学位论文 > 优秀研究生学位论文题录展示

基于Haar特征概率分布与SVM的人脸检测

作　者: 孟庆涛
导　师: 童卫青
学　校: 华东师范大学
专　业: 计算机应用技术
关键词: 人脸检测 Haar特征 PCA 支持向量机分类器
分类号: TP391.41
类　型: 硕士论文
年　份: 2008年
下　载: 509次
引　用: 4次
阅　读: 论文下载

内容摘要

人脸检测的目的就是从给定的图像中,框定出人脸的区域。人脸检测是人脸识别的不可缺少的预处理,一般来说其计算量非常大。如何快速而有效地检测出人脸,是人脸检测的一项重要课题。本论文的主要工作是对现有的人脸检测方法进行总结,在前人研究的基础上,通过借鉴和改进,提出基于Haar特征概率分布的独特的人脸检测方法,并通过实验证明该方法的有效性。论文将整个检测过程分为人脸粗筛选和人脸精确验证两个阶段。在人脸粗筛选阶段,提出了利用Haar特征概率分布进行人脸检测的新方法,该方法首先在人脸样本集里,以0为阈值记录每个矩形特征的分类正确率;然后选取具有最优分类性能的Haar特征,通过相应的概率应用策略进行人脸检测,获得了很好的人脸粗筛选效果。该方法另外一个明显的优势是它不需要非人脸样本集,省却了收集非人脸样本的困难。实验表明,新方法不仅很大程度上排除背景区域,而且具有较高的检测速度。在人脸精确验证阶段,使用线性鼻子SVM分类器和非线性特征脸SVM分类器相结合的策略,其中特征脸是通过PCA方法对人脸样本降维后获得的。这两层分类器将速度快和精确度高的优点相互结合,使用部分人脸(鼻子)和特征脸这种数据维度相对较低的样本还可以进一步加快分类器的训练和检测速度。文中对人脸粗筛选和人脸精确验证作了详细的介绍,最后对整个流程进行了试验,试验证明本文所提出的方法的有效性。

全文目录

摘要  6-7
Abstract  7-9
第1章绪论  9-12
  1.1 研究背景  9-10
  1.2 主要工作  10
  1.3 论文的组织结构  10-12
第2章人脸检测研究综述  12-18
  2.1 人脸检测方法分类  12-15
  2.2 人脸检测的评价指标  15-18
第3章统计学习理论和支持向量机  18-29
  3.1 传统的机器学习方法  18-19
  3.2 统计学习理论  19-20
  3.3 支持向量机  20-24
  3.4 支持向量机的实现  24-29
第4章人脸粗筛选  29-50
  4.1 粗筛选流程  29-30
  4.2 人脸样本的制作  30-32
  4.3 直方图均衡化  32-33
  4.4 金字塔图像的生成  33-34
  4.5 Haar特征分类器  34-40
  4.6 人脸分类器的构建  40-45
  4.7 人脸重叠区域的合并  45-46
  4.8 实验结果  46-50
第5章人脸精确验证  50-63
  5.1 精确验证流程  50-51
  5.2 样本的收集  51-52
  5.3 线性SVM分类器的训练  52-56
  5.4 非线性SVM分类器的训练  56-60
  5.5 实验结果  60-63
第6章总结与展望  63-64
附录1: ADABOOST训练算法  64-66
附录2: 作者攻读硕士期间参与的项目及发表的论文  66-67
参考文献  67-70
后记  70

基于Haar特征概率分布与SVM的人脸检测

内容摘要

全文目录

相似论文