基于AdaBoost的人脸检测

人脸检测一直是模式识别和计算机视觉领域的热门话题,近些年来得到了众多研究学者的普遍重视。人脸检测在人机交互、安全访问、视频监控以及基于内容的检索等领域有广泛的应用。随着研究的深入,学界提出了许多不同人脸检测算法。2001年,在Viola和Jones的推动下人脸检测技术出现了重大突破,弱特征、AdaBoost学习算法以及级联分类器被引入了人脸检测领域。该人脸检测算法在保证较高精度的情况下,首次在普通计算机上实现了实时人脸检测,从而使得人脸检测技术走向实用。 本文介绍了Viola(?)(?)Jones人脸检测器的工作原理以及AdaBoost算法的理论基础。尽管该人脸检测算法已经充分公开,但想要训练出一个性能优秀的人脸检测器却并不容易。这主要归因于有关如何训练人脸检测器鲜有文献可供参考。本文在Viola和Jones人脸检测算法构建的框架下,尝试了许多训练人脸检测器的不同方法,通过理论分析与实验结果相结合,总结并提出了一些对提高人脸检测器性能行之有效的方法和建议,并尝试弥补有关如何训练人脸检测器方面文献的空白。 同时笔者总结了近年来出现的对人脸检测影响比较大的新技术,这些新技术主要包括引入新的特征和发掘性能更为优秀的AdaBoost学习算法。笔者在实验中采用了这些新技术,并对这其中的部分技术进行了较为客观的性能评估和总结。