基于谱直方图和支持向量机的人脸检测

论文摘要

人脸检测作为人脸信息处理中的一项关键技术，近年来在模式识别与计算机视觉领域中，已经成为一个受到普遍重视、研究十分活跃的方向。随着智能化信息处理技术的发展，人脸检测在身份识别、基于内容的检索、自动监控、人机交互等方面有着日益广泛的应用。本文给出了谱直方图描述的定义和特性，并研究了谱直方图和支持向量机(SVM)相结合的人脸检测算法，并对其进行了改进。(1)将谱直方图和支持向量机有效的结合起来，对复杂背景图像中的正面人脸检测取得了比较好的结果。算法性能好归因于谱直方图的理想特性和支持向量机的泛化性较好。算法具有较强的适应能力和鲁棒性。(2)本文在构造谱直方图所需的滤波器时进行了改进，采用局域二值模式(LBP)来代替Gabor滤波器来构造滤波器组。LBP算子是通过刻画图像像素点邻域内灰度的变化来描述图像的纹理结构特征的，因此使得支持向量机的分类更准确，并大大减少了算法的计算量。(3)为了检测不同大小的人脸，采用多分辨率的滑动窗口策略，实现人脸检测的位置不变性与尺度不变性。大量实验结果表明，本文算法对复杂背景图像中的正面人脸检测取得了比较好的结果，具有较强的鲁棒性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景与意义
• 1.2 国内外研究概况及发展趋势
• 1.3 人脸检测的各种方法
• 1.3.1 基于知识的人脸检测方法
• 1.3.2 基于特征的人脸检测方法
• 1.3.3 基于模板匹配的人脸检测方法
• 1.3.4 基于图像块的人脸检测方法
• 1.4 人脸检测问题的评价标准
• 1.5 本文的研究内容与安排
• 2 谱直方图
• 2.1 谱直方图的定义和特性
• 2.2 锐化滤波器
• 2.2.1 微分法
• 2.2.2 高通滤波
• 2.3 LoG滤波器
• 2.4 Gabor滤波器
• 2.4.1 Gabor滤波器表达式
• 2.4.2 二维Gabor小波变换
• 2.4.3 二维Gabor滤波器组的参数
• 2.5 滤波器的选择
• 3 基于支持向量机的人脸检测方法
• 3.1 支持向量机的理论背景
• 3.1.1 期望风险最小化
• 3.1.2 经验风险最小化
• 3.1.3 函数集的VC维
• 3.1.4 推广性的界
• 3.1.5 结构风险最小化
• 3.2 支持向量机（SVM）
• 3.2.1 最优分类超平面
• 3.2.2 线性支持向量机
• 3.2.3 非线性支持向量机
• 3.3 基于支持向量机的人脸检测方法
• 4 基于谱直方图和支持向量机的人脸检测
• 4.1 图像的预处理
• 4.2 样本选取
• 4.2.1 人脸样本的选取
• 4.2.2 非人脸样本的选取
• 4.3 LBