| 【中文题名】 | 基于多示例学习的Adaboost算法及其在人脸检测中的应用 |
| 【英文题名】 | Multiple Instance Learning Based Adaboost Algorithm and Its Application in Face Detection |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-5-11 |
| 【中关键词】 | 人脸检测,Adaboost算法,查表型弱分类器训练,多示例学习,EM-DD-boost,多角度人脸 |
| 【英关键词】 | Face detection,Adaboost Algorithm,Look-up-table weak classifier training,Multiple-instance learning,EM-DD-boost,Multiple-view face, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 |
人脸是一个常见而复杂的视觉模式,人脸所反映的视觉信息在人与人的交流和交往中有着重要的作用和意义。对人脸进行处理和分析在视频监控、出入口控制、视频会议以及人机交互等领域都有着广泛的应用前景。人脸检测作为物体检测问题的一个特例,长期以来一直备受关注。人脸检测是人脸图像处理中关键性的第一步,因此人脸检测算法的精度直接影响着后续工作的进行。
本文的研究方向是基于静态图像的人脸检测算法的研究,采用了Adaboost算法,对其训练方法提出了改进;并将多示例学习算法结合到Adaboost中,提出了一种基于多示例学习的Adaboost算法;接着设计实验证明了本文提出的算法有更好的检测率,优于已有的Adaboost算法;最后将基于多示例学习的Adaboost算法应用于多角度人脸检测中。具体工作包括以下部分:
1.提出了一种新型的Adaboost训练方法,本文称之为查表型弱分类器训练算法。查表型弱分类器训练方法是从单个弱分类器的训练算法上进行改进,大大减少了Adaboost训练分类器的时间。查表型弱分类器快速训练算法的思想是基于Adaboost算法中训练样本自身的各个特征值不会随着训练而改变,改变的仅仅... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
ABSTRACT |
7-11 |
|
第一章 绪论 |
11-23 |
|
1.1 引言 |
11 |
|
1.2 人脸检测问题描述 |
11-20 |
|
1.3 本文的主要工作 |
20-21 |
|
1.4 本文的章节结构 |
21-23 |
|
第二章 ADABOOST 人脸检测方法的理论基础 |
23-36 |
|
2.1 机器学习算法基础 |
23-25 |
|
2.2 介绍ADABOOST 算法 |
25-28 |
|
2.3 ADABOOST 算法分析 |
28-31 |
|
2.4 基于ADABOOST 的人脸检测 |
31-35 |
|
2.5 本章小结 |
35-36 |
|
第三章 基于ADABOOST 训练方法的改进 |
36-47 |
|
3.1 问题的提出 |
36 |
|
3.2 训练算法的基本原理 |
36-40 |
|
3.3 ADABOOST 算法耗时原因分析 |
40-41 |
|
3.4 目前使用的分类器训练方法简介 |
41-42 |
|
3.5 查表型弱分类器训练方法 |
42-45 |
|
3.6 实验分析 |
45 |
|
3.7 本章小结 |
45-47 |
|
第四章 基于多示例学习的ADABOOST 算法 |
47-59 |
|
4.1 多示例学习方法（MULTI-INSTANCE LEARNING） |
47-50 |
|
4.2 介绍EM-DD 算法 |
50-54 |
|
4.3 EM-DD-BOOSTING 算法 |
54-56 |
|
4.4 实验分析 |
56-57 |
|
4.5 本章小结 |
57-59 |
|
第五章 基于静态图像的多角度人脸检测系统 |
59-77 |
|
5.1 人脸检测系统设计 |
59-63 |
|
5.2 多角度人脸检测 |
63-69 |
|
5.3 实验的设计 |
69-73 |
|
5.4 实验结果分析 |
73-77 |
|
第六章 总结与展望 |
77-79 |
|
6.1 总结 |
77-78 |
|
6.2 展望 |
78-79 |
|
参考文献 |
79-84 |
|
致 谢 |
84-85 |
|
作者在攻读硕士学位期间发表和完成的论文 |
85 |
|
| 【DOI】 | LunWen.ID:2.2008.388480 |
