基于SVM和AdaBoost的人脸检测算法

提出了一种结合SVM和AdaBoost的人脸检测算法。该算法首先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机（SVM）,然后通过AdaBoost算法把这些训练好的分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。     

基于SVM和AdaBoost的人脸检测算法

论文提出了一种结合SVM和AdaBoost的人脸检测算法。该算法先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机（SVM）,然后通过AdaBoost算法把这些分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域,并得到置信图。最后通过均值漂移算法找到置信图的峰值,得到人脸区域的新位置。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。     

基于肤色分割和AdaBoost算法的彩色图像的人脸检测

文章提出了肤色分割和AdaBoost算法结合的人脸检测算法。首先,对彩色图像进行肤色分割,通过人脸肤色的统计特征得到候选人脸区域：然后,基于AdaBoost算法,使用由强分类器组成的级联分类器对候选人脸区域进行扫描,最终得到精确定位的人脸。实验证明,该方法具有肤色检测快速和AdaBoost算法误检率低的优点,可以有效的运用于多姿态、多人脸和复杂背景的情况。     

人脸检测级联分类器快速训练算法

目前AdaBoost训练算法已被广泛地应用于人脸检测中级联分类器的构建,而AdaBoost算法训练级联分类器的周期却十分漫长.为了减少训练时间,文中提出了一种基于AdaBoost的改进训练算法.该算法通过对弱分类器的阈值选择进行一趟处理来降低运算时间复杂度,并根据AdaBoost训练迭代中只改变样本权值而不更新样本的特点对特征值和排序结果进行缓存来提高训练算法的性能.实验结果表明,该算法大幅提高了人脸检测分类器训练系统的性能,使得分类器的训练时间缩短了60多倍.由于AdaBoost算法的通用性,该改进算法不仅适用于人脸检测,也适合所有进行权值更新迭代训练的Boosting算法.     

基于特征空间划分的AdaBoost人脸检测算法

在应用AdaBoost算法的人脸检测中,针对训练时间太长的问题,提出一种基于特征值空间划分的改进型AdaBoost快速训练算法,调整了弱分类器的评价系数.在MIT-CBCL人脸和非人脸训练库上对算法进行了实现,实验结果显示改进后的AdaBoost算法简化了训练过程,训练速度提高16倍以上,而且以区间检测代替特定样本的特征单点检测,泛化能力更好,鲁棒性强,检测精度更高.     

基于不平衡分类的人脸检测系统

人脸检测是生物特征识别技术中一个关键技术。针对人脸检测中正负样本类别不平衡的特性,提出基于BalanceCascade不平衡分类算法的人脸检测系统。系统通过控制分类器的误报率使得每层正负样本的规模相当,然后加权所有弱分类器构建最终的强分类器,消除训练正负样本不平衡的特点。在ORL人脸数据集上进行实验,采用F-measure和AUC作为评判标准,相比于传统的AdaBoost和UnderSamping不平衡分类算法,实验结果表明BalanceCascade算法优于传统的不平衡分类算法。     

快速多分类器集成算法研究

研究快速多分类器集成算法。对多分类器集成需选定一定数量的弱分类器,再为每个弱分类器分配一定权重。在选择弱分类器时,通过计算每个弱分类器在全部训练样本集上的分类错误率,对其进行排序,挑选出分类效果最好的若干弱分类器。在多分类器权重分配策略上,提出2种权重分配方法：Biased AdaBoost算法与基于差分演化的多分类器集成算法。在人脸数据库上的实验结果表明,与经典AdaBoost算法相比,该算法能有效降低训练时间,提高识别准确率。     

基于AdaBoost算法与肤色模型的多姿态人脸检测

针对AdaBoost算法对多姿态人脸检测效果不理想和肤色模型对复杂背景下的图像误检率高的问题,本文将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合,提出一种由偏到正的检测方法.主要是通过旋转图片,使人脸分类器不会因为角度问题产生漏检,然后根据分类器检测出的两眼,计算两眼之间的位置关系,判断人脸是否处于正面位...     

