非对称人脸检测算法的研究与实现

作     者：邹奇文 

作者单位：华中科技大学 

学位级别：硕士

导师姓名：江国星

授予年度：2014年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：人脸检测 矩形特征 目标学习式 分类器训练 

摘      要：近年来，人脸识别技术得到人们广泛的关注，其在安防领域的普遍应用，使得它已经成为模式识别与计算机视觉中最热门的研究课题之一。而人脸检测是人脸识别的一项核心环节，也是典型的目标检测问题，其检测率直接影响人脸识别系统的整体表现，所以近年来人脸检测技术也受到了普遍重视。 本文研究了Viola和Jones所提出的AdaBoost算法，详细阐述了其算法理论和实际应用价值。针对人脸检测中的非对称问题，分析了线性非对称分类器（LinearAsymmetric Classifier, LAC）算法解决此问题的有效性。本文实现了一种非对称人脸检测算法，该算法可以快速训练分类器，并以该分类器进行人脸检测。首先，通过使用AdaBoost快速训练算法，选择适当的矩形特征作为弱分类器，并计算出该弱分类器的阈值，再使用LAC算法设定目标学习式，通过目标学习式将已选的矩形特征进行线性组合，最后将所有强分类器组合成最终的人脸检测分类器。该方法能有效降低分类器的训练时间，并解决人脸检测中的非对称问题。本文详细阐述了级联分类器的训练过程和训练样本的处理方式，并结合实际应用情况添加了人眼检测进行二次判定，进一步降低人脸检测的误检率。 通过一系列的实验测试表明，快速训练的非对称人脸检测算法在训练时间和分类器性能上做出很好的权衡，在保证分类器拥有较高检测性能的条件下，大大减少训练时间，并且解决人脸与非人脸的训练目标不对称的问题，并在应用中加入人眼检测以满足人脸检测的实际应用。