内容发布更新时间 : 2024/5/19 9:25:39星期一 下面是文章的全部内容请认真阅读。

北京大学本科生毕业论文 图

15 ADABOOST训练强分类器算法流程

图........................................................32

图 16 所有矩形特征对所有图片的特征值平均数分布（横坐标是按特征值平均

值排序后的特征编

号）.....................................................................................34

图 17 矩形特征 A 对人脸和非人脸图像的特征值分布（横坐标为排序表编号）。

这

里

看

不

出

A

有

区

分

能

力。............................................................................36

图 18 矩形特征 B 对人脸和非人脸图像的特征值分布（横坐标为排序表编号）。 这里 B 表现了很强的分辨能力。....................................................................37 图

19 训练并选取最佳分类器算

法.......................................................................39 图 20 训练用的非正面人脸图像...........................................................................43 图 21 样本归一化前后对比...................................................................................45

图 22 与 VIOLA 实验结果比较 1：总数15/漏检 0/错检 5..................................47 图 23 与 VIOLA 实验结果比较２：总数 7/漏检 1/错检 4....................................48 图 24 多人图像检测结果：总数 14/漏检 2/错检１............................................49 图 25 多人图像检测结果：总数 6/漏检 1/错检 4...............................................49 图 26 多人图像检测结果：总数 33/漏检 0/错检 4.............................................50 图 27 多人图像检测结果：总数 33/漏检５/错检 14..........................................50 图 28 多人图像检测结果：总数 3/漏检 0/

XI

北京大学本科生毕业论文 错检 0...............................................51 图 29 多人图像检测结果：总数 3/漏检 0/错检 0...............................................51 图 30 多人图像检测结果：总数 2/漏检 0/错检 1...............................................51 图 31 多人图像检测结果：总数 2/漏检 0/错检 0...............................................52 图 32 单人图像检测结果：总数 1/漏检 0/错检 2...............................................52 图 33 不含人脸图像检测结果：总数 0/漏检 0/错检 45.....................................52

表 2 特征模板 ................................................................................................... 29 表 3 特征模板的(s,t)条件 .................................................................................. 32 表 4 特征总数量的计算 .................................................................................... 33 表 5 不同子窗口大小内，特征的总数量 ........................................................... 34 表 6 特征 A、B 对所有图像特征值的统计表 ..................................................... 47

XII

北京大学本科生毕业论文

1 人脸检测

1.1 概念

长期以来，计算机就好像一个盲人，需要被动地接受由键盘、文件输入的信息，而不能主动从这个世界获取信息并自主处理。人们为了让计算机看到这个世界并主动从这个世界寻找信息，发展了机器视觉；为了让计算机自主处理和判断所得到的信息，发展了人工智能科学。人们梦想，终有一天，人机之间的交流可以像人与人之间的交流一样畅通和友好。

迄今为止，机器视觉的发展已经历了一个漫长的过程。经过研究者们的不懈努力，新的信息技术和媒体手段的出现，使得更加有效和友好的人机交互方式得到了发展，新型的人机交互将不再依赖传统的输入设备。而且，计算性价比的提高和视频获取成本的降低，使得计算机视觉系统能够向桌面级和嵌入式系统发展，这意味着计算机视觉系统能够安装在一切电子系统之中。相信在不久的将来，拥有高级视觉系统的智能电子产品会给我们的生活带来更大的方便。

计算机视觉要处理的一个重要内容，就是对人脸的视觉处理。人脸分析的相关研究希望用户的身份、状态和意图的信息能够从图象中提取出来，然后由计算依此做出反应（比如通过观察用户脸部表情来分析心情并进行相应反应）。由于

基于 AdaBoost 算法的人脸检测 赵楠 1

北京大学本科生毕业论文 人脸和脸部表情已经被心理学家、神经科学家和工程师们研究了多年，所以人脸和脸部表情识别的研究得到了更多的关注。

人脸分析（如图 1），主要包括人脸检测（face detection）和人脸识别（face recognition）两部分。最初人脸分析主要集中在人脸识别领域。与指纹、视网膜、虹膜、基因、掌纹等其它人体生物特征识别系统相比，人脸识别更加直接、友好，其使用者无心理障碍。人脸识别技术应用背景十分广泛，可用于公安系统刑侦破案的罪犯身份识别、身份证及驾驶执照等证件验证、银行及海关的监控、自动门卫系统、视频会议、机器人的智能化研究以及医学等方面。

早期的人脸识别算法都是在假设已经得到了一个正面人脸或者假设人脸很容易获得的前提下进行的，但是随着人脸分析应用范围的不断扩大和开发实际系统需求的不断提高，这种假设下的研究不再能满足需求。人脸检测开始作为独立的研究内容发展起来了。

人脸检测是人脸分析的第一步，指对于任意一幅给定的图像，采用一定的策略对其进行搜索以确定其中是否含有人脸，如果含有则返回人脸的位置、大小和姿态。本篇论文关注的是人脸检测相关的技术。

基于 AdaBoost 算法的人脸检测 赵楠

2

北京大学本科生毕业论文

图 1 人脸分析流程

1.2 难点与展望

虽然人类可以毫不困难地检测到空间中的人脸，但计算机进行完全自动的人脸检测仍存在许多困难。它是一个复杂的具有挑战性的模式分类问题，其主要的难点来自两方面（参见图 2 的示例）：

一、由于人脸内在的变化所引起的：

1. 人脸具有相当复杂的细节变化，不同的外貌，如脸形、肤色等，不同的表情，如眼、嘴的开与闭等，甚至可能有器官的缺失；

2. 人脸的遮挡，如眼镜、头发和头部饰物以及其他外部物体等；二、由于外在条件变化所引起的：

1. 由于成像角度的不同造成人脸的多姿态，如平面内旋转、深度旋转以及上下旋转，其中深度旋转影响较大；

2. 光照的影响，如图像中的亮度、对比度的变化和阴影等。

3. 图像的成像条件，如摄像设备的焦距、成像距离，图像获得的途径等等。

基于 AdaBoost 算法的人脸检测 赵楠 3