| 【中文题名】 | 人脸检测技术研究 |
| 【英文题名】 | Researches on Face Detection Technology |
| 【学科专业】 | 电工理论与新技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-5-11 |
| 【中关键词】 | 人脸检测,非线性支持向量机,直方图统计模型,聚类,二叉树,Adaboost算法 |
| 【英关键词】 | face detection,nonlinear SVM,histogram-based statistical structure,clustering,binary decision tree,Adaboost algorithm, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
人脸检测问题最初是作为人脸识别系统中的一个关键环节提出的,但随着人脸应用范围的不断扩大和开发实际系统要求的不断提高,人脸检测的最初研究不再能满足需求。由此,人脸检测开始作为一个独立的课题受到研究者的重视。到目前为止,人脸检测算法的研究已经相当深入,但是对于复杂背景下的多姿态人脸检测(如侧面人脸、遮挡脸)仍然难以取得较好的效果。此外,对于一个人脸检测系统,同时达到速度和精度要求也是众多研究者关注的问题之一。针对上述关键问题,本文在介绍国内外人脸检测研究进展的基础之上,从以下三个方面对人脸检测进行了创造性的探索:
1)基于级联策略的非线性降维人脸检测研究。
综合非线性降维、支持向量机与级联评估策略三种思想,提出了一种新型的多侧面人脸检测算法。通过对四种降维方法(LLE算法、LE算法、LPP算法和PCA算法)进行比较,选择效果较好的LE算法对训练样本进行非线性降维,然后结合具体情况训练了两个SVM分类器对三类人脸进行分类,最后采用新型的级联策略,即:使用Canny算法和SVM分类器构造出级联人脸检测器。通过使用Canny算法,在人脸检测的第一阶段 |
| 【论文题纲】 |
|
摘要 |
3-6 |
|
ABSTRACT |
6-12 |
|
第一章 绪论 |
12-27 |
|
1.1 研究背景与现状 |
12-13 |
|
1.2 人脸检测的一般流程与难点 |
13-14 |
|
1.3 人脸检测方法分类 |
14-17 |
|
1.3.1 基于知识的方法(Knowledge-Based Methods) |
15 |
|
1.3.2 基于特征的方法(Feature-Based Methods) |
15-16 |
|
1.3.3 模板匹配方法( Template Matching ) |
16 |
|
1.3.4 基于外观形状的方法(Appearance-Based Methods) |
16-17 |
|
1.4 经典人脸检测算法概述 |
17-22 |
|
1.4.1 基于视角的样本学习人脸检测 |
17-18 |
|
1.4.2 基于肤色模型的人脸检测 |
18-19 |
|
1.4.3 基于统计模型的目标检测 |
19-20 |
|
1.4.4 基于支持向量机（SVM）的人脸检测 |
20-21 |
|
1.4.5 基于Adaboost 的实时人脸检测 |
21-22 |
|
1.5 人脸检测方法的性能评测 |
22-25 |
|
1.5.1 人脸检测可用图像库 |
22-23 |
|
1.5.2 性能评价指标 |
23 |
|
1.5.3 各种人脸检测算法的效果比较 |
23-25 |
|
1.6 本文的主要研究内容 |
25 |
|
1.7 本文的创新点 |
25-26 |
|
1.8 本文的组织结构 |
26-27 |
|
第二章 基于级联策略的非线性降维人脸检测 |
27-42 |
|
2.1 非线性降维 |
27-31 |
|
2.1.1 拉普拉斯特征影射 |
27-29 |
|
2.1.2 LE 算法的有效性 |
29-31 |
|
2.2 多类SVM 分类器 |
31-33 |
|
2.2.1 非线性支持向量机 |
31-33 |
|
2.2.2 多类SVM 分类器 |
33 |
|
2.3 训练样本 |
33-35 |
|
2.4 人脸检测算法 |
35-37 |
|
2.4.1 级联评估策略 |
35-37 |
|
2.4.2 使用分类器检测新样本 |
37 |
|
2.5 实验结果分析 |
37-40 |
|
2.5.1 确定LE 算法降维参数 |
37-38 |
|
2.5.2 训练/检测实验 |
38-40 |
|
2.6 本章小结 |
40-42 |
|
第三章 基于聚类算法的统计学习人脸检测 |
42-62 |
|
3.1 贝叶斯人脸分类器原理 |
42-44 |
|
3.2 构造直方图人脸检测器分类器 |
44-48 |
|
3.2.1 分类器特征 |
44-47 |
|
3.2.2 小波系数量化参数计算 |
47-48 |
|
3.2.3 特征数量 |
48 |
|
3.3 训练分类器 |
48-53 |
|
3.3.1 训练样本 |
48-49 |
|
3.3.2 训练算法具体流程 |
49-51 |
|
3.3.3 训练算法分析 |
51-53 |
|
3.4 检测算法 |
53-56 |
|
3.4.1 搜索策略 |
53-54 |
|
3.4.2 检测流程 |
54-55 |
|
3.4.3 确定检测器阈值 |
55-56 |
|
3.5 基于聚类算法的检测结果融合 |
56-58 |
|
3.6 实验结果分析 |
58-60 |
|
3.7 本章小结 |
60-62 |
|
第四章 基于二叉树的ADABOOST 实时人脸检测 |
62-78 |
|
4.1 基于ADABOOST 的实时人脸检测算法 |
62-64 |
|
4.2 基于二叉树的强分类器 |
64-69 |
|
4.2.1 强分类器SC_2 |
65-67 |
|
4.2.2 强分类器SC_N (N>2) |
67-68 |
|
4.2.3 基于二叉树的强分类器的训练检测速度 |
68-69 |
|
4.3 实时人脸检测系统 |
69-72 |
|
4.4 实验结果分析 |
72-76 |
|
4.4.1 静态图像检测实验 |
73-75 |
|
4.4.2 视频检测实验 |
75-76 |
|
4.5 本章小结 |
76-78 |
|
第五章 总结与展望 |
78-81 |
|
5.1 对本文的总结 |
78-79 |
|
5.2 展望 |
79-81 |
|
参考文献 |
81-85 |
|
致谢 |
85-86 |
|
攻读硕士期间发表的论文 |
86-88 |
|
| 【DOI】 | LunWen.ID:2.2008.366938 |
