Adaboost算法及其在实时视频流中的应用

针对Adaboost算法在实时视频流中的应用,本文基于Adaboost算法的人脸检测原理,即通过提取图像中的haar特征,在训练过程中选出最优特征,转换成弱分类器,优化组合于人脸检测。最终,利用opencv的开发包,通过VC++软件编程实现基于Adaboost算法实时视频流中的人脸检测。     

基于DM6437的Adaboost人脸检测算法的设计与实现

研究并实现了基于DM6437的Adaboost人脸检测算法。在对相关的人脸检测算法研究的基础上,选择了适应能力强、错误率小的Adaboost算法,通过对输入样本进行Harr特征提取,从中选出最优的Haar特征,然后将训练得到的Haar特征转换成弱分类器,再将弱分类器优化组合成强分类器,最后形成级联强分类器用于人脸检测。通过OpenCV在计算机上仿真实现该算法,完成了Adaboost人脸检测算法的DSP程序设计,在DM6437硬件平台上实现了人脸实时检测功能。结果表明,运用该算法能够有效地进行人脸检测,可用于工程实践。     

Haar-like特征双阈值Adaboost人脸检测

目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT（Massachusetts Institute of Technology）标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL（Olivetti Research Laboratory）、FERET（face recognition technology）以及CMU Multi-PIE（the CMU Multi-PIE face database）这3种标准人脸库中,分别与SVM（support vector machine）、DL（deep learning）、CNN（convolutional neural networks）以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处（如球场等地）对多人脸同时检测的实际需求。     

基于Adaboost算法的人眼定位

提出一种新型的基于Adaboost人眼定位算法。该算法首先使用基于Harr特征和Ad—ab00St算法的人脸检测方法寻找人脸候选区域。并对候选区域进行归一化处理。然后使用基于Harr特征和Adaboost算法进行人眼定位。为了减少左右眼差异带来的影响,使用左眼检测器和右眼检测器。实验表明,这种方法具有准确性高和速度快的特点,达到实时人脸检测的性能要求。     

基于特征裁剪的双阈值Adaboost人脸检测算法

针对传统Adaboost算法存在训练耗时长的问题,提出一种基于特征裁剪的双阈值Adaboost算法人脸检测算法。一方面,使用双阈值的弱分类器代替传统的单阈值弱分类器,提升单个弱分类器的分类能力;另一方面,特征裁剪的Adaboost算法在每轮训练中仅仅利用错误率较小的特征进行训练。实验表明基于特征裁剪的双阈值Adaboost人脸检测算法通过使用较少的特征和减少训练时的特征数量的方式,提高了算法的训练速度。     

基于肤色与改进的Adaboost的人脸检测

针对传统的Adaboost算法检测速度块,准确率低的问题,提出一种基于肤色与改进的Adaboost算法以提高人脸检测的正确率。该算法首先利用肤色特征快速排除绝大部分背景区域,然后在肤色区域中利用快速积分图提取人脸的Haar特征,接着使用阈值设定的方法对传统的Adaboost算法进行改进,并将每次检测的最优分类器级联形成最终的强分类器,通过强分类器对Haar特征判别,检测出人脸部分。实验证明该算法有效的提高了人脸检测的准确率。     

基于Adaboost算法的多角度人脸检测

文中提出了一种基于Adaboost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,相对薄弱,离实际应用的需求还比较远.首先使用Haar特征设计并构造弱分类器空间,用Adaboost算法学习得到基于视图的多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Adaboost的方法对多角度人脸图像进行仿真实验,检测正确率为89.8%,误报数为243个.相比Schneiderman等人的方法,该方法具有更好的性能.     

基于Adaboost算法的人脸检测实现

人脸检测是指把人脸从一幅静止的图像或者动态视频中检测出来,并且指出人脸在图像或视频中的大小和位置。目前存在着大量的人脸检测算法,其中Adaboost算法是比较实用的人脸检测算法。Adaboost算法中人脸的特征采用的是矩形特征,在大量的样本集中,提取样本的矩形特征进行训练,生成多个弱分类器,然后合并多个弱分类器形成一个强分类器,最后级联强分类器形成最终的分类器,以此作为人脸检测的依据。文章先介绍了人脸检测技术,采用Adaboost算法生成人脸分类器,最后利用OpenCV来实现人脸检测。     

基于Adaboost和最小割算法的视频人脸检测

Adaboost算法是一种被广泛应用于人脸检测的分类器学习方法,通过Haar-like特征和样本的学习和训练,形成一个强分类器,能有效地区分人脸跟非人脸.文中提出一种Adaboost结合最小割算法的人脸提取方法,该方法着眼于图像中的轮廓及肤色信息,对每个点设置一个权值,寻找一条权值最小的边界,准确提取出人脸.实验结果表明,Adaboost和最小割的人脸提取算法,分割效果较好,且耗时较小.     

复杂背景下人眼的快速定位

采用基于改进Adaboost算法的级联式人脸和人眼分类器检测人脸和眼睛的候选位置,再用支持向量机（SVM）分类器验证并确定人眼的最佳位置;实现了在复杂背景图像中快速、准确的眼睛定位.与传统的Adaboost算法相比,改进的Adaboost算法构建分类器所需的特征数目大大减少,提高了眼睛定位速度;同时利用人脸几何特征的SVM分类器验证,提高了定位精度.实验结果表明该算法具有很好的精确性和实时性.     

