基于adaboost算法的人脸检测_图文.ppt

基于AdaBoost算法的人脸检测研究 2016/11/24 导师： 黄晁 学生：孙松 选题的背景和意义 背 景 ① 人脸所反映的视觉信息在人们的交往中有着重要的意义。视频监控、 出入口控制以及人机交互等领域有着广泛地应用前景。 第一部分： 使用Harr-like特征表示人脸，使用“ 积分图”实现特征数值的快速计算; 第二部分： 使用Adaboost算法挑选出一些最能代表人脸的矩形特征( 弱分类器)，按照加权投票的方式将弱分类器构造为一个强分类器; 第三部分： 将训练得到的若干强分类器串联组成一个级联结构的层叠分类器，级联结构能有效地提高分类器的检测速度。 Haar特征 脸部的一些特征可以由矩形特征简单的描绘。 通常，眼睛要比脸颊颜色更深；鼻梁两侧要比鼻梁颜色要深。 最简单的5个矩形特征模板 定义该模板的特征值为白色矩形像素和减去黑色矩形像素和。Haar特征值反映了图像的灰 度变化情况。 计算Haar特征的值 特征模板可以在子窗口内以“任意”尺寸“任意”放置，每一种形态称为一个特征。对于一个 24x24的子窗口来说，特征的数量有数十万个。 为求取haar特征的特征值，引入了积分图。 只需要对每个像素进行少量的计算工作，就能得到一幅图像的“积分图”。“积分图”能够在多种尺度下，使用相同的时间来计算不同的特征，因此大大提高了检测速度。对于图像内一点A(x,y),定义其积分图ii(x,y)。其积分图，ii(x,y)可通过下式迭代求出： s(x,y)=s(x,y-1)+i(x,y) ii(x,y)=ii(x-1,y)+s(x,y) 其中s(x,y)为点(x,y)及其y方向上所有原始图像之和（列积分和）； 坐标A(x,y)的积分图定义为其左上角矩形所有像素之和（图中阴影部分）。s(x,y)为A(x,y)及其y方向向上所有像素之和(图中粗红竖线) 利用积分图计算haar特征特征值 x y 区域D的像素可用积分图计算为：ii4+ii1-(ii2+ii3) x 6 此特征模板的特征值为：区域A的像素值-区域B的像素值而：区域A的像素值=ii4+ii1-(ii2+ii3) 区域B的像素值=ii6+ii3-(ii4+ii5) 所以此特征模板的特征为： AdaBoost训练算法 表示其为负样本（非人脸） 表示其为正样本（人脸）。n为一共的训练样本数量。 级联分类器： 级联分类器就是一种退化了的决策树。在级联分类器中，图像被拒绝以后就直接被抛弃，不会再有判断。 f1 被拒绝的图像 级联强分类器的策略是，将若干个强分类器由简单到复杂排列，希望经过训练使每个强分类器都有较高检测率，而误识率可以放低，比如一个强分类器几乎99%的人脸可以通过，但50%的非人脸也可以通过，这样如果有20个强分类级联，那么他们的总识别率为0.9^20约等于98%，错误接受率也仅为0.5^20约等于0.0001%。这样的效果就基本可以满足现实需求了。 一种方法是：添加特征法，对于第一个分类器，只用少数几个特征，之后 每个分类器都在上一个的基础上添加特征，知道满足该级的要求。