基于AdaBoost算法的人脸检测_PPT课件.ppt

基于AdaBoost算法的人脸检测 姓名：董银 学号：2111305003 内容摘要 人脸检测是指对待检测图像，采用一定的方法对其进行搜索来确定其中是否存在人脸，如果存在，则返回人脸的位置、姿态和大小。人脸检测源自人脸识别，是人脸识别系统中一个关键环节。随着近年来电子商务应用的发展，人脸检测开始作为一个独立的课题，受到研究者的重视。人脸检测作为人脸信息处理中的一项关键技术，在身份验证、基于内容的图像检索、自动监控、人机交互等方面有着重要的应用价值。本文详细分析了Viola等人提出的Adaboost级联人脸检测算法，主要任务在于： 1、详细得介绍了Adaboost算法的Haar特征、积分图像、弱分类器、强分类器的概念，在深入研究基于Adaboost算法的人脸检测方法的同时，构建了一个人脸实时检测系统。 2、最后针对传统Adaboost算法在训练过程中出现的退化问题、目标非对称问题和分类器相关性问题，都进行了相应的改进，实验结果表明，改进后的方法在一定程度上避免了退化现象，且在检测率和检测速度方面都有一定的提高本文详细分析了Viola等人提出的Adaboost级联人脸检测算法。 目 录 矩形特征和积分图 2 AdaBoost学习算法 3 AdaBoost的改进 4 简介 1 人脸检测系统的实现 5 第一章 简介 Adaboost人脸检测方法是一种基于积分图、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。Viola于2001年提出了基于Adaboost算法的人脸检测方法。这种方法首先采用一种被称为“积分图”的方法快速地计算出大量的简单特征,再用Adaboost学习算法从一个较大的特征集中选出少量关键的分类能力较强的特征构造出一系列弱分类器,而后通过线性组合将这些弱分类器组合构成一个强分类器,最后通过Cascade级联算法将单个分类器合成为一个更加复杂的人脸检测器。这种方法有以下三个特点： 1.使用一种叫做积分图的方法来计算特征值。 2.Adaboost算法从大量的特征中选出少量关键特征构成一个强分类器。 3.将强分类器串联成级联分类器。 第二章 矩形特征和积分图 2.1矩形特征 1、定义 矩形特征也叫类Haar特征,能有效地区别人脸与非人脸。最初的类Haar特征是由Papageorgiiou提出的。矩形特征值是指图像中两个或多个形状大小相同的矩形内所有像素的灰度值之和的差值。图2一1中包括三种特征,a和b为双矩形特征,将其特征值定义为白色矩形像素和减去黑色矩形像素和。c、d为三矩形特征,其特征值定义为两边的两个白色矩形的像素和减去中间的黑色矩形的像素和。e为四矩形特征,其特征值为对角线上矩形内像素和之差。 图2-1 矩形特征 2.1矩形特征 Haar 特征，也叫矩形特征，它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、中心)的结构，因此比较粗略。如图 2-2，脸部一些特征能够由矩形特征简单地描绘，上行是子窗口内选出的矩形特征，下行是子窗口检测到的与矩形特征的匹配。例如，通常，眼睛要比脸颊颜色更深；鼻梁两侧要比鼻梁颜色要深；嘴巴要比周围颜色更深。对于一24×24 检测器，其内的矩形特征数量超过 150，000 个，必须通过特定算法甄选合适的矩形特征，并将其组合成强分类器才能检测人脸。 图2-2矩形特征在人脸上的矩形匹配 2.1矩形特征 （2-3） 其中ωi 表示矩形的权值，N为组成特征的矩形的个数。满足以上要求的矩形特征有无数个，在实际应用中必须对其进行限制，Rainer Lienhart对这些矩形特征的限制为： (1) N必须为2，即一个矩形特征由两个矩形组成； (2)构成矩形特征的两个矩形对应的权值必须异号，一正一负 且权值应与矩形面积成反比。假设组成矩形特征的两个矩形r1 和r2 的权值分别为ω1 和ω2 ，面积分别为Area (r1)和Area (r2)，则必须满足ω1Area (r1)=— ω2Area (r2)，一般令ω1 =-1，则ω2 =Area (r1)/Area (r2)。假设构成矩形特征的两个矩形分别为r1和r2，要么r1包含于r2中，要么r2 包含于r1 中。若r1包含于r2 中，则Area (r2) = n × Area ( r1)，权值ω1 = ?n×ω2，其中，n为大于1的整数，反之亦然。 2.2积分图 特征的数量很多,计算特征值看起来是一个很大的工作量。然而,积分图像可以帮助我们解决这个问题。积分图的思想是将图像从起点开始到各个点形成的矩形区域内的像素灰度值之和作为一个数组存储到内存中，当要计算某个矩形区域的像素灰度和时可以直接索引数组