基于人脸检测和CAMSHIFT算法的人脸跟踪系统

针对彩色视频序列,本文提出一种基于检测和彩色直方图的人脸跟踪系统,首先利用Adaboost算法进行快速人脸检测和定位,然后通过Canny滤波获取精确的人脸区域建立肤色直方图模型,在CAMSHIFT算法的基础上运用人脸形态约束,Kalman滤波进行实时的人脸跟踪,实验证明该系统具有较好的实时性并能很好的解决遮挡,类肤色干扰和快速移动的问题.     

视频中实时的人脸检测算法

本文提出一种视频中实时的人脸检测算法,该算法是基于Gentle Adaboost的多特征融合的快速算法,首先采用运动和肤色特征提取候选的人脸区域,再使用多层级联分类器定位人脸,为了加快检测的速度,还采用了边缘能量来排除非人脸窗口等策略。实验表明,该算法的检测率到达98.78%,误检率仅为2.04%,且速度达到了每秒27帧,满足各种实时的场合的要求。     

基于新Haar-like特征的多角度人脸检测

在Haar-like特征的基础上增加新的检测特征,给出特征计算方法和积分方法,实现多角度人脸检测。将多角度人脸分为3类,即全侧脸、半侧脸和正面人脸。利用连续Adaboost算法训练各类人脸检测器,用金字塔式结构将各类人脸检测器级联成一个多角度人脸检测器。在CMU人脸检测集合上,该检测器的成功率为85．2％,高于Adaboost算法和浮点Adaboost算法。     

基于肤色信息的实时人脸跟踪方法

提出一种基于人脸检测与肤色信息相结合的人脸实时跟踪方法。该方法先用Adaboost算法进行人脸检测，在此基础上，CAMSHIFT算法跟据人脸肤色信息实现对人脸的自动跟踪。实验表明，该算法具有快速、鲁棒的特点，能够满足实时系统的需要。     

基于人脸特征和 Adaboost 算法的人脸定位

人脸检测与定位,是人脸分析的基础,应用在众多领域,一种快速准确高效的人脸定位算法具有重要的意义.文中提出了一种利用人脸的特征与改进的 Adaboost 算法相结合的人脸定位算法.首先利用人脸的肤色特征,寻找出人脸可能存在的区域.再利用人形态特征筛选出人脸的候选块.针对人脸定位中普遍存在的人脸偏转,文中利用人脸的对称性予以调整,最后利用改进的 Adaboost 算法在候选块中快速定位人脸.实验表明该算法多姿态,复杂环境下的人脸具有良好的检测效率和较高的准确性及鲁棒性     

基于Adaboost与LDP算法的人脸识别研究

针对人脸识别过程中识别时间和成功率等问题,提出一种基于改进Adaboost与LDP算法的人脸识别算法。对于采集到的图像首先使用基于YCbcr模型的皮肤分割算法,去除图像中的非人脸部分,减少图像的大小,节约特征提取的时间。再使用基于Adaboost的级联分类器检测出人脸区域。最后利用改进后的局部方向模式提取人脸特征进行人脸识别。使用yale人脸库作为样本集进行了实验,实验结果表明：结合了肤色分割的Adaboost算法检测成功率增加、耗时减少,改进后的LDP算法与传统LDP用时相差不大,但是识别成功率有所提高。     

基于在线特征选择的实时多姿态人脸跟踪

针对复杂条件下的人脸跟踪问题, 将显著区域跟踪算法和基于 Adaboost 的人脸检测算法相结合, 研发了一个实时多姿态人脸跟踪系统. 系统采用数据关联结果, 自动选择和切换检测器与跟踪器, 并通过引入环境信息增强跟踪算法的稳定性. 实验表明, 系统可在目标姿态变化、摄像机运动等复杂条件下进行自动人脸检测与跟踪, 对 320x240 的图像序列处理速度达到 10-12帧/秒.     

基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

基于ZYNQ的优化Adaboost人脸检测

针对目前大多数嵌入式人脸检测系统实时性差的问题,通过优化的人脸检测算法和软硬件协同处理方式达到加速人脸检测的目的。基于ZYNQ SoC架构下,利用YCbCr肤色空间算法在FPGA部分加速提取肤色区域,利用优化的Adaboost算法与Phash算法在双核ARM中完成人脸检测与追踪,输出检测到的人脸。实验表明,提出的优化人脸检测算法相比传统的Adaboost人脸检测算法更具实时性,并且通过合理的软硬件协同处理也可以加快人脸检测速率,同时减少系统硬件资源消耗量从而降低成本。     

复杂背景下基于肤色分割的人脸检测算法研究

针对复杂背景下的多姿态彩色人脸图像,提出了一种基于Adaboost级联分类器和模板匹配相结合的人脸检测算法.利用肤色信息对对图像中的皮肤区域和非皮肤区域进行分割,运用改进后的Adaboost方法定位可能的人脸区域.最后通过模板匹配的方法对检测到的人脸区域进行进一步验证,实现了彩色图像中更精确的人脸定位.在实验中从不同大小、背景、光照、表情和光源方向等方面对多姿态的人脸图像进行了检测,取得了很好的效果,表明了该算法的有效性和实用性.