基于GH-YJ混合型的Adaboost改进算法的人脸检测.pdfVIP

…一一… ： 一 器 I{ii(x(x,，，yy))==Sii(x(x一,y1-，1)+(x，) …(1_1)的检测示意图如图5所示，由于非人脸图像会被级联 分类器的前几级迅速排除掉，从而加快了Adaboost算 其中 和Y从0开始，定义 (，一1)=o，ii(一1，J，)=0。 法的检测速度 。 在得到图像 I的积分图像后，就可以方便快捷的 计算图像 I中任意矩形内所有像素灰度积分，如图3 中，点 1的积分图像 ii的值为： ii=区域 A的像素值 (1—2) 1．2．Haar特征 Haar特征是用积分图像的特点来计算某一矩形 区域 内的特征值。如计算图3中D区域 内的像素之 图5 级联分类器的检测 和 ： S。= 2基于GH—YJ混合型的Adaboost改进算法 其中5。是原图像中D区域内的像素的和的值， 2．1简化HAAR特征(GH1 和 分别是积分图像中点 1和2、3和4的值。 传统Adaboost算法训练时间过长，其主要原因是 常用的Haar特征是根据区域灰度对 比的特点来 训练集数量和特征数量过多造成。由于训练集数量的 设计的。如图4所示，图中给出了4个常用的Haar特 多少将直接影响最终生成的强分类器的效果，从而影 征。每个特征分为2个部分，对比两个部分的像素和 响人脸检测的成功性。因此，训练集数量不能减少，只 值的大小，对比区域如图4中所示的黑块和 白块。 好通过简化特征数量来降低训练时间。简化特征数 量，就是在 图像预处理中，去除对区分人脸和非人脸 囝 回 曰 囤 无明显作用的特征，以达到减少训练时间的目的。对 于特征数量的简化，本文提出思想，分为以下几个步 (a)特 A (b)特鬣B c()特觚c (d)特链D 骤： 图4 常用的4种Haar特征 步骤一：人为剔除 。 1．3基于传统Adaboost算法的人脸检测原理 在Haar特征提取之前，对图像进行预处理，目的 (1)提取 Haar特征 是剔除一些对人脸和非人脸 的区分贡献不大的区域。 常用的Haar特征有4种，如图4所示 。当然也可 步骤二：简化 Haar特征。 以在这4种特征的基础上设计出更多、更复杂的特 图像经过特征提取后，生成弱分类器前，减少矩 征 。 形特征 。 (2)生成弱分类器 5】 2．2优化级联分类器fYJ1 每一个Haar特征都对应着一个弱分类器，每一 Adaboost算法 中的级联分类器是 由一系列的强 个弱分类器都是根据它所对应的Haar特征的参数来 分类器级联而成 。传统的级联分类器存在着 以下两个 定义的。利用上述Haar特征的位置信息，对训练样本 不足： 进行统计就可 以得到对应的特征参数 。弱分类器的定 (1)每一级强分类器只负责本级检测是否成功， 义公式如下： 而忽略了前级强分类器的检测情况 ，前级的检测 的准 确率如何，是否存在着误判，本级却没有任何的防御 )= (1_3) 。 措施