈莹;;基于神经网络扩张的Adaboost人脸检测算法[J];计算机光盘软件与应用;2012年17期

3 谢红跃;方昱春;蔡起运;;一种新的改进AdaBooat弱分类器训练算法[J];中国图象图形学报;2009年11期

4 刘晓克;孙燮华;周永霞;;基于新Haar-like特征的多角度人脸检测[J];计算机工程;2009年19期

5 许高凤;丁士圻;郭丽华;王大成;;基于小波的人脸去光照识别算法研究[J];系统仿真学报;2009年14期

6 艾海舟 ,肖习攀 ,徐光祐;人脸检测与检索[J];计算机学报;2003年07期

7 梁路宏 ,艾海舟 ,肖习攀 ,叶航军 ,徐光祐 ,张钹;基于模板匹配与支持矢量机的人脸检测[J];计算机学报;2002年01期

8 刘翼光,沈理;利用Hausdorff距离人脸图像定位算法[J];计算机研究与发展;2001年04期

中国博士学位论文全文数据库 前1条

1 黎云汉;人脸特征提取与跟踪[D];浙江大学;2008年

中国硕士学位论文全文数据库 前4条

1 周天相;基于Adaboost的人脸检测研究[D];北京邮电大学;2013年

2 魏喆;基于AdaBoost的人脸检测[D];北京邮电大学;2012年

3 胡敏敏;人脸识别系统的研究与实现[D];南京邮电大学;2011年

4 周士奇;基于LBP和Adaboost的人脸识别算法研究[D];东北大学;2010年

【共引文献】

中国期刊全文数据库 前10条

1 雷吴斌;焦纪超;王文宇;李迎弟;茹强;;基于红外及人脸识别技术的车辆防盗方法研究[J];科技经济市场;2016年07期

2 徐中宇;徐红梅;徐勇;;基于胃镜图像的胃脘痛特征数据分析[J];电子科技;2016年05期

3 周书仁;王刚;徐岳峰;;改进型HLBP纹理特征的行人检测[J];计算机工程与科学;2016年05期

4 刘娟;胡敏;黄忠;;基于最优支持度的证据融合表情识别方法[J];电子测量与仪器学报;2016年05期

5 杨德红;闫河;刘婕;王朴;;HLBP纹理特征Mean Shift目标跟踪算法[J];计算机工程与设计;2016年04期

6 钱玉洁;王玉德;冯玮;李圆圆;张肖肖;;基于DPM模型的静态人脸检测[J];电子技术;2016年03期

7 闫河;刘婕;杨德红;王朴;;双重特征粒子滤波目标跟踪算法[J];小型微型计算机系统;2016年02期

8 曹义亲;程威;黄晓生;;在线矩形特征选择的压缩跟踪算法[J];计算机科学;2016年01期

9 相子喜;吕学强;张凯;;新闻图像中重要人物的自动检测和识别研究[J];科学技术与工程;2015年36期

10 李海亭;李艳红;彭清山;王闪;;全景地图隐私信息处理的关键技术研究[J];测绘通报;2015年12期

中国硕士学位论文全文数据库 前10条

1 陈晓念;基于视觉的避雷器识别与跟踪算法研究[D];广东工业大学;2016年

2 臧佩佩;视网膜图像处理算法及应用研究[D];山东中医药大学;2015年

3 祝宝龙;基于视觉跟踪技术的眼控鼠标研究[D];哈尔滨工业大学;2015年

4 刘吉;基于自学习特征融合的人脸检测算法研究[D];中国海洋大学;2015年

5 张恒;基于近红外图像的疲劳驾驶检测研究与系统实现[D];长安大学;2015年

6 余松;电子警察系统中车辆跟踪及夜间车辆检测算法研究[D];西安电子科技大学;2014年

7 贾宁宁;基于SIFT算法的人脸识别研究[D];东北大学;2014年

8 王庆伟;基于Haar-Like T特征的人脸检测与识别研究[D];五邑大学;2014年

9 闫斌;基于改进的肤色模型和CPSO-AdaBoost算法的人脸检测[D];新疆大学;2014年

10 牛慧芳;E-Learning中基于联合Haar特征的表情特征提取研究[D];首都师范大学;2014年

【二级参考文献】

中国期刊全文数据库 前10条

1 李维维;胡桂明;童刘伟;何隆玲;;基于肤色和AdaBoost算法的人脸检测[J];网络安全技术与应用;2012年08期

2 孙崇璇;;基于PCA主成分分析的人脸检测实现与分析[J];云南民族大学学报(自然科学版);2010年06期

