基于部分集分类器和并行计算的人脸检测训练-计算机科学与技术专业论文.docxVIP

MS MS THESIS： Face Detection Training based on Partly··set Classifier and Parallel Computing Specialty：Computer Science and Technology Master degree student：Chen Hanbo Supervisor：Prof．Tan Guanzheng School of Information ScienceEngineering Central South University Changsha，Hunan Province，China May,201 1 ， 原创性声明本人声明，所呈交的学位论文是本人在导师指导下进行的研究 原创性声明 本人声明，所呈交的学位论文是本人在导师指导下进行的研究 工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢 的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我 共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名：隆至鱼逸 日期：_三型L年三月旦日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校 有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文， 允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》， 并通过网络向社会公众提供信息服务。 日期：业年上月粤号 摘要随着机器学习和计算机视觉研究的不断发展，通过算法自动对现 摘要 随着机器学习和计算机视觉研究的不断发展，通过算法自动对现 实世界里的目标物进行检测成为了可能。而在目标物检测领域内，人 脸检测无疑是现实需求最大、相关研究最多的领域之一。 人脸检测的算法自从选择了Adaboost机器学习算法作为主要框 架，并由Viola和Jones进行了适用于人脸特征的改进后，已经渐渐 从实验室的理论走向了成熟和实用。不过在实际应用铺开的同时，人 脸检测的研究领域里其实还有许多尚待解决的问题，分类器训练时间 过长就是问题之一。为了缩短训练分类器所需时间，本文提出了两种 方法对人脸检测算法进行改进。 首先，本文提出了部分集分类器的猜想，即在分类器学习过程中， 不完全学习在一定条件下等同于完全学习，用部分采样代替完全学习 来减少训练时间。按照此猜想，本文提出了构建部分集分类器的固定 分块法和可变分块法，并将其运用在Haar特征窗口和样本图像块的 匹配计算上。实验证明，部分集分类器的猜想是可行的，在显著地减 少训练时间的同时，对检测精度的影响很小。 其次，本文分析了人脸检测算法中可以并行化的过程：Adaboost 样本训练过程和Bootstrapping图像块筛选过程。在OpenMP平台的 支持下，本文用四核并行框架对算法进行了优化处理。实验表明，并 行优化后的算法训练时间明显下降，而且由于图像计算中弱关联性的 特点，并行化不会影响检测精度。 最后，我们把部分集分类器和并行计算框架这两种方法结合起 来，在实验中使算法的训练时间减少为优化前的六分之一，并和人脸 检测领域里有代表性的Viola和Jones的传统人脸Adaboost算法、 吴建鑫的FFS算法进行比较，证明了本文算法比前人算法在检测特 征曲线上更优良。 关键词Adaboost，级联，部分集分类器，并行计算框架，加速，人 脸检测 AbstractWith Abstract With the development of exploring the machine learning and computer vision continuously,using algorithms to detect the target of the real world automatically become possible．With no doubt，in the target detection field．face detection iS one of the most practical need and most related research fields． S ince Adaboost machine learning algorithm has been chosen as the mai or framework，which has also been modified to fit face features by Viola and Jones，face-detection