针对《基于DSP的AdaBoost人脸检测算法实现》的改进方案.docVIP

DSP原理及应用课程论文

论文题目：针对《基于DSP的AdaBoost人脸检测算法实现》

的改良方案

班级：自动化1101

学生姓名：

学号：

评阅教师：张世杰老师

改良方案：

在Adaboost人脸检测算法的根底上,通过将所有的特征值排序并构建一个次序表,并使用改良Ada-boost权值更新算法和分类误差计算方法,训练分类器并检测样本图像,到达了减少训练分类器耗时、提高检测率和降低误检率的效果.最后在DSP上实现了人脸检测系统,验证了改良系统在实时性能上得到较大的改善.

近年来,人脸检测成为模式识别与计算机视觉领域内一项研究十分活泼的课题.人脸检测方法很多,大致可以分为两大类,即基于先验知识的人脸检测方法和基于后验学习和训练的方法.目前用的更多的是后者,它可以分为：特征空间法、人工神经网络法、支持向量机法、概率模型法、Adaboost法等。其中，Viola等提出的Adaboost人脸检测方法，从根本上解决了检测的速度问题,并有较好的识别效果.

本文在根本Adaboost算法的根底上,综合了几种针对减少分类器训练时间以及提高检测率和降低误检率的改良方法进行实验,并在DM642平台上实现了整个人脸检测系统,实验结果说明,在光照条件良好、检测率相同条件下误检率降低较明显,系统获得了较好的实时性,与传统Adaboost算法相比,本文的方法将训练时间缩短到了原来的一半.

1Adaboost算法

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.目前的方法是使用数千张切割好的人脸图片和上万张背景图片作为训练样本,训练图片一般归一化到20＊20的大小.

1.1特征值

Adaboost使用特征值表示人脸,使用积分图来实现特征数值的快速计算.对大局部矩形特征来说,人脸样本和非人脸样本在大于某任意特征值和小于该特征值所占的样本数比例相差不大,也就是说该特征对于人脸和非人脸几乎没有分辨能力.但对于少数矩形特征来说,对非人脸样本,某些特征值前后人脸样本和非人脸样本所占的比例却相差很大,这类特征就能够较理想的分辨人脸和非人脸.

2算法优化

1训练耗时问题

在Adaboost算法中,训练样本自身的各个特征值不会随着训练改变,改变的仅仅是样本的权重,因此只需要在算法初始化时对样本自身特征值排序一次,得到次序表以后就可以反复使用.通过将所有的特征值由小到大排序,构建一个次序表后不再做排序工作,直接求解弱分类器错误率,训练耗时与传统算法相比大约缩短了一半,而检测率没有明显变化.

2.2改变权值更新规那么

假设训练样本中包含复杂噪声样本,在使用Adaboost算法进行训练时,算法重心将会转移到很难分类的样本上,该样本的权重会呈指数增长.这样一来，将会给极少数噪声样本分配过高甚至极高的权重。与此同时,由于权重归一化的原因,已经被正确分类的样本的权重在整个样本集上的比例急剧减少,出现偏差,而且随着迭代次数的增加,曾经生成过的较准确的分类规那么将会逐渐被破坏或者丧失,最终导致权重分布严重扭曲,分类器性能退化.

Nakamura等人在Schapire的改良Adaboost学习算法的根底上，提出新的改良Adaboost学习算法,把每个样本的权值都视为判断该样本是否是困难样本的一个指针,并给权值乘以一个衰减因子exp(-αtyiht(xi)),能有效抑制分类器性能退化,即:

其中，，是使的归一化因子，为每轮训练中的一个权值更新阈值.

2.3弱分类器分类误差ε的计算

传统Adaboost算法是把人脸样本误判为非人脸样本以及非人脸误判为人脸样本产生的错误同等地对待。但是，在现实生活中接触到的图片大都是人脸所占的区域较小,而背景所占图片的区域较大。因此，人脸误判为非人脸产生的信息损失应该大于将非人脸误判为人脸产生的损失。在分类误差计算时，参加一个大于1分类错误比值k，它反映了将人脸误判为非人脸和将非人脸误判为人脸产生的两类错误的比值，从而尽量减少把人脸样本误判为非人脸样本的概率。分类误差的计算为。

3系统设计

3.1硬件平台

图像采集局部由CCD摄像头采集视频信号