基于改进支持向量机的人脸检测方法研究

论文摘要

人脸检测是模式识别和计算机视觉领域的一个重要研究方向，具有非常广泛的实用价值。本文在对人脸检测的国内外研究现状进行深入分析的基础上，对人脸检测的速度和鲁棒性进行了探讨。全文主要内容如下：1．支持向量机(SVM)分类速度比较慢，特别是在使用非线性核以及支持向量的数量比较多时，分类的速度将更慢，实际上，大部分负样本和正样本只需要使用线性分类器就能分开。本文针对这种情况，提出了FLD／SVM级联分类器和SVM决策树。首先使用两个fisher线性分类器来排除大量的背景区域，再使用线性SVM排除部分背景区域，最后使用非线性SVM来对余下的候选区域进行进一步验证。实验结果表明该方法使得检测速度有较大的提高，并且检测的正确率并没有明显的下降。2．在用SVM解决分类问题时，特征子集和SVM核函数参数的选择会对分类的性能产生很大的影响，并且特征子集和核函数参数之间也相互影响。本文针对这种情况，使用主成分分析(PCA)、小生境遗传算法(NGA)和SVM封装的方法来得到最优的特征向量子集和SVM核参数。与交叉验证的参数优化方法相比，该方法不仅分类准确率更高，特征的个数也大大减少；与单纯使用遗传算法来进行特征提取方法相比，该方法在分类准确率方面有较大的优势。3．深入研究了人脸检测的研究现状，把人脸检测的方法分为基于特征的方法和基于图像的方法。本文针对基于图像的方法速度慢的特点，在检测阶段引入基于特征的方法，使用基于特征和基于图像相结合的检测方法。对于一幅待检测的图像，首先使用基于特征的方法进行粗检测，对得到的人脸候选区域，再使用基于图像的方法进行进一步的验证。实验结果表明该方法不但使得检测速度有大幅度的提高，而且检测率并没有明显的下降。

论文目录

• 摘要
• ABSTRACT
• 致谢
• 第一章 概述
• 1.1 引言
• 1.2 国内外研究现状
• 1.2.1 基于特征的人脸检测方法
• 1.2.2 基于图像的人脸检测方法
• 1.3 人脸库
• 1.4 本文主要工作及结构安排
• 第二章 支持向量机基本原理
• 2.1 引言
• 2.2 统计学习理论
• 2.2.1 学习机器的VC维
• 2.2.2 结构风险最小化
• 2.3 支持向量机
• 2.3.1 线性支持向量机
• 2.3.2 非线性支持向量机
• 2.3.3 支持向量机的学习算法
• 2.4 支持向量机决策树
• 2.5 本章小结
• 第三章 特征选择和参数优化
• 3.1 引言
• 3.2 主成分分析
• 3.3 遗传算法简介
• 3.4 小生境遗传算法
• 3.5 支持向量机性能的评价
• 3.6 特征选择和参数优化
• 3.7 人脸检测的实现
• 3.7.1 训练算法
• 3.7.2 检测算法
• 3.8 实验结果及比较
• 3.9 本章小结
• 第四章 基于特征和基于图像相结合的快速人脸检测
• 4.1 引言
• 4.2 脸部特征
• 4.3 FLD/SVM分类器
• 4.4 人脸检测系统的具体实现
• 4.4.1 预处理
• 4.4.2 训练算法
• 4.4.3 检测算法
• 4.5 本章小结
• 第五章 结束语
• 参考文献
• 攻读硕士学位期间参与的科研项目
• 攻读硕士学位期间发表的学术论文