基于Adaboost的快速视频人脸检测

基于Adaboost算法的人脸检测研究

维普资讯
第３（０７第２期５卷２０）
计算机与数字工程
７
基于Ａａｏｓ算法的人脸检测研究ｄｂｏｔ
罗明刚李一民曾素娣
６０９）５０３（昆明理工大学信息工程与自动化学院昆明
摘
要
随着计算机科学的发展，人脸识别研究受到越来越多的重视。而作为人脸识别的一个重要步骤的人脸检测
Ｒｃｕ（）＝ＳＴ（一１Ｙ一１ｅｔｎｒＳＡ，）＋ＳＴ＋ｗＡ（１Ｙ＋，ｈ一１）一ＳＴ一１Ｙ＋ｈ一１Ａ（，）一ＳＴ＋ｗＡ（１Ｙ一１，）
个矩形特征可以用一个五元组表示为：＝（ｒ，的坐标，和ｈ是该矩形特征的宽和高，ｔ旋ＷＯ是
计算机视觉
中图分类号
１引言
人脸检测最初是随着人脸识别的研究而提出
点的象素的和表示为ＳＴ，）见图２ａＡ（Ｙ，（）
＿＿『
Ｈ
的，随着计算机视觉技术的发展，脸检测受到但人越来越高的重视而作为一个独立的课题提出。人脸检测长期以来受检测的精度和检测的速度困扰，直到上世纪９０年代，Ｖｏ … 提出的基于Ａａ由ｉｌａｄ－ｂｏｔｏｓ算法极大地提高了人脸检测地速的和精度，
ＹＷ，，ｔ，中和Ｙ是该矩形特征左上角点，ｈＯ）其转的角度。如下图：

融合Adaboost和光流算法的视频人脸实时检测

国内外学者们提出了很多有效的人脸检测算法：基于先验知识、于结构特征、于模板匹基基
配以及基于统计模型４种方法。基于先验知识的方法是人脸检测是指对一幅给定的图像（静态或者视频）。采用一定的方法和策略对其进行搜索以确定其中是否含有人脸以及人脸在图像中出现的位置… 。人脸检测被广泛应用在人脸识别、新一代的人机界面、安防系统和视频监控等目标身份识别领域。人脸检测是一个复杂的模
（ｅａｏｔｙｏＯｔｌｔｎｃＴｃｎｌｙａｄＳｓｍｏｈｄｃｔｎＭｉｓｙｏＣｉａＫｙＬｂｒｏｆｒｐｏｅｒｉｅｈｏｏｎｙｔｅＥｕａｉｎｔｈ，ａｒｅｃｏｇｅｆｔｏｉｒｆｎ
Ｃｏｇｉｎｅｉ，ｈｎｑｎ００４，ｈｎ）ｈｎｑｎＵｉｒｔＣｏｇｉ４０４Ｃｉｇｖｓｙｇａ
ＦａｅｄｅｅｔｏｎｒｃｎｇｂａｅｎｆｓｏＡｄａｏｔａｄｃｔｃｉｎａｄｔａｋｉｓｄｏｕｉｎＢｏｓｎ
ｏｔｃｌｆｏａｇｒｔｍｓｐｉａｗｌｏｉｈｌ
ＧｏｇＷｅｇｏ，ＧｕｕｈｎｎｉｕｉＺｏｇ，Ｌｅｈｏ，ＧｕＸｉｏａｉＺｈｎｇａａｈｕ
法对视频图像帧间的连续性进行估计，获得人脸在图像中的位置。实验证明，文介绍的人脸检测和追踪的方法利用了Ａａ本ｄ・
Ｂｏｔｏｓ和光流算法各自的优点，一定程度上解决了人脸偏转、部分遮挡、表情变化以及光照等因素对人脸检测的影响。关键词：人脸检测；ｄＢｏｔ光流；融合算法Ａａｏｓ；中图分类号：ＰＴ２文献标识码：Ａ国家标准学科分类代码：２．０５０６４

基于Adaboost的人脸识别算法研究

Ｆ：ｉ（，＋２Ｌ＋）ｓ．ｗ￣Ｗｇｆ＋。
多级分类器的结构如图１所示。
／筛选排除部分、／
（）２
ห้องสมุดไป่ตู้
框Ａ、Ｃ、Ｂ、Ｄ的积分图值像素值之和。由此可以使用积分图计算任何矩形中所有值和的像素。可以很明显地看出，个矩形构成的特征，２其像素和之差可通过６个参考矩形求得；个矩形构成的特征可以通过８由３个参考矩形求得；个矩形构成的特征可以通过９由４个参考矩形求得。这样每个特征都能很快的计算出来，再通过试验选出一小部分作
ｃａｘｉ、ｖａ．ｂ。采用“ ｖｕ．ｂｃｅｍ１）１ｉ积分图” 征提取方法快速准确地特从视频图像中提取出了正面和左右侧面人脸，并用红色边框排
弱分类器ｊ
除了非人脸部分的图像。本文，笔者提出了基于Ａａｏｓ的人脸检测算法，ｄｂｏｔ通过积分图的概念实现了快速的特征值计算。实验结果表明该算法能够
（ｙ表示像素点（Ｙ的积分图，（ｙ表示像素点（，），），）ｉ），Ｙ的像素值。通过迭代方式进行计算使特征检测器中特征的计算速度
大大提高。
条件下处理图像后获得人脸的清晰图像，因此人脸识别成为了
研究热点。本文，笔者提出了使用Ａａｏｓ算法进行人脸的正ｄｂｏｔ
图１多级分类器结构
准确的识别人脸区域，并且实现了在侧面情况下的人识基金项目：留学归国人员教学、科研建设项目，国家８３６项快速、
目（０６２０ＡＡ０Ｚ４。４２３）

基于Adaboost算法的多姿态人脸实时视频检测

ＡｂｔａｔＩｒｅｓｅｅｔｈｌ — ｉｗｃａ —ｉｉｅ，ｔｅｃａｓｆｅｉｈｃｎｅｅｔｅｙｄｔｃｄａｇｅｔｒｓｒｃ：ｎｏｄｒｏｆｔｔｃｅｍｕｔｖｅｆｅｉＲｅｌｔｔａｄｔｉａｎｍｅｖｄｏｈｌｓｉｒｗｈｃａｆｃｉｌｅｅｔｗｉｅｒｎｅｇｓｅｉｖａｕａｄｒｔｔｎｆｃｙｕｉｇｔｅｅｔｎｅａ－ｉｅｆａｕｅ，ｉａｎｄｎａｉｅｓｎｘｅｄｄＨａｒｌｔｒｓｓｒｉｅ．Ｗｉｓｎｅｃａｓｆｒｌ — ｉｗａ —ｉｉｅｃｅｅｔｎｏｏａｂｈｋｅｔｔｕｉｇｔｌｓｉｅ，ａｍｕｔｖｅｒｌｔｈｈｉｉｅｍｅｖｄｏｆｅｄｔｃｉａｏ
大量包含正反例子的图片进行训练，到分类器；测系统首先使用ＤｒｃＳｏ从ＵＢ摄像头获取图像，后读入分类器，得检实验结果表明，系统能够快速准确地在视频中检测出多种姿态的人脸，较强的实用价值。该有关键词：脸检测；多姿态；类Ｈａ特征；Ａａｏｓ算法；积分图人ａｒｄｂｏｔ中图法分类号：Ｐ９．１Ｔ３１４文献标识码：Ａ文章编号：００７２２１）８４６ —３１０ —０４（００１—０５０
ａｃｒｔｌｅｅｔｄｍｕｔｖｅｆｃｅｌｉｉｅ，ｗｈｃｋｓｔｒｒｃｉａｌ．ｃｕａｅｙｄｔｃｅｌ — ｉｗｅｉａｒａ－ｍｅｖｄｏｉａｎｔｉｈｍａｅｉｍｏｅｐａｔｂｅｃＫｅｒｓｆｃｅｅｔｏ；ｍｕｔ— ｉｗ；ＨａｒｌｅｆａｕｅＡｄｂｏｔｌｏｉｍ；ｉｔｇａｇｙｗｏｄ：ａｅｄｔｃｉｎｌｖｅｉａ－ｋｅｔ；ｉｒａｏｓｇｒｈａｔｎｅｒｌｍａｅｉ

