基于神经网络扩张adaboost人脸检测算法

《基于神经网络扩张adaboost人脸检测算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于神经网络扩张Adaboost人脸检测算法摘要：人脸检测是人脸研究中的重要部分，Adaboost算法检测速度虽快，但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法，并通过实验表明该方法在原有Adaboost算法的基础上，降低了错检和重复检测率，提高了正负样本判断正确的概率。关键词：人脸检测；Adaboost算法；神经网络；样本扩张中图分类号：TP391.41文献标识码：A文章编号：1007-9599(2012)17-0000-020引言本文采用样本扩张策略使得样本信息可以更全面的覆盖人脸和非人脸信息，克服了原有算法在样本

2、选择上的随机性，加强了训练样本的代表性，再利用Adaboost算法与神经网络串联对人脸进行检测，从而降低了原有算法对人脸检测的错检和重复检测率。1Adaboost算法的人脸检测1.1Adaboost算法原理Adaboost是一种迭代算法，其算法思想简单说就是把一组弱分类器通过多次迭代，调整正负样本的权重，并把这些弱分类器按一定权重累加起来，最终得到所期望的强分类器。利用这个强分类器就可以对图像进行人脸检测了。具体算法：每个样本都赋予一个权重，T次迭代，每次迭代后，对分类错误的样本加大权重，使得下一次的迭代更加关注这些样本。输入：(XI,Yl),(X2,Y2),・・・(Xn,

3、Yn)Xiex,YieY={+l,-1}初始化权值：DI(i)二1/nFort=l,・・•，T在Dt下训练，得到弱的假设ht：X->{-l,+1},错误率：Et=SDt(i)[ht(Xi)HYi]选择at二1/2In((1-Et)/Et),更改权值：ifht(Xi)HYi,Dt+1(i)=Dt(i)*eat/Ztifht(Xi)二Yi,Dt+1(i)二Dt(i)*e-at/Zt输出：H(X)=sign(Zatht(X))1.2弱分类器的生成为减少计算量和主要特征参数，本文采用主成分分析方法(PCA)得到弱分类器。PCA用于人脸识别，其实是假设所有的人脸都处于一个低维线性空间

4、，而且不同的人脸在这个空间中具有可分性。其具体做法是由高维图像空间经K-L变换后得到的一组新的正交基，对这组正交基进行一定的取舍，保留其中的一部分生成低维的人脸空间。每一个PCA特征都对应着一个弱分类器，每一个弱分类器都是根据它所对应的特征的参数来定义的。利用上述特征的位置信息，对训练样本进行统计就可以得到对应的特征参数。1.3测试环境和结果分析影响本算法的因素：正负样本的个数，循环次数i的大小；缩放的大小；级联结构的级数；每一级中的循环次数；每一级中所选取的PCA提取特征的数目以及判断为正人脸样本的特征的个数。本算法选取了2000个正样本，2000个负样本。实验环境：Pe

5、ntium(R)4CPU2.93GHz1.00GB内存。MATLAB:R2010bo测试结果如图1图1由图可看出，此算法在多人脸检测情况下，有较高的错检率和重复检测率。2Adaboost算法与神经网络串联检测人脸2.1人工神经网络概述人工神经网络是人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它实际上是由大量简单元件相互连接而成的复杂网络，具有高度的非线性，能够进行相关的逻辑操作和非线性关系实现的系统。在现有神经网络中，BP网络、RBF网络、反馈网络和LVQ网络是目前使用较多的网络，也是在模式识别领域应用最广泛的网络。LVQ网络学习简单，

6、速度相对来说较快，相同情况下与其他网络相比可以实现更好的效果，因此本文采用了LVQ网络在Adaboost的基础之上进行分类识别。2.2样本扩张和串联检测思路Adaboost算法的效果与前期训练时若分类其的选取关系重大，而弱分类器的选取在一定程度上依赖于样本集的选取，因而训练样本集显得十分重要。在Adaboost算法中，人脸和非人脸的选取比较重要随机，不能很好的表达人脸和非人脸的信息。针对这一现象，采用样本扩张的策略，使扩张后的训练样本可以比较全面的覆盖人脸和非人脸信息。样本扩张的实现过程如下：1、用随机选取的人脸和非人脸样本构成初始训练库；2、利用该训练库训练神经网络,再将

7、训练好的神经网络对Adaboost分类器判断为正样本的图片进行进一步判断，如果神经网络判断为负样本，则将图片加入初始训练库，用神经网络进行训练，同时直接将Adaboost分类器判断为负样本的图片加入初始训练库中，用神经网络进行训练。因此，通过样本扩张形成的新训练库更具有代表性，可以很好的涵盖人脸和非人脸信息，再进行Adaboost和神经网络串联进行判断，可以得到很好的效果。2.3测试环境和结果分析本算法选取了2000个正样本，2000个负样本。实验环境：Pentium(R)4CPU2.93GHz1.00GB内存。M