AdaBoost人臉檢測算法的改進研究與實現(xiàn).pdf

1、人臉檢測技術(shù)是生物特征檢測的一個重要方面，以其非接觸式采集和無侵犯性的優(yōu)點，擁有廣泛的應(yīng)用前景，它的主流算法是AdaBoost算法。本文重點研究了AdaBoost算法，為了提高檢測速度和弱光照下的準(zhǔn)確率，對其作出了三點改進，主要內(nèi)容如下:第一，在YCrCb空間用膚色檢測對圖像預(yù)處理來縮短AdaBoost算法檢測范圍，提高檢測速度。由于在YCrCb空間中，能夠通過CrCb值比較好的區(qū)分出膚色區(qū)域，所以在YCrCb空間中進行膚色檢測。在檢測

2、之前，需要先對膚色的Cr和Cb值統(tǒng)計，以確定它們的分布范圍。在膚色檢測時，對轉(zhuǎn)換到Y(jié)CrCb空間中的圖片象素點進行CrCb值檢測，分割出膚色區(qū)域，再用AdaBoost算法檢測人臉，這樣就提高了檢測速度。但是仿真結(jié)果表明，在處理弱光線圖片時則出現(xiàn)了嚴(yán)重的問題:膚色區(qū)域被誤檢甚至漏檢。
　　 第二，針對膚色檢測在弱光照條件下漏檢的現(xiàn)象，用HE-1gDCT方法對弱光照圖片進行光照補償。在讀入圖片后先求圖片Y(光照)分量分布范圍，如果Y

3、分量很大部分集中在低頻區(qū)域，則對圖片進行光照補償:對灰度圖片用HE(直方圖均衡化)補償光照，對彩色圖片用1gDCT(對數(shù)域DCT變換)。雖然光照補償增加了處理時間，但是保證了弱光線條件下檢測的準(zhǔn)確率，降低了誤檢率和漏檢率，提高了檢測性能。
　　 第三，用Gabor特征代替Harr-like特征以達(dá)到更好的人臉表達(dá)能力，然后用PCA方法對人臉Gabor特征降維，以達(dá)到更高的檢測速度。相比于其它特征，Gabor特征對人臉圖像具有很強

4、的刻畫細(xì)節(jié)與局部結(jié)構(gòu)的能力。由于Gabor特征數(shù)量過于龐大，需要用PCA對其降維。PCA不僅使得降維后的Gabor特征均方誤差最小，而且使得Gabor特征在變換后的低維空間有很好的人臉表達(dá)能力。用PCA方法對Gabor特征進行降維后，選出了14維具有高貢獻(xiàn)率的特征，并將其訓(xùn)練為弱分類器，通過AdaBoost算法組合為強分類器。
　　 最后，搭建了人臉檢測系統(tǒng)，并將上述三點改進應(yīng)用到該系統(tǒng)中，測試結(jié)果表明該人臉檢測系統(tǒng)提高了39%