欢迎来到天天文库
浏览记录
ID:41495134
大小:48.95 KB
页数:4页
时间:2019-08-26
《针对《基于DSP的AdaBoost人脸检测算法实现》的改进方案》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、DSP原理及应用课程论文改进方案啊俺家县打辭马行论文题目:针对《基于DSP的AdaBoost人脸检测算法实现》的改进方案班级:学生姓名:学号:评阅教师:改进方案:在Adaboost人脸检测算法的基础上,通过将所有的特征值排序并构建一个次序表,并使用改进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,达到了减少训练分类器耗时、提高检测率和降低课检率的效果.最示在DSP上实现了人脸检测系统,验证了改进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
2、分活跃的课题•人脸检测方法很多,大致可以分为两大类,即棊于先验知识的人脸检测方法和棊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。其屮,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,并冇较好的识别效果.本文在基本Adaboost算法的基础上,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进方法进行实验,并在DM642平台上实现了整个人脸检测系统,实验结果表明,在光照条件良好、检
3、测率相同条件卜P吴检率降低较明显,系统获得了较好的实时性,与传统Adaboost算法相比,本文的方法将训练吋间缩短到了原来的一半.1Adaboost算法Adaboost人脸检测方法是一种基丁•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.目询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使川特征值表示人脸,使用积分图来实现特征数值的快速计算.对人部分矩形特征来说,人脸样本和非人脸样本在大于某任意特征
4、值和小于该特征值所占的样木数比例相差不大,也就是说该特征对于人脸和非人脸儿乎没冇分辨能力•但对于少数短形特征来说,对非人脸样木,某些特征值前后人脸样本和非人脸样木所占的比例却相羌很大,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算法屮,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•通过将所冇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谋率,训练耗时
5、与传统算法相比人约缩短了一半,而检测率没冇明显变化.2.2改变权值更新规则若训练样木屮包含复杂噪声样木,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.这样一來,将会给极少数噪声样本分配过高甚至极高的权重。与此同吋,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木集上的比例急剧减少,出现偏差,而H随着迭代次数的增加,曾经生成过的较准确的分类规则将会逐渐被破坏或者丢失,最终导致权重分布严重扭Illi,分类器性能退化•Nakamura等人奋Schapir
6、e的改进Adaboost学习算法的基础上,提出新的改进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(-atyiht(xi)),能有效抑制分类器性能退化,即:也)),必小0©+l,i%exp(_;MS)),小(兀)HightWeight,%exp(-%yhU)/(》也(兀),©J)其中,心血(xMj=,z,是使为©+1(X/)=1一1,7、tt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e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谋同等地对待。但是,在现实牛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牛的信息损失应该人于将非人脸误判为人脸产生的损火。在分类误差计算时,加入一个大于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谋判为人脸产生的两类错谋的比值,从而尽最减少把人脸样木谋判为非人脸样本的概率。分类误差的计算为8=皿加俨+H厂-8、SJkS~+(厂-S*))。3系统设计3.1硬件平台图像采集部分由CCD摄像头采集视频信号,经过A/D转换生成数字信号,提供给DM642芯片处理,最后输出到电视机显示.图1系统实验平台图2软卅流程3・2软件开发系统采用TT公司的CCS3.1进行软件开发,CCS集成了编辑、编译、链接、软件仿真、破件调试及实时跟踪于一体,极人地方便了DSP程序的设计与开发.系统软件开发流程主要包括硬件配置
7、tt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e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谋同等地对待。但是,在现实牛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牛的信息损失应该人于将非人脸误判为人脸产生的损火。在分类误差计算时,加入一个大于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谋判为人脸产生的两类错谋的比值,从而尽最减少把人脸样木谋判为非人脸样本的概率。分类误差的计算为8=皿加俨+H厂-
8、SJkS~+(厂-S*))。3系统设计3.1硬件平台图像采集部分由CCD摄像头采集视频信号,经过A/D转换生成数字信号,提供给DM642芯片处理,最后输出到电视机显示.图1系统实验平台图2软卅流程3・2软件开发系统采用TT公司的CCS3.1进行软件开发,CCS集成了编辑、编译、链接、软件仿真、破件调试及实时跟踪于一体,极人地方便了DSP程序的设计与开发.系统软件开发流程主要包括硬件配置
此文档下载收益归作者所有