3 陈蓉伟;刘芳;郝红侠;;基于EHMM-HMT和MSWHMT的多尺度纹理图像分割[J];软件学报;2010年09期

4 王爽;夏玉;焦李成;;基于均值漂移的自适应纹理图像分割方法[J];软件学报;2010年06期

5 李盛文;鲍苏苏;;基于PCA+AdaBoost算法的人脸识别技术[J];计算机工程与应用;2010年04期

6 甘俊英;李春芝;;基于小波变换的二维独立元在人脸识别中应用[J];系统仿真学报;2007年03期

7 李闯;丁晓青;吴佑寿;;一种改进的AdaBoost算法——AD AdaBoost[J];计算机学报;2007年01期

8 蒋巍;王伟;;基于小波和奇异值分解的人脸识别方法[J];计算机仿真;2006年04期

9 武勃,黄畅,艾海舟,劳世竑;基于连续Adaboost算法的多视角人脸检测[J];计算机研究与发展;2005年09期

10 梁路宏 ,艾海舟 ,徐光祐 ,张钹;人脸检测研究综述[J];计算机学报;2002年05期

中国硕士学位论文全文数据库 前1条

1 沈利明;人脸跟踪算法及其在DAM6416平台上的实现[D];南京理工大学;2006年

【相似文献】

中国期刊全文数据库 前10条

1 赵东方;杨明;邓世涛;;几种人脸检测算法的对比研究[J];内江科技;2011年10期

2 王仕民;叶继华;罗文兵;占明艳;;嵌入式人脸检测算法的研究与实现[J];江西通信科技;2011年02期

3 金鑫;李晋惠;;基于神经网络的人脸检测算法研究[J];科技信息;2008年35期

4 翟懿奎;黄聿;谢剑华;吴志龙;郭承刚;;基于肤色的实时人脸检测算法研究[J];电子设计工程;2011年09期

5 王小兰;蔡灿辉;朱建清;;一种改进的快速人脸检测算法[J];微型机与应用;2013年15期

6 张炜;耿新;陈兆乾;陈世福;;一种基于可疑人脸区域发现的人脸检测方法[J];计算机科学;2004年04期

7 罗三定;周磊;沙莎;;一种新的快速多人脸检测算法[J];计算机应用研究;2008年04期

8 乔晓芳;吴小俊;王士同;杨静宇;;一种改进的人脸检测算法[J];计算机应用;2008年04期

9 徐显日;;视频中实时的人脸检测算法[J];福建电脑;2012年08期

10 崔晓琳;蔡灿辉;朱建清;;一种基于肤色后置滤波的快速人脸检测算法[J];通信技术;2013年08期

中国重要会议论文全文数据库 前2条

1 付朝霞;韩焱;王黎明;;复杂背景下视频运动目标的人脸检测算法[A];第十三届中国体视学与图像分析学术会议论文集[C];2013年

2 陈健;钱芸芸;;用DSP实现实时人脸检测[A];第二届全国信息获取与处理学术会议论文集[C];2004年

中国博士学位论文全文数据库 前2条

1 周薇娜;人脸检测算法及其芯片实现关键技术研究[D];复旦大学;2012年

2 郭耸;人脸检测若干关键技术研究[D];哈尔滨工程大学;2011年

中国硕士学位论文全文数据库 前10条

1 赵玉亭;基于ARM9的便携式监控取证系统的研究与设计[D];西安工业大学;2015年

2 袁成林;基于支持向量机的笑脸识别算法研究[D];广西大学;2015年

3 杨万振;视频人脸检测算法研究及其DSP实现[D];东北大学;2013年

4 宁勇敢;不合作条件下人脸检测算法研究[D];辽宁工业大学;2016年

5 刘吉;基于自学习特征融合的人脸检测算法研究[D];中国海洋大学;2015年

6 马慧;人脸检测算法的设计与实现[D];东南大学;2015年

7 朱晓峰;快速人脸检测算法的改进策略及在视频中的应用[D];复旦大学;2009年

8 邵晓刚;基于矩阵灰色B型绝对关联度的人脸检测算法研究[D];东北师范大学;2012年

9 周彩霞;基于准端正人脸检测算法的研究[D];国防科学技术大学;2004年

10 李琦;人脸检测算法研究及其在视频中的应用[D];西安电子科技大学;2005年

  本文关键词：基于自学习特征融合的人脸检测算法研究，，由笔耕文化传播整理发布。

本文编号：201353