一个基于Adaboost的快速人脸检测系统的实现

范一峰，颜志英
（浙江工业大学信息工程学院，浙江杭州３０１）１０４
摘要：人脸检测技术作为计算机视觉和模式识别领域中的一个重要课题，具有很高的学术研究价值和商业应用价值。
本文使用Ａａｏｓ算法训练了一个分类器，ｄｂｏｔ并且实现了一个快速人脸检测系统。从一个特征库中选择少量关键的类Ｈａ特征产生一个高效的强分类器．ａｒ再使用ｃｓａｅ方法将强分类器构成一个更为复杂的级联分类器。采用放大检测窗ａｃｄ口的方法获得图像的待检测子窗口，比传统的金字塔法减少了很多计算量。实验证明该系统能够快速准确地在一幅图
ＡｓａｔＦｃｅｔｎｉｃｍｕｒｉｏｎａｅｎｒｏｎｔｎｔｈｏｏｙａｌｉｐｒｎｕｊｔｈｓｈｇｃｄｍｃｖｌｅｂｔｃ：ａｅｄｔｉｏｐｔｓｎａｄｐｔｒｃｇｉｏｃｎｌｓｌｍｏｔｔｂｅ，ａｈａａｅｉａｒｃｅｏｎｅｖｉｔｅｉｅｇａａｓｃｉｕ
ａｄｃｍｍｅｃａａｕ．ＡｓａｅｄｔｃｏｙｔｍｓｉｌｍｅｔｄｉｈｓａｔｌｄｗｏｅｃａｓｅｓｔａｎａｅｉＡｄ — ｎｏｒｉｖｌｅｌｆｔｃｅｅｔｎｓｓｅｉｍｐｅｎｅｎｔｉｒｉｅａｈｓｌｉｒｉｒｉｅｂｓＯｌａａｆｉｃｎｓｆｉｄｄｂｏｔａｇｒｈＴｅｃａｓｅｏｓｔｄｏａ —ｌｅｆａｅ，Ａｄｂｏｔｇｒｈａｄｃｓａｅｔｅｒ．Ｔｅｍｅｈｄｏｏｍｉｇｏｓｌｏｔｍ．ｈｌｉｒｉｃｎｉｅＨａｒｉｅｔｒｉｓｆｓｓｆｋｈａｏｓｏｉｍａｃｄｈｏｙｌａｔｎｈｔｏｆｏｎｚｏｔｅｗｎｏｔｅｅｔｄｃｅｅｅｃｍｐｔｇｔｓｏａｅｉｅｃｎｅｔｎｌｍｅｈｄｏｙａｄＴｅｅｐｒｉｎａｅｕｉｄｗｄｔｃｅｒａｓｔｏｕｎａｋｃｍｐｒｄｗｔｔｏｖｎｉａｔｏｐｒｍｉ．ｈｔｏｓｈｉｈｈｏｆｈｘｅｔｍｅｔｒ・ｌｓｉｒｖｓｔａａｌｎｅｐｓｉｎｏｈｅｄｔｃｅａｅｕｃｌｄａｃｒｔｌ．ｕｔｐｏｅｔｔＣｌｆｄｔｏｉｏｆｔｅｅｔｆｃｓｑｉｋｙａｃｕａｅｙｓｈｉｉｈｔｄｎＫｅｒｓａｅｄｔｃｏ；Ｈａｒｉｅｆａｅ；Ａｄｂｏｔａｇｒｔｍｙｗｏｄ：ｆｃｅｅｔｎｉａ－ｋｅｔｒｌｈａｏｓｌｏｈｉ

基于AdaBoost算法和人眼定位的动态人脸检测

论文中提出了快速人脸检测系统。该论文是快速人脸检测技术发展的一个转折点，它的检测率可以与最好的
检测速度却能达到快速的要求。准确的检测结果，别是主流的检测方法仍然存在着一算法匹敌，特在Ｖｏ提出的Ａａｏｓ法成功用于人脸检测之ｉａｌｄＢｏｔ算定的误检率。许多研究者想到了融合多种检测方法的人脸检测手段，文献［将人脸检测方法分为：于几何２］基特征的方法、基于肤色模型的方法、于统计理论３方基个面。肤色检测是其中比较常用的辅助检测手段卅。但肤色检测有其局限性：一是各人种肤色差异很大，法无
ｆｌｅｅｅｔｎｎａｅｆｈｃｍｐｅｅｖｒｎｎ．Ｉｏｄｒｏｃｉｖｂｔｆｓｎａｃｒｃｄｔｃｉｎａａｅｅｅｔｎａｓｄｔｃｉｉｃｓｏｔｅｏｌｘｎｉｏｍｅｔｎｒｅｔａｈｅｅｏｈａｔｏａｄｃｕａｙｅｅｔ，ｆｃｄｔｃｉｏｏｍｅｈｄｗｉｈｍａｙｏａｉｎｌｏｉｍａｈａｘｌｒａｇｒｔｍｉｒｐｓｄｔｏｔｕｎｅｅｌｃｔａｇｒｔｈｏｈｓｔｅｕｉａｙｌｏｉｉｈｓｐｏｏｅ．Ａｔｆｓ，ｆｃｅｅｔｎｓｒａｉｅｕｉｇｈｒｔａｅｄｔｃｉｉｅｌｄｓｎｔｅｉｏｚ
【ｂｔｃ】Ａａｏｓａｏｔａｂｅｐｒｅｎｆｔｆｅｄｔｔｎｂｏｅｐ．ＨｗｖｒｔｉａｏｔｆｎｈｓＡｓａｔｄＢｏｔｌｒｈｈｓｅｎａｐｖｄｉａａｅｃｏｙｍｒｐｏｌｏｅｅｈｌｒｈｏｅａｒｇｉｍｏｓｃｅｉｅｅ，ｓｇｉｍｔ

基于Adaboost算法的人脸检测技术的研究与实现

基于Adaboost算法的人脸检测技术的研究与实现张宁;李娜【摘要】人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理.根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haarlike特征,然后由多个Haarlike特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检浏.经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,为接下来的人脸识别提供了前提条件.%Face detection is the basis of face recognition. The structure of the face detection system is introduced and the basic principles of Adaboost algorithm is analyzed inthis paper. Based on Adaboost algorithm, a simple rectangular feature is formed as a facial feature, whch is Haar-like features.A weak classifier is formed by a number of Haar-Iike features, and multiple weak classifiers are cascaded into a strong classifier. The cascade classifier is used in dynamic face detection to detect faces captured from each frame image. Experimental results show that this method and process of face detection can achieve a relarively good accuracy and high speed, and provide preconditions for the next face recognition.【期刊名称】《现代电子技术》【年(卷),期】2011(034)014【总页数】3页(P4-6)【关键词】人脸检测;Adaboost算法;级联分类器;矩形特征【作者】张宁;李娜【作者单位】华北电力大学电子与通信工程系,河北,保定,071003;保定职业技术学院基础科学部,河北,保定,071003【正文语种】中文【中图分类】TN391-34人脸检测和识别技术是机器视觉与模式识别领域最有挑战性的研究课题之一，它是一个涉及到模式识别、计算机视觉、自然语言理解、图像处理等多门学科的综合课题。

基于Adaboost和最小割算法的视频人脸检测

ＺＨＡＮＧｏ‘ ＹＵＷｅ— ｕ．ＬＩＴａ。ｉｖＺｈ — ｉｉｗｅ
（．ｐｒｎｏＰｙｉａａｄｌｃｒａＩｆｒｔｎＳｉｎｅＧｕｙｎＣｌｇ，ｉａｇ５０５，ｉａ；．ｃｏｌｆ１ＤｅａｔｔｆｈｓｃｌｎＥｅｔｃｌｎｏｍａｉｃｅｃ，ｉａｇｏｌｅＧｕｙｎ５００Ｃｈｎ２Ｓｈｏｏｍｅｉｏｅ
ｐｓｎａｇｒｈｂｓｄｏｎｅｔａｄＡｄｂｏｔａｇｒｈｎｏｄｒｔｅｅｔｆｃｅｔｒｈｓａｇｒｔｍｏｕｅｎｏｅａｌｏｔｍａｅｎｍｉ－ｕｎａｏｓｌｏｉｍｉｒｅｏｄｔｃａｅｂｔ．Ｔｉｌｏｈｆｃｓｓｏｉｔｅｉｔｅｏｔｎｎｈｋｎｃｌｒｐｘｌｉｈｍａｅｎｎｓｔｅｂｕｄｒｉｅｓｔｔｌｃｓ．Ｔｅｅｐｒｍｅｔｒｓｌｈｕｌｅａｄｔｅｓｉ－ｏｏｉｅｎｔｅｉｇ，ａｄｆｄｈｏｎａｙｗｔｌａｔｏａｏｔｈｘｅｉｉｈｉｎｅｕｔｓｏｄｔｉａｇｒｈｃｎａｈｅｅｆｃｉｉｏｆｃｅｔ．ｈｗｅｈｓｌｏｔｍａｃｉｖａｅｄｖｓｎｅｆｉｎｌｉｉｉｙＫｅｒｓｖｄｏｆｃｅｅｔｎｍｉ — ｕ；ａｏｓａｇｒｔｍｙｗｏｄ：ｉｅａｅｄｔｃｉ；ｎｃｔＡｄｂｏｔｌｏｉｏｈ
ｔｅｌａｎｎｖｒＨａｒｌｅｆａｕｅａｄａｌｓｉｄｖｌｐｔｎｃａｓｅｈｔｃｎｄｖｄｆｃａｄｎｎｆｃｈｅｒｉｇｏｅａ — ｉｅｔｒｓｎｓｍｐｅ，ｔｅｅｏｓａｓｒｇｌｓｉｒｔａａｉｉｅａｅｎｏ－ａｅｋｏｉｆ

一种基于AdaBoost的快速动态人脸检测算法

维普资讯
第３卷第ｎ期２
厶
・
计
算
机
工
程
２００６年６月
Ｊｎ０６ｕｅ２０
№
ｌｌ
ＣｏｐｔｒＥｎｉｅｒｎｍｕｅｇｎｅｉｇ
人工智能及识别技术・
一
文编０＿４（ｏ１２＿章号ｚ０３８ｏ）— ２＿３１２２６１２ｏ
Ａｄａｏｔｔｅｅｔｆｃ．ｎｅｒｔｄｗｉｉｅｒｆｃｒｃｅ，ｓａｃｉｇｒｇｏｎｅｃｌｅｅｓｏｈｅｅｔｒａｅｒｄｕｅ，ａｄｔｕｅｅｔｏＢｏｓｏｄｔｃａｅＩｔｇａｅｔａｌｎａａｅｔａｋｒｅｒｈｎｅｉｎａｄｒｓａｉｌｖｌｆｔｅｄｔｃｏｒｅｃｄｎｈｓｄｔｃｉｎｈｎｇｓｅｄｉｃｅｅａｅ．ＩａｓｅｉｎｌｓｉｅｒｉｉｇｍｅｈｄｉｔｇａｅｔａｏｔｂｏｓｒｐｉｇａｄｗｅｇｔｔｉｐｅｓａｃｌｒｔｄｔｌｏｄｓｇｓａｃａｓｆｒｔａｎｎｔｏｎｅｒｔｄｗｉＡｄＢｏｓ。ｏｔｔａｐｎｎｉｈ－ｒｍｍｉｇｉｈｎ，ｗｈｃａｅｅｓｌｉｈｃｎｂａｉｙ
ＤＥＮＧＹｆｎ，ＵＧｕｎｄ，ａｅｇＳａｇａＦＵＢｏ ’
（ｐｒｎｏｌｃｒｎｃｇｎｅｉｇＴｉｇｕｉｅｓｙＢｅｉｇ１０８）ＤｅａｔｔｆｅｔｉＥｎｉｅｒ，ｓｎｈａＵｎｖｒｉ，ｉｎ００４ｍｅＥｏｎｔｊ

