基于adaboost算法人脸检测技术探究和实现

《基于adaboost算法人脸检测技术探究和实现》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于Adaboost算法人脸检测技术探究和实现摘要：随着信息安全，人机交互等领域的发展，人脸检测作为人脸识别的一个重要前期步骤，开始作为一个独立技术越来越受到关注。根据Adaboost算法的基本原理,生成简单的矩形特征为人脸特征（Haar-like特征），然后由多个Harr-like特征构成一个简单的弱分类器，由多个弱分类器级联成为一个强的分类器，并将级联分类器用于动态的人脸检测中，从截取的每一帧图像进行检测。实验证明应用本算法有良好的实时性和准确性。关键词：人脸检测Adaboost算法中图分类号：TP391.41文献标识码：A文章编号：1007-9416（2013）11-0110-02计

2、算机人脸识别技术是利用计算机分析图像，进而从中提取有效的人脸特征息。随着成像设备的不断发展，计算机运行速度的大幅提高，为人脸识别提供了可靠的硬件基础。而人脸识别首先要完成的就是人脸检测，可靠稳定的人脸检测是完成人脸识别功能的基本条件。1人脸检测系统的设计人脸检测系统主要有5部分构成，流程图如图1所示。（1）获取图像：从输入设备中获取将要处理的图像。(2)预处理：将获取到的图像进行预处理，处理成适合特征提取的图像。(3)特征提取：对预处理后的图像提取人脸检测所需特征。(4)人脸检测：根据所提取到的特征来判定是否为人脸。(5)输出检测的结果。2Adaboost算法的基本原理Adaboost算法

3、是由Viola和Jones与2001年提出来的一种基于统计理论的方法。该算法主要分为分类器训练和模式识别两大部分。人脸检测通过训练，可以从一个很大的特征集当中提取出很小的一部分特征作为关键特征，进而产生一个极其有效的分类器。在以后的人脸检测当中就使用这个分类器将人脸与其他背景区分开来，最终确定人脸的大小和位置。a.寻找使得权重为的错误最小的分类器.b.求，这儿，如果最小错误满足，则继续；否则退出。C・设置的权重这里的是步骤2b中的最小错误。d.更新数据点权重：这里的将所有数据点权重归一化。如果在2b步骤找不到小于50%错误率的分类器，则停止，表面可能需要更好的特征。训练算法结束之后，最后的

4、强分类器接受输入向量X,使用所有的弱分类器的加权来进行分类。这里符号函数将所有的正数变为1,所有的负数变为-1。通过该算法我们构建了一个高检测率低拒绝率的多层树分类器，具有如下创新特征：它使用类Haar输入特征：对矩形图像区域的和或者差进行阈值化。它的积分图像加速了矩形图像区域45度旋转值的计算。使用统计来创建两类问题（人脸与非人脸）的分类器节点（高通过率、低拒绝率）。将弱分类器节点组成筛选式级联。也就是说：第一组分类器最为简单，能够通过包含物体的图像区域，同时允许一些不包含物体的图像通过；第二组分类器为次优分类器，也有较低的拒绝率；以此类推。在测试模式下，只要图像区域通过了整个级联器，就

5、认为里面有物体。如图2所示。3人脸检测的实现4结语经过实验验证，本文所阐述的方法能够有效的进行人脸检测。但同时也会因为光照，人脸方向转变而发生一些误判,对此，还需要对应不同的情况进行特殊的预处理来保持检测的准确性。参考文献[1]朱志刚，林学阖•数字图像处理•北京：电子工业出版社.2011.[1]谢风英.VisualC++数字图像处理.北京：电子工业出版社.2008.[2]肖冰，王映辉•人脸识别研究综述[J],计算机应用研究，2005(8)：15-17.[3]虞闯，魏新华，张明•人脸识别技术在门禁系统中的应用•电脑开发与应用.2010,23(8)：27-28.