基于AdaBoost算法的人脸检测方法综述论文.doc

基于AdaBoost算法的人脸检测方法综述毕业论文 目 录 1 人脸检测概述 1 1.1 人脸检测概念 1 1.2 人脸检测的发展历史 1 1.3 人脸检测的难点与研究方法 3 2 基于学习的人脸检测流程 5 2.1 分类器的离线学习 6 2.1.1 图像对齐 6 2.1.2 预处理 7 2.1.3 特征提取 8 2.1.4 分类器的学习 8 2.2 目标的在线检测 9 2.3 人脸检测方法的性能评价 10 2.3.1 人脸图像数据库 10 2.3.2 性能评价方法 11 3 基于AdaBoost的人脸检测方法概述 14 4 矩形特征与积分图 15 4.1 引言 15 4.2 haar矩形特征 16 4.2.1 概述 16 4.2.2 特征模板与模板特征值 16 4.2.3 haar特征的扩展 17 4.3 积分图Integral Images 18 4.3.1 积分图的概念 18 4.3.2 基于积分图的像素值计算 20 4.3.3 基于积分图的特征值计算 20 5 分类器训练及AdaBoost算法 21 5.1 弱分类器Weak Classifier 22 5.2 AdaBoost算法训练强分类器 22 5.2.1 算法描述 23 5.2.2 算法流程图 24 5.3 级联强分类器结构 25 6 基于OpenCV的程序实现 26 6.1 OpenCV简介 26 6.2 训练样本集与测试集 26 6.3 基于OpenCV的分类器实现 27 6.3.1 样本描述文件创建 27 6.3.2 训练分类器 28 6.4 检测结果 28 6.4.1 检测结果对比 28 6.4.2 基于AdaBoost算法的更多检测结果 30 6.4.3 基于AdaBoost算法的视频检测结果 32 7 结论与对未来的展望 33 参考文献 34 英文原文 35 中文译文 42 致 谢 48 图像目录 图1.1 人脸的遮挡、不同表情和图像的旋转会影响到人脸的检测 4 图1.2 不同角度人脸带来的检测结果也有可能不同 4 图2.1 基于学习的人脸检测流程 6 图2.2 目标检测的金字塔 9 图2.3 检测结果的融合 9 图2.4 典型的正面人脸图像数据库中的人脸图像 11 图2.5 左侧为测试图像，右侧为检测结果。 12 图2.6 MIT+CMU测试集的人脸检测ROC曲线 13 图3.1 AdaBoost人脸检测器结构 14 图3.2 人脸检测系统流程 15 图3.3 分类器级联结构 15 图4.1 矩形特征在人脸上的特征匹配 16 图4.2 竖直和倾斜的矩形的例子 17 图4.3 扩展的haar特征集合 18 图4.5 灰度图像积分图算法示意图 19 图4.4 “积分图”与积分的类比 19 图4.6 区域D的像素和可以用积分图计算 20 图4.7 矩形特征的特征值计算 21 图5.1 人脸检测中强弱分类器与AdaBoost算法 22 图5.2 弱分类器中的阈值选取 22 图5.3 算法流程图 24 图6.1 MIT部分人脸样本 26 图6.2 MIT部分非人脸样本 27 图6.3 测试结果对比1 29 图6.4 测试结果对比2 29 图6.5 测试结果对比3 29 图6.6 一张人脸 检出1 漏检0 虚警2 30 图6.7 一张有遮挡的人脸 检出1 漏检0 虚警0 30 图6.8 四张有遮挡的人脸 检出4 漏检0 虚警2 30 图6.9 五张人脸 检出5 漏检0 虚警0 31 图6.10 五张远近不同的人脸 检出5 漏检0 虚警3 31 图6.11 三张人群中模糊的人脸 检出3 漏检0 虚警1 31 图6.12 八张人脸 检出8 漏检0 虚警1 32 图6.13 一张人脸 检出1 漏检0 虚警0 32 图6.14 四张人脸 检出3 漏检1 虚警2 32 图6.15 光线昏暗且有遮挡的两张人脸 检出2 漏检0 虚警1 33  1 人脸检测概述 1.1 人脸检测概念 长期以来，计算机就好像一个盲人，需要被动地接受由键盘、文件输入的信息，而不能主动从这个世界获取信息并自主处理。人们为了让计算机看到这个世界并主动从这个世界寻找信息，发展了机器视觉；为了让计算机自主处理和判断所得到的信息，发展了人工智能科学。人们梦想，终有一天，人机之间的交流可以像人与人之间的交流一样畅通和友好。 迄今为止，机器视觉的发展已经历了一个漫长的过程。经过研究者们的不懈努力，新的信息技术和媒体手段的出现，使得更加有效和友好的人机交互方式得到了发展，新型的人机交互将不再依赖传统的输入设备。而且，计算性价比的提高和视频获取成本的降低，使得计算机视觉系统能够向桌面级和嵌入式系统发展，这意味着计算机视觉系统能够安装在一切电子系统之中。相信在不久的将来，拥有高级视觉系统的智能电子产品会