基于改进AdaBoost的快速人脸检测算法

针对传统AdaBoost用于人脸检测时需要的特征数目多,检测速度慢的问题,提出一种基于改进AdaBoost的快速人脸检测算法。一方面,提出使用双阈值的弱分类器代替传统的单阈值弱分类器,提高单个特征的分类能力;另一方面,引入信息熵作为特征相关度的度量方法,在特征选择时每一轮循环中只选择与已选出特征相关度较低的特征,从而减少特征之间的冗余信息。实验结果表明,相对于传统AdaBoost人脸检测算法,该方法使用较少的特征即可达到较高的检测准确率,检测速度得到显著提高。     

基于协方差特征的裁剪AdaBoost算法

针对Haar-like特征的缺陷以及AdaBoost算法存在训练耗时的问题,提出一种基于协方差特征的改进AdaBoost人脸检测算法。该方法用协方差特征代替Haar-like特征进行特征提取;然后使用特征裁剪和动态权重裁剪相结合的裁剪AdaBoost算法,训练得到基于协方差特征的强分类器。实验结果表明,相对于基于Haar-like特征的AdaBoost算法,该算法性能没有明显退化且很大程度上提高了训练速度。     

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。     

一种基于AdaBoost的快速动态人脸检测算法

提出了一种结合人脸检测和跟踪的快速动态人脸检测算法。在层次型AdaBoost检测算法的基础上，结合提出的一种基于线性预测的人脸跟踪算法来缩小搜索空间，使得检测速度提高到24ms／帧。还设计了一种结合层次型AdaBoost算法、负样本反馈方式和利用权值缩减训练时间的检测器训练方法，可以方便地应用于物体检测技术上。     

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。     

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.     

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Haar-NMF特征和级联AdaBoost的脱岗检测算法

针对值班室人员的岗位执勤情况进行实时检测的需求,设计了一种脱岗检测系统,它使用低维的Haar-NMF特征代替Haar特征的方法以减少计算量,同时采用级联分类器代替单一的分类器结构以提高检测的准确性。该系统分为训练和测试两个部分,训练部分包括利用非负矩阵分解对Haar特征进行降维生成Haar-NMF特征和级联AdaBoost分类器的训练,经过数次训练后得到的各弱分类器根据训练过程中的权值加权组成一个强分类器,该分类器具有较高的学习效率,检测速度有明显提升。测试部分根据实际检测效果中存在的误检情况对检测算法进行修正和优化。实验验证了该系统具有相当高的检测率和较低的误检率,有助于避免在岗位无人值守时发生意外及损失财产。     

基于几何特征与新Haar特征的人脸检测算法

针对普通Adaboost算法训练时间长,对复杂背景下(暗光、多角度、多姿态等)人脸检测识别率较低的问题,提出了一种改进的结合肤色检测及几何特征的Adaboost算法.采用肤色粗检筛选出候选人脸区域,同时采用新的非对称的Haar特征来训练分类器,进一步加强检测性能,提升鲁棒性和复杂背景下的宽容度实验将此算法应用到一个嵌入式系统中,结果表明:在各种复杂背景下的人脸检测中鲁棒性和宽容度均提升很多,误识率进一步降低,并且在嵌入式人脸检测的系统中具有很好的可移植性和实用性.     

基于图像扩散速度模型和纹理信息的人脸活体检测

为了解决人脸身份认证中的欺诈问题,提出了一种基于图像扩散速度模型和纹理信息的人脸活体检测算法。真实人脸和虚假人脸图像的空间结构不同,为了提取这种差异特征,该方法使用各向异性扩散增强图像的边缘信息。然后,将原始图像与扩散后图像的差值作为图像的扩散速度,并构建扩散速度模型。接着使用局部二值算法提取图像扩散速度特征并训练分类器。真实人脸图像和虚假人脸图像之间存在很多差异特征,为了进一步提高人脸活体检测算法的泛化能力,该方法同时提取人脸图像的模糊程度特征和色彩纹理特征,通过特征矩阵级联的方法将两种特征进行融合,并训练另一个分类器。最后根据分类器输出概率加权融合的结果做出判决。实验结果表明,该算法能够快速有效地检测出虚假的人脸图像。