基于Adaboost算法的人眼检测中样本选择研究

人眼检测在表情识别和人脸识别中起着非常重要的作用,是驾驶员疲劳检测的基础。采用了基于Adaboost算法的人眼检测的方法,训练阶段中的样本选择是Adaboost算法的关键,分析和讨论了训练阶段不同特征的正、负样本对最终检测结果的影响,提出了一种新型的负样本选择方法,并实验得到了各种样本训练生成的分类器对人脸库的检测率和误检率,得出用去除眼睛部分余下的人脸作为负样本训练出来的分类器能有效降低误检率,为以后的眼睛分类器训练提供了实验依据。     

双层结构Adaboost健壮分类器用于人眼精确定位

提出了一种双层结构的Adaboost分类器用于眼睛的定位检测和跟踪。双层眼睛分类器由训练的双眼区域和单眼区域的分类器级联构成一个强分类器。该算法较传统的YCbCr色度空间眼睛模板而言,对光照变化有更大的适应性。相对普通的Adaboost眼睛分类器,该算法保留了原有普通Adaboost分类器的高检测率,同时有效降低了眼睛的误检率。通过研究训练样本数,训练级数和Adaboost分类器误检率的关系,分类器训练效率得到提高。     

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.     

基于肤色与改进Adaboost算法的人脸检测

在彩色图像的人脸检测中,针对人脸分类器训练时可能存在的过拟合问题,提出了一种基于肤色与改进Adaboost算法的人脸检测。双阈值的权重更新方式避免了分类器训练过程中可能出现的过拟合现象;人脸检测时利用肤色的聚类性,将检测到的肤色区域作为Adaboost分类器的搜索候选区域。实验证明:在复杂背景中,提出的方法有效地缩短了检测时间,降低了误检率。     

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。     

基于分类器相关性的Adaboost人脸检测算法

为了提高传统Adaboost算法的集成性能,提出一种基于分类器相关性的Adaboost算法.该方法在弱分类器的训练过程中加入分类器的相关性判定,使每一个弱分类器的生成不仅与当前分类器有关,而且与前面若干个分类器相关,并将由此生成的弱分类器组合成新的强分类器.在CMU正面人脸检测集上的仿真结果表明,较传统的Adaboost算法,基于分类器相关性的Adaboost人脸检测算法具有更好的检测效率,同时降低了误检率.     

基于肤色和类Harr特征的人脸图像的人眼检测

人眼检测在表情识别和计算机视觉领域得到了广泛的关注和研究,但是在多数的人眼检测方法中,对于背景较复杂的图像,识别率急速下降,误检率急剧上升。经过研究,使用椭圆肤色模型预处理图像,分割出肤色区域和非肤色区域,检测算法只对肤色区域进行人眼检测,有效降低了复杂背景造成的高误检率。同时特征选取是决定检测算法识别率和误检率等性能标准的关键因素,选取类Harr特征训练Adaboost级联分类器,实验表明了类Harr特征的有效性。     

一种快速高效的人脸检测方法

介绍了一种建立在改进型Adaboost算法基础上的人脸检测方法,整个方法分为训练和检测两个阶段。训练阶段包含提取类Haar_Like矩形特征、利用改进型Adaboost算法生成强分类器、级联强分类器生成人脸检测器三步。检测阶段,采用金字塔式的穷举搜索法将对待检测图像进行人脸检测。为了解决传统Adaboost算法在训练过程中可能出现退化现象的问题,在Adaboost每轮训练中,定义一个阈值HWt,结合样本是否被错误分类以及当前权值是否大于HWt来给样本更新权值,该方法可以避免训练中可能出现的权重分布严重扭曲的退化现象,提高检测效率。经过编程实践,结果证明该方法检测效率高、检测精度较好。     

基于Adaboost算法的人眼状态检测

人眼检测在表情识别和人脸识别中起着非常重要的作用,作为一种预处理的手段,人眼检测和定位可以有效地提高表情识别和人脸识别的识别率.提出了一种基于Adaboost算法的实时人眼状态检测的方法.Adaboost是一个构造准确分类器的学习方法.它将一簇弱分类器通过一定的规则结合成为一个强分类器,再把这些强分类器级联成为一个快速、准确的分类器.分析和讨论训练阶段不同的人眼特征选择对最终检测的影响,并实验测试各种特征方法对特定目标的检测率,给出一个理想的分类器.     

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。