学位论文 > 优秀研究生学位论文题录展示
基于Adaboost算法的人脸检测与识别的研究
作 者: 田晓娜
导 师: 李勇智
学 校: 南京林业大学
专 业: 测试计量技术及仪器
关键词: Adaboost Adaboost.M1 弱学习器 人脸识别 人脸检测 特征提取
分类号: TP391.41
类 型: 硕士论文
年 份: 2011年
下 载: 170次
引 用: 1次
阅 读: 论文下载
内容摘要
人脸检测与识别是计算机视觉和模式识别领域非常活跃的研究课题,经典的算法可以很好的进行人脸识别,但当处理大规模数据时仍会出现内存限制、训练时间过长、检测与识别不够实时快速等问题。针对这个问题,集成方法应运而生,其中以Adaboost(Adaptive Boosting)算法最为著名。它具有很好的泛化能力,识别率高,训练速度快。但是面对大规模数据的多类问题(包括两类),如何进一步提高算法的性能,扩大其应用领域仍然需要继续研究。本文在对人脸识别经典算法、Adaboost变体算法的设计方法、分类准则、分类性能等深入研究的基础上,主要完成了以下工作:首先,研究了经典人脸识别方法主成分分析PCA、线性鉴别分析LDA、独立成分分析ICA算法,对其原理、算法进行了系统的研究,并在多个公共人脸库上进行了实验仿真,分析了算法的性能和特点。其次,研究了基于Adaboost算法的人脸检测,我们选择简单的haar特征作为弱学习器,利用Adaboost算法将其提升为强分类器,在此基础上进行了人脸检测实验,结果证明Adaboost算法用于人脸检测速度快,实时性好。但仍然存在误检、漏检以及重检的问题,对此论文进行了深入的讨论分析。最后,考虑到Adaboost算法的优点,本文将其推广算法Adaboost多类识别算法Adaboost.Ml应用到人脸识别中来,运用常见的最近邻算法、LDA、朴素贝叶斯三种分类算法作为弱学习算法,进行了大量的实验研究,并对其结果进行了仔细的分析比较,结果表明,Adaboost.Ml用于人脸识别训练速度快,实时性和稳定性好,识别率非常高,甚至有达到100%识别率的情况。在此基础上,提出了一种优化权值的改进算法并进行了实验仿真,结果表明Adaboost.Ml改进算法识别率高,训练速度快,与未改进算法相比训练速度有所提高。
|
全文目录
致谢 3-4 摘要 4-5 Abstract 5-8 第一章 绪论 8-12 1.1 研究背景和意义 8 1.2 人脸识别 8-10 1.2.1 人脸识别的概念和应用 8-9 1.2.2 人脸识别的发展历程 9-10 1.3 Adaboost集成学习 10-11 1.4 本文的研究内容及安排 11-12 第二章 人脸识别经典算法研究 12-27 2.1 主成分分析PCA 12-16 2.1.1 PCA算法原理 12-14 2.1.2 PCA算法在人脸识别中的应用 14-16 2.2 线性鉴别分析LDA 16-18 2.2.1 LDA算法原理 16-18 2.2.2 LDA算法在人脸识别中的应用 18 2.3 独立成分分析ICA 18-22 2.3.1 ICA线性模型 19-20 2.3.2 FastICA算法原理及步骤 20-21 2.3.3 FastICA算法在人脸识别中的应用 21-22 2.4 实验结果及分析 22-26 2.4.1 实验一 三种算法在ORL人脸库上的实验 22-25 2.4.2 实验二 三种算法在FERET、UMIST人脸库上的实验 25-26 2.5 本章小结 26-27 第三章 Adaboost算法 27-35 3.1 Boosting算法背景 27 3.2 Adaboost算法的提出 27-30 3.3 Adaboost算法的理论分析 30-34 3.3.1 训练误差分析 30-33 3.3.2 泛化误差 33-34 3.4 本章小结 34-35 第四章 Adaboost算法在人脸检测中的应用 35-50 4.1 haar特征与积分图像 35-40 4.1.1 haar特征 35-38 4.1.2 积分图像 38-40 4.2 Adaboost算法的训练过程和检测过程 40-43 4.2.1 训练过程 40-43 4.2.2 检测过程 43 4.3 实验结果及分析 43-48 4.4 本章小结 48-50 第五章 Adaboost在人脸识别中的应用及改进 50-71 5.1 Adaboost.M1算法 50-60 5.1.1 Adaboost.M1算法思想及步骤 50-52 5.1.2 实验结果及分析 52-60 5.2 Adaboost.M1改进算法 60-70 5.2.1 Adaboost.M1改进算法思想及步骤 60-61 5.2.2 实验结果及分析 61-70 5.2.2.1 实验一 改进算法在YALE人脸库上的实验 61-66 5.2.2.2 实验二 改进算法在ORL人脸库上的实验 66-70 5.3 本章小结 70-71 第六章 全文总结 71-73 参考文献 73-78 详细摘要 78-80 Abstract 80-81
|
相似论文
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 2D人脸模板保护算法研究,TP391.41
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 舌体特征的提取及融合分类方法研究,TP391.41
- 基于人眼检测的驾驶员疲劳状态识别技术,TP391.41
- 胆囊炎和肾病综合症脉象信号的特征提取与分类研究,TP391.41
- Q学习在基于内容图像检索技术中的应用,TP391.41
- 直推式支持向量机研究及其在图像检索中的应用,TP391.41
- 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
- 空间交会接近视觉测量方法研究,TP391.41
- 图像实时采集、存储与处理方法研究,TP391.41
- 唇读中的特征提取、选择与融合,TP391.41
- 多币种纸币处理技术的研究与实现,TP391.41
- 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
- 基于图像的路面破损识别,TP391.41
- 移动机器人视觉检测和跟踪研究,TP242.62
- 高光谱与高空间分辨率遥感图像融合算法研究,TP751
- 基于随机森林的植物抗性基因识别方法研究,Q943
- 基于图像处理技术的烟叶病害自动识别研究,S435.72
- 基于视觉的番木瓜外观品质检测技术研究,S667.9
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|