Adaboost人脸检测方法及其并行实现

ａｇｒｈｈｉｈｃｍｐｔｔｎｌａｎａａｔｒｕｈｕ，ａｅｕｔｈｒｉｉｇｐｏｅｓｔｋｓａｌｔｏｍｅｏｌｏｉｍａａｈｇｏｕａｉｏｄａｄｄｔｈｏｇｐｔｓａｒｓｌ，ｔｅｔａｎｎｒｃｓａｅｏｆｉ．Ｔｔｓｏｔｄａｉｈｓｒｂｅ，ｔｏｎｗＨａｒｆａｕｅｒｒｐｓｄｉｈａｎｎｒｃｓ，ｗｉｈｈｖｍｐｏｅｈｅｅｌｔｔｅｅｐｏｌｍｓｗｅａｅｔｒｓａｅｐｏｅｎｔｅｔｉｉｇｐｏｅｓｈｃａｅｉｒｖｄｔｅｄ－ｗｈｏｒｔｃｉｎｅｆｃｓｏｉｅｕｎｆｃｓｅｔｆｔｎｔｔｄｈｍａａｅ．Ａａａｌｌａｏｓｇｒｈｈｌｏｂｅｒｐｓｄｉｈｓａｔｌ．ＩｒｄｃｓｏｅｌｐｒｌｂｏｔａｏｉｍａａｓｅｎｐｏｏｅｔｉｒｃｅｔｅｕｅｅＡｄｌｔｓｎｉｔｅｔｉｉｇｔｒａｌｎｒｖｄｓａｎｗａｏｓｌｅｔｅｔｏｓｍｉｇｐｏｌｍｎｔｅｔｉｉｇｐｏｅｓｈｒｎｎｍｅｇｅｔａｄｐｏｉｅｅｐｔｔｏｖｉｃｎｕｎｒｂｅｉｒｎｎｒｃｓ．ａｉｙｈｈｍｅｈａＫＥＹＷＯＲＤＳ：ｒｉＴａｎ；Ｆａｕｅｅｔｒ；Ｃａｓｅ；Ｐａｌｌｌｓｉｒａｌｉｆｒｅ
第７第期２卷６

(北京大学本科论文)基于AdaBoost 算法的人脸检测

1.3.1 人脸图像数据库 ...............................................................................................4 1.3.2 性能评测..........................................................................................................6
A, T, G, C, 1 and 0, the building blocks of intelligence. and to the pioneers uncovering the foundations of intelligence.
III
北京大学本科生毕业论文
正文目录 Contents
IV
北京大学本科生毕业论文
4.2 PAC 学习模型 ............................................................................16
4.2.1 概述............................................................................................................... 16 4.2.2 数学描述........................................................................................................ 17
北京大学本科生毕业论文摘要Abstract人脸检测是人脸分析的首要环节，其处理的问题是确认图像（或影像）中是否存在人脸，如果存在则对人脸进行定位。人脸检测的应用领域相当广泛，是实现机器智能化的重要步骤之一。 AdaBoost 算法是 1995 年提出的一种快速人脸检测算法，是人脸检测领域里程碑式的进步，这种算法根据弱学习的反馈，适应性地调整假设的错误率，使在效率不降低的情况下，检测正确率得到了很大的提高。本论文第一章和第二章简述了人脸检测的一般情况，第三章对一些人脸检测的经典方法进行了说明。第四章讲述了 AdaBoost 算法的发展历史。从 PCA 学习模型到弱学习和强学习相互关系的论证，再到 Boosting 算法的最终提出，阐述了 Adaptive Boost ing 算法的发展脉络。第五章对影响 AdaBoost 人脸检测训练算法速度的至关重要的两方面：矩形特征和积分图的概念和理论进行了仔细的阐明。第六章给出了 AdaBoost 的算法，并深入探讨了其中的一些关键问题——弱学习器的构造、选取等问题。最后一章，用编写的实现了 AdaBoost 算法的 Fá Dè t 程序，给出了相应的人脸检测实验结果，并和 Viola 等人的结果做了比较。

