摘要：

人脸检测作为人脸识别的前序工作,一直以来都是模式识别领域的研究热点。特别是在AdaBoost算法出来以后,随着Viola-Jones的框架的建立,使得人脸检测的效率和准确性上了一个台阶。 本文就是先从线分配算法和AdaBoost算法的数学证明出发,对传统的Viola-Jones框架进行改进。通过提出一种基于边界和区域相结合的皮肤分割算法,对被检测的图像进行皮肤分割的预处理,从而降低Viola-Jones框架人脸检测器的误检率,特别是降低了对无人脸的复杂背景图片的误检率,同时由于缩小检测区域,从而提高了检测的效率。然后对框架中的AdaBoost算法所需要的弱分类器进行优化,通过单层感知器分别训练出某一矩形特征模板下的最优特征,然后再由条件概率的理论得到其对应的最优阈值,从而得到最优特征的最优阈值的弱分类器。通过这样的处理,使得由AdaBoost算法训练得到的强分类器的误差进一步减少,并且也大幅的减少了特征的数量,提高了Viola-Jones框架人脸检测器的检测准确度和检测效率。最后将AdaBoost算法训练得到特征集作为一个RBF神经网络的输入,而这个神经网络是通过本文的一种新型模糊聚类算法进行训练的,这就使得这样训练的RBF神经网络能够更好的反映人脸特征数据的内在联系,提高神经网络的准确性。同时由于这个RBF网络的输入是AdaBoost算法训练得到特征集,这样就加强了对AdaBoost算法训练提取的特征中的反例的学习,从而达到降低分类器的分类误差。降低了Viola-Jones框架人脸检测器的误检率。 最后通过Matlab仿真实现了这个基于改进的Viola-Jones框架人脸检测器。在仿真中,比较了传统Viola-Jones框架人脸检测器的效果图,同时给出了多角度的人脸检测、多表情的人脸检测、有遮盖物的人脸检测和没有人脸的背景图的人脸检测的效果图。通过实验得出了本文提出的基于改进的Viola-Jones框架人脸检测器优于传统Viola-Jones框架人脸检测器的结论,具有较高实用价值。

展开