訪問【W(wǎng)RITE-BUG數(shù)字空間】_[內(nèi)附完整源碼和文檔]

AdaBoost 算法是 1995 年提出的一種快速人臉檢測算法，是人臉檢測領(lǐng)域里程碑式的進步，這種算法根據(jù)弱學(xué)習(xí)的反饋，適應(yīng)性地調(diào)整假設(shè)的錯誤率，使在效率不降低的情況下，檢測正確率得到了很大的提高。

摘要 ：人臉檢測是人臉分析的首要環(huán)節(jié)，其處理的問題是確認圖像中是否存在人臉，如果存在則對人臉進行定位。人臉檢測的應(yīng)用領(lǐng)域相當廣泛，是實現(xiàn)機器智能化的重要步驟之一。AdaBoost 算法是 1995 年提出的一種快速人臉檢測算法，是人臉檢測領(lǐng)域里程碑式的進步，這種算法根據(jù)弱學(xué)習(xí)的反饋，適應(yīng)性地調(diào)整假設(shè)的錯誤率，使在效率不降低的情況下，檢測正確率得到了很大的提高。本文對影響 AdaBoost 人臉檢測訓(xùn)練算法速度的至關(guān)重要的兩方面：Haar 特征和積分圖的概念和理論進行了仔細的闡明。同時給出了 AdaBoost 的算法，并深入探討了其中的一些關(guān)鍵問題——弱學(xué)習(xí)器的構(gòu)造、選取等問題。本文還將 AdaBoost 訓(xùn)練出來的多個強分類器連接在一起，形成同時具備高檢測率和低誤識率的級聯(lián)分類器——Haar 分類器。最后用 Haar 分類器實現(xiàn)人臉檢測并通過檢測五官來檢驗檢測結(jié)果。

關(guān)鍵詞 ：Adaboost；機器學(xué)習(xí)；級聯(lián)； Haar 特征

引言

圖像目標的檢測與識別向來是機器視覺領(lǐng)域的重要研究內(nèi)容。其中，人臉圖像信息的處理技術(shù)一直都是模式識別與機器視覺研究領(lǐng)域內(nèi)關(guān)注的重要問題，是現(xiàn)階段基于生物特征的身份識別技術(shù)的重要組成部分之一。作為人臉信息處理中的一項關(guān)鍵技術(shù)，人臉檢測的應(yīng)用背景已經(jīng)遠遠超出了人臉識別系統(tǒng)的范疇，在身份驗證、基于內(nèi)容的圖像檢索、數(shù)字視頻處理、視覺監(jiān)測等方面都有著重要的應(yīng)用價值。

人臉是一種完全開放的信息源，是圖像和視頻中最重要的視覺圖像之一。通過人臉可以得到一個人的性別、年齡、表情和身份等個體信息。人臉分析的相關(guān)研究希望用戶的身份、狀態(tài)和意圖的信息能夠從圖像中提取出來，然后由計算依此做出反應(yīng)（比如通過觀察用戶臉部表情來分析心情并進行相應(yīng)反應(yīng)）。

人臉檢測是指在輸入圖像中確定所有存在的人臉的位置、大小的過程。人臉識別或辨認、人臉定位以及人臉追蹤等都與人臉檢測密切相關(guān)。

早期的人臉識別算法都是在假設(shè)已經(jīng)得到了一個正面人臉或者假設(shè)人臉很容易獲得的前提下進行的，但是隨著人臉分析應(yīng)用范圍的不斷擴大和開發(fā)實際系統(tǒng)需求的不斷提高，這種假設(shè)下的研究不再能滿足需求。人臉檢測開始作為獨立的研究內(nèi)容發(fā)展起來。

近年來出現(xiàn)了大量的人臉檢測方法，其中 Paul Viola 和 Michael Jones 于 2001 年提出的 Adaboost 算法是第一個實時的人臉檢測算法，從根本上解決了檢測的速度問題，同時具有較好的識別效果[2]。

本文研究 AdaBoost 人臉檢測方法的訓(xùn)練流程，研究了 Adaboost 算法的實現(xiàn)步驟，設(shè)計并實現(xiàn)基于 Haar 分類器的人臉檢測系統(tǒng)，并通過檢測五官來檢驗檢測結(jié)果。