基于改进AdaBoost的快速人脸检测算法

关键词
中图分类号
人脸检测ＡｄａＢｏｏｓｔ算法
ＴＰ３１７．４
特征选择特征相关度
Ａ
信息熵
文献标识码ቤተ መጻሕፍቲ ባይዱ
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００ — ３８６ｘ．２０１３．０８．０７３
ｂｅｔｗｅｅｎｔｈｅｆｅａｔｕｒｅｓｉｓｒｅｄｕｃｅｄ．ＥｘｐｅｉｒｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｈａｔｔｃｏｍｐａｒｅｄｗｉｈｔｔｒａｄｉｔｉｏｎａｌＡｄａＢｏｏｓｔｆａｃｅｄｅｔｅｃｔｉｏｎａｌｇｏｉｒｔｈｍ，ｔｈｉｓｏｎｅｃａｎａｃｈｉｅｖｅｈｉｇｈｅｒｄｅｔｅｃｔｉｏｎｃｏｒｒｅｃｔｒａｔｅｕｓｉｎｇｌｅｓｓｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｄｅｔｅｃｔｉｏｎｓｐｅｅｄｉｓｍａｇｎｉｆｉｃｅｎｔｌｙｅｎｈａｎｃｅｄ．ＫｅｙｗｏｒｄｓＦａｃｅｄｅｔｅｃｔｉｏｎＡｄａＢｏｏｓｔａｌｇｏｉｒｔｈｍＦｅａｔｕｒｅｓｅｌｅｃｔｉｏｎＦｅａｔｕｒｅｒｅｌｅｖａｎｃｅＩｎｆｏｍａｒｔｉｏｎｅｎｔｒｏｐｙ

基于DS—Adaboost算法的人脸检测

ห้องสมุดไป่ตู้
ＦａｃｅＤｅｔｅｃｔｉｏｎＢａｓｅｄＯｉｌＤＳ－ＡｄａｂｏｏｓｔＡｌｇｏｒｉｔｈｍ
ＹＥＪｕｎＺＨＡＮＧＺｈｅｎｇ－ｊｕｎ
（ＤｅｐａｒｔｍｅｎｔｏｆＳｔａｔｉｓｔｉｃｓａｎｄＦｉｎａｎｃｉａｌＭａｔｈｅｍａｔｉｃｓ，ＮａｎｉｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｉｉｎｇ２１００９４，Ｃｈｉｎａ）
略对其进行搜索以确定其中是否含有人脸，如果是则返回人脸的位置、大小和姿态ｌ１］。人脸检测问题最初来源于人脸识别，但又不局限于人脸识别，近年来人脸检测由于在会议电
视、视频监控、视频压缩编码等领域的广泛应用，因此开始作为一个独立的课题受到日益广泛的关注。长期以来人脸检测受到检测的精度和检测的速度困扰，直到２０世纪９Ｏ年代，Ｖｉｏｌａｌ２提出了基于Ｈａａｒ特征的Ａｃｌａｂｏｏｓｔ算法的人脸检测，极大地提高了人脸检测的速度和精度。Ａｄａｂｏｏｓｔ算法是ＦｒｅｕｎｄＥ。等人提出的是一种自适应的
１引言
人脸检测是指对于任意一幅给定的图像，采用一定的策
ｌ矗（）１ ∈［ｏ，＋。。］代表判定的确定程度。Ｓｃｈａｐｉｒｅ等Ⅲ 还讨论了如何针对Ａｄａｂｏｏｓｔ算法设计弱分类器的连续置信度输

基于Adaboost算法的人脸检测系统实现

收稿日期：２０ｏ７—１ —１１３
检测算法，并在ＰＣ平台（７Ｏ），测３４× 脚０上检８２８的图片，得了１ｆｓ的结果。本文用纯软件方８获５ｐ
同是ｌｓｆ，ｏ而全硬件实现获得了８ｆｓ０ｐ的检测速度，完全达到实时需求。
关键词：Ａａｏｓ；入式；实时；软硬件协同；ＦＧｄｂｏｔ嵌ＰＡ
Ｉｐｅｅｔｔｏｆｆｃｅｅｔｏｙｔｍａｅｎｍｌｍｎａｉｎｏａｅｄｔｃｉｎｓｓｅｂｓｄｏ
Ａｄｂｏｔａｇｒｔｍｎｅｂｄｅｙｔｍａｏｓｌｏｉｈｏｍｅｄｄｓｓｅ
ＺＨＡＮＧｈｎＺｏｇ，ＺＨＡＯｅｇＳＦｎ，ＵＮｅＷｉ
（ｃｏｌｔｏｉｃｏｌ哪ｌａＪｏｎｎｖｒｔ，ｈｎ￣２Ｙ０ＣｉａＭｉｅｃｒｎｅＳｈｏ，ｒｅｓＩｉｔｇＵｉｓｙＳａｇｉａｏｅｉ（２，ｈｎ）Ｘ４
由于人脸检测技术在很多场合有非常重要的应用，如：例机场里基于视频流的人脸识别、全领域安的门禁系统、字图片检索等，过去十年里，数在人脸
检测一直是图像处理领域里非常具有挑战性的问
张忠，赵峰，孙炜
（海交通大：在嵌入式平台上用软件实现、软硬件协同、全硬件实现三种实现方法，全面考察了Ａａ￣ｔｄｘｌ
算法在嵌入式平台的性能。在ＸｌｘＸＰ２ｉｎＵＶＰ开发板上，软件实现的检测速度是０５ｏ，硬件协ｉ．ｆ软ｓ

基于改进AdaBoost算法的快速人脸检测算法

ａ）对＝１，２ … ．，：归一化权重：ｑ：
川
生一．
加

ｂ）对每个特征ｆ，训练一个弱分类器ｈ（，ｆ，Ｐ，），并计算对应所有特征的弱分类器的加权（）的错误
率ｅ，：￡，＝ｇ｝ｈ（，ｆ，Ｐ，）一ＹＪ．
（３）组合最后的强分类器为：
ｃ（）：
ｔｌａ，ｈ（）
下：
（１）给定一组训练样本（ｘ。，Ｙ１），（ｘ２，Ｙ２）， …，（ｘ，Ｙ），其中Ｙ＝１表示其为人脸（正样本），Ｙ＝０表示
非人脸（负样本），ｎ为训练样本总数．
（２）初始化权重Ｗ＝Ｄ（ｉ）：
ｈ（）＝ｈ（，，Ｐ，）．
ｄ）按照这个最佳弱分类器，重新调整样本权值：Ｗ …．：Ｗ～，其中ｅ０表示被正确样本分类，ｅ
：
１表示样本被错误地分类，＝Ｔ — 三．
ｅ）继续重复ｂ），Ｃ），ｄ）步骤，直至ｔ＝Ｔ为止．
关键词：人脸检测；弱分类器；动态步长中图分类号：！７．４文献标识码：ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１６７２ —８１７３．２０１３．０５．１３０７
的概率），每经过一次集训，则训练出一个基本分类器，若错分类则增加样本权重，正确分类则降低其权重，错分类的样本权重增大并得到一个新的样本分布，即更新样本的权重．下一轮训练则会更多考虑被错分的样本，在新样本分布下，再次对基本分类器进行训练，得到新的基本分类器及其权重．理论上，弱分类器比随机猜测

基于AdaBoost的人脸检测技术研究

基于AdaBoost的人脸检测技术研究
陈淑艳;尚尔刚;姜昱舟
【期刊名称】《电脑编程技巧与维护》
【年(卷),期】2013(000)012
【摘要】提出了一种基于AdaBoost学习算法的检测技术框架,并以人脸为研究实例来验证框架的可行性.人脸检测技术作为目标检测技术的一个成功典范,在人脸识别、表情分析、人脸跟踪、图像压缩编码、图像/视频数据库检索、生物特征识别、视频会议、自动监控、智能人机接口等,诸多领域有着日益广泛的应用.
【总页数】3页(P74-75,77)
【作者】陈淑艳;尚尔刚;姜昱舟
【作者单位】沈联后勤信息中心,沈阳110005;沈联后勤信息中心,沈阳110005;沈
联后勤信息中心,沈阳110005
【正文语种】中文
【相关文献】
1.基于AdaBoost人脸检测算法的分析研究 [J], 李佩; 汪红娟; 李业丽; 刘梦阳
2.基于YCbCr和AdaBoost算法的人脸检测 [J], 胡柳; 邓杰; 肖瑶星; 卢艳芝; 曾
蒸
3.基于ZYNQ的优化Adaboost人脸检测 [J], 高树静; 王程龙; 董廷坤
4.基于新增haar特征和改进AdaBoost的人脸检测算法 [J], 张彩丽; 刘广文; 詹旭; 才华; 刘智
5.基于Adaboost算法的人脸检测实现 [J], 兰胜坤
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进的AdaBoost算法的人脸检测与定位

ｃａｓｆｒｗｉｈｉｇｖｌｅＴｅｅｐｒｍｅｔｌｒｓｌｈｗｈｔｈａｅｄｔｃｏｓａｌｈｄｂｈｅｔｏａｌｓｉｅｅｇｔａｕ．ｈｘｅｉｎａｅｕｔｓｏｔａｅｆｃｅｅｔｒｅｔｂｉｅｙｔｅｎｗｍｅｈｄｈｓｉｎｓｔｓ
ｇｆｃ｛￣ｅｔｎ；ｗｅｇｔｐｒｍｅｅｓ；ｃｓａｅｃａｓｆｅ；ｄｅｅｔｎａｅａｅｆｔｃｉｏｉｈａａｔｒａｃｄｌｓｉｒｉｔｃｉｒｔｏ
０引言
严重扭曲的现象，即退化现象。本文在Ａａｏｓ算法的基ｄＢｏｔ
础上，对样本的权值参数和弱分类器的加权参数加以改
人脸检测是指在输入图像中确定人脸的位置、大小、姿
势的过程，为人脸信息处理中的一项关键技术，作在人脸识别、人脸追踪、姿势估计、表情识别、图像检索和数字视频等方面都有着重要的应用Ｊ。目前，人脸检测的主流方法是基于Ａａｏｓ算法的检ｄＢｏｔ测方法ＪｄＢｏｔ法是一种自适应Ｂｏｔｇ算法，。Ａａｏｓ算ｏｓｎｉ利用该算法可以将一族弱学习算法提升为一个强学习算法，
程度来限制困难样本权值的过分增大；改进弱分类器参数
可以加强分类器对样本的识别能力。实验证明：方法具该
９４
传感器与微系统（ｒｓｕｅａｄＭｃｓｓｍＴｃｎｌｉｓＴａｄｃｒｎｉｒｙｔｅｈｏｇｅ）ｎｏｅｏ

基于adaboost的快速人脸检测系统

基于A daboos t的快速人脸检测系统刘礼辉(j匕京交通大学计算机与信息技术学院，北京市100044)E脯要】提出了基于A da boost的快速人脸检测方法。

根据人脸生理学特点，4q'l d"Pa ul V i oh方法提出了新的H aa r-l i ke特征-，扩展了图像预处理及扫描方法。

设计并实现了快速^睑检测系统。

D蝴】^睑捡测；A da boos t算法；H a ar-l i ke@征1引畜人脸检测(Face D et ect i o n)是随着人脸识别(Face R e cogni—t i on)问题提出的，但随着计算机视觉技术的发展及应用需要，人脸检测受到越来越高的重视而成为一个独立的研究分支。

人脸检测是指在输入图像中确定所有人脸(如果存在)的位置、大小、位姿的过程。

人脸检测的方法很多，Paul V i ol a和M i chae l J ones于200J年提出了基于A d-aboos t的方法，由于该算法的时间效率明显优于其它算法，因此成为了研究的热点。

文章介绍了A da boost算法及人脸检测技术的基本原理，作为一种探索、一种尝试，文中对V i ol a方法做了一点扩展并设计实现了一个快速人脸检测系统。

实验表明系统具有较好的性能。

2系统构成系统构成分为训练和检测两大部分，如图J所示。

1)训练部分：使用A da boos t算法对预先收集的正样本(图像中含有人脸)和负样本(图像中不含人脸)进行处理；从这两类样本集中提取特征进行计算，生成一个级联分类器。

级联分类器是由若干个强分类器组成的。

2)检测部分：使用训练过程中得出的级联分类器，按某个策略对待检测图像进行分析：并对检测结果进行后处理，最后得出图像中人脸的位置、大小等参数。

L鼬制／[h牛哒、，图l快速^舱榆铡系统韵构成3A da boos t人脸检测基本原理3．1H aar—l i k e特征的选取：虽特征值的计算P a ul V i ol a等提出的人人脸检测分类器是基于一些简单的特征的。

基于Adaboost算法的多角度人脸检测

维普资讯
第２卷第ቤተ መጻሕፍቲ ባይዱ期４１
文章编号：０６— ３８２０）１００ｏ１０９４（０７０１— ２６一４
计
算
机
仿
真
２７１０年１月０
基于Ａａｏｓ算法的多角度人脸检测ｄｂｏｔ
ｌ引言
人脸是一个常见而复杂的视觉模式，人脸所反映的视觉
龙敏，福珍，黄边后琴
（上海交通大学智能机器人研究中心，海２０４上０２０）
摘要：文中提出了一种基于Ａａｏｓ算法的多角度人脸检测方法。多角度人脸检测问题的研究与正面人脸检测相比，ｄｂｏｔ相对薄弱，离实际应用的需求还比较远。首先使用Ｈａ特征设计并构造弱分类器空间，Ａａｏｓ算法学习得到基于视图的多ａｒ用ｄｂｏｔ分类器级联的人脸检测器；然后将多角度人脸划分成三类：全侧脸，半侧脸及正面人脸，并为不同角度的人脸建立不同的检测器分别用于检测。在ＣＭＵ侧面人脸检测集合上，用基于Ａｄｂｏｔａｏｓ的方法对多角度人脸图像进行仿真实验，检测正确率为８．％，９８误报数为２３个。相比Ｓｈｅｄｒｎ等人的方法，４ｃｎｉｍａｅ该方法具有更好的性能。
ＬＯＮＧｎ，ＨＵＡＮＧｕ —ｚｅＭｉＦｈｎ．ＢＩＡＮｕ —ｑｎＨｏｉ
（ｅｅｒｈＣｎｅｏｔｌｇｎＲｂｔｓＳａｇａＪｏｎｎｖｒｔ，ｈｎｈｉ０２０ｈｎ）Ｒｓａｅｔｆｎｅｉｔｏｏｃ，ｈｎｈｉｉｔｇＵｉｓｙＳａｇａ２０４，ＣｉｃｒＩｌｅｉａｏｅｉａ