人臉快速檢測和特征抽取方法的研究.pdf

1、本文首先對主流的人臉快速檢測方法進行了研究，提出了幾種可以提高檢測性能的算法和技術，然后對當前主要的特征抽取方法做了更深入的研究，提出了多種更加有效的特征抽取方法。 基于AdaBoost和Cascade算法的人臉快速檢測方法當前最為流行，針對訓練過程中使用大量Haar-Like特征所造成的時間和空間浪費問題，提出了使用局部正交的Walsh特征來替代Haar-Like特征，通過實驗證明使用較少的Walsh特征就可以得到較好的人臉檢

2、測效果。本文分析了傳統(tǒng)Cascade算法和Nesting Cascade算法的缺陷，提出了同時具備自主和繼承特性的增強型Cascade算法，實驗表明增強型Cascade算法比其它Cascade算法對于人臉檢測而言更加有效。另外，分析了RealAdaBoost算法在區(qū)間劃分方面存在的問題，提出了基于模糊區(qū)間權重統(tǒng)計直方圖的擴展型Real AdaBoost算法，在MIT-CBCL 庫上的實驗證明了算法的有效性。在MIT+CMU正面人臉測試集

3、和CMU側面人臉測試集上的實驗結果也表明，使用提出的相關算法訓練得到的人臉檢測器具有較高的檢測率，優(yōu)于當前的一些主流方法。 最大拒絕分類器方法(MRC)是在Fisher 鑒別分析基礎上發(fā)展起來的一種較新的分類方法，融合AdaBoost算法的MRC-Boosting方法在一定程度上提高了分類性能。針對MRC和MRC-Boosting中存在的一些問題，提出自適應最大拒絕鑒別分析(AdaMRDA)，并給出了正交投影矢量集的求解方法，設

4、計了適合于人臉檢測的自適應權重調節(jié)方法和分類方法。在MIT-CBCL和FERET 庫上的實驗結果表明，AdaMRDA優(yōu)于MRC和MRC-Boosting算法。另外，結合Real AdaBoost算法和AdaMRDA算法的各自優(yōu)點，提出了一種基于AdaBoost+AdaMRDA 算法的快速人臉檢測方法，在MIT+CMU測試集上取得較好的檢測效果。 針對經典主分量方法進行了改進和提高，提出基于圖像重構原理的重構空間主分量分析算法(R

5、S-PCA)，并利用樣本類別信息，提出了一種有監(jiān)督重構空間主分量分析算法(SRS-PCA)，在ORL和Yale人臉庫上的實驗表明，提出的算法比經典PCA具有更好的特征抽取性能。然后，融合2DPCA的思想，提出了幾種有監(jiān)督的重構空間二維主分量分析算法，實驗結果證明提出的算法比相應的對比算法更有效。另外，提出了基于多尺度奇異值特征的主分量分析方法，實驗證明該方法可以進一步提高人臉識別性能。線性鑒別分析(LDA)也是一種有效的特征抽取方法，針

6、對PCA+LDA方法中鑒別信息損失的問題，提出了一種多頻帶線性鑒別分析方法(MBLDA)，提高了識別精度。然后，又基于PCA和LDA統(tǒng)一化原理提出了一種加強型線性鑒別準則(ILDA)，該方法將PCA的優(yōu)點和LDA的優(yōu)點融合在一起，通過在ORL 等人臉庫上的實驗驗證了該算法的有效性。另外，針對傳統(tǒng)的直接線性鑒別分析(DLDA)在處理高維散布矩陣時計算量大的缺點，提出了快速DLDA算法，并在此基礎上，提出基于多尺度低頻特征的DLDA方法，實

7、驗結果證明了該方法能夠抽取具有較高識別率的人臉特征。 最后，分析了幾種線性鑒別方法存在的缺點，從樣本總體分布相似度出發(fā)提出了一種期望鑒別分析算法(EDA)，并給出了具有相互正交和近似統(tǒng)計不相關特性的最優(yōu)鑒別矢量集的求解方法，使得抽取的鑒別特征更為有效，在兩個不同類型的數(shù)據(jù)庫上的實驗結果表明，EDA 不僅在測試精度上優(yōu)于相關的一些算法而且具有更強的適應能力。本文還吸收了核方法的思想，提出了一種核期望鑒別分析(KEDA)，并對核投影