最新基于肤色模型和Adaboost算法的人幻灯片.ppt

《最新基于肤色模型和Adaboost算法的人幻灯片.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于肤色模型和Adaboost算法的人报告框架为什么要做人脸检测？人脸检测有哪些方法？人脸图像数据库Adaboost算法肤色模型人脸分割两种算法的结合对比实验该算法的不足之处致谢为什么要做人脸检测人脸检测作为人脸信息处理的一个重要内容,近年来已经成为计算机视觉与模式识别领域的研究热点之一.人脸作为一种自然形体具有很强的共性,但由于个体的外貌差异、表情变化以及图像在采集时受光照、设备等因素的影响,使得人脸图像具有比较复杂而细致的模式变化.因此,人脸检测是一个极具挑战性的模式分类问题,对这个问题的研究具有十分重要的学术价值.Ada

2、boost算法一、Adaboost算法简介Adaboost即AdaptiveBoosting算法是由Freund和Schapire于1995年提出。2001年，ViolaPaul和JonesMichael正式将Adaboost算法用于人脸检测。Adaboost算法的检测率很高平均可达94%以上，是目前比较热门的人脸检测算法，但其误检率也相对较高（比肤色方法的误检率要低得多）。Adaboost算法二、弱学习与强学习随机猜测一个是或否的问题，将会有50%的正确率。如果一个假设能够稍微地提高猜测正确的概率，那么这个假设就是弱学习算法

3、。得到这个算法的过程称为弱学习。如果一个假设能够显著地提高猜测正确的概率，那么这个假设就称为强学习算法。得到这个算法的过程称为强学习。Adaboost算法三、矩形特征对Adaboost人脸检测算法的速度起着重要的两方面是特征的选取和特征值的计算。将矩形作为人脸检测的特征向量，称为矩形特征。在给定有限的数据情况下，基于特征的检测能够编码特定区域的状态，而且基于特征的系统比基于象素的系统要快得多。Adaboost算法矩形特征对一些简单的图形结构，比如边缘、线段，比较敏感，但是其只能描述特定走向（水平、垂直、对角）的结构，因此比较粗

4、略。（如右图所示）对于一个24X24的检测窗口，其内部的矩形特征的数量可达到160000以上。三、矩形特征（续）Adaboost算法三、矩形特征（续）对于某一检测窗口，由于特征数量巨大，必须通过特定算法甄选合适的矩形特征（最佳特征），并将其组合成强分类器才能检测人脸。（如下图：人眼的水平区域比面颊上部区域的灰度要暗一些。）Adaboost算法四、积分图与特征值计算积分图的引入可以快速计算出矩形特征。对于图像内一点A(x,y)，定义其积分图为其中i(x’,y’)为点(x’,y’)处的灰度值，对于灰度图像，其值为0~255.对于彩

5、色图像，可以先按照人脸检测彩色空间将其转换为灰度值。Adaboost算法四、积分图与特征值计算（续）ii(x,y)也可以通过下式迭代求出：其中s(x,y)为点(x,y)及其y方向上所有原始图像之和，成为“列积分和”，可以定义为：Adaboost算法四、积分图与特征值计算（续）xy（1，1)yxA(x,y)Adaboost算法四、积分图与特征值计算（续）xyABCD1234区域D的像素值=点4的积分图像值+点1的积分图像值-点2的积分图像值-点3的积分图像值Adaboost算法四、积分图与特征值计算（续）xyAB123456(1

6、,1)此特征模板的特征值为：区域A的特征值-区域B的特征值Adaboost算法五、Adaboost学习算法A.给定一系列训练样本{(x1,y1),(x2,y2),…(xn,yn)}。其中，xi为输入训练样本，yi是分类类别标志，yi∈Y={0,1},其中，0表示非人脸图像，1表示人脸图像，n为一共的训练样本数量。B.指定循环的次数T，T将决定最后强分类器中弱分类器的数目。C.初始化权值：w1,i=1/2m为非人脸样本的初始化权值，1/2n为人脸样本的初始化权值，其中，m为负样本的个数，n为正样本的个数Adaboost算法五、A

7、daboost学习算法（续）D.对t=1,…,T:(1)、归一化权值：(2)、对每个特征，训练一个弱分类器h(x,f,p,q)；计算对应所有特征的弱分类器的加权(qt)错误率。(3)、选取具有最小错误率的弱分类器h(x,f,p,q)加入到强分类器中。Adaboost算法五、Adaboost学习算法（续）(4)、按照这个最佳弱分类器，调整权重：其中，表示xi被正确的分类，表示xi被错误分类。E.T轮训练完毕，最后得到强分类器为：Adaboost算法Adaboost算法六、基于矩形特征的弱分类器对于每一个检测窗口，含有大量的矩形特

8、征（一般有上万个）。在这个庞大的特征集合中只有一小部分特征能够用来构建高效的分类器。我们通过前面的算法，在每一轮循环中从众多的矩形特征中选择最佳矩形特征。最佳特征对应的弱分类器的表达式为：其中，是矩形特征的特征值，为弱分类器的阈值，表示不等式方向，可取。Adaboost算法七