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

  1. 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
  2. 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
  3. 2D人脸模板保护算法研究,TP391.41
  4. 基于三维重建的焊点质量分类方法研究,TP391.41
  5. 舌体特征的提取及融合分类方法研究,TP391.41
  6. 基于人眼检测的驾驶员疲劳状态识别技术,TP391.41
  7. 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
  8. Q学习在基于内容图像检索技术中的应用,TP391.41
  9. 直推式支持向量机研究及其在图像检索中的应用,TP391.41
  10. 中医舌诊中舌形与齿痕的特征提取及分类研究,TP391.41
  11. 空间交会接近视觉测量方法研究,TP391.41
  12. 图像实时采集、存储与处理方法研究,TP391.41
  13. 唇读中的特征提取、选择与融合,TP391.41
  14. 多币种纸币处理技术的研究与实现,TP391.41
  15. 基于类Harr特征和最小包含球的纸币识别方法的研究,TP391.41
  16. 基于图像的路面破损识别,TP391.41
  17. 移动机器人视觉检测和跟踪研究,TP242.62
  18. 高光谱与高空间分辨率遥感图像融合算法研究,TP751
  19. 基于随机森林的植物抗性基因识别方法研究,Q943
  20. 基于图像处理技术的烟叶病害自动识别研究,S435.72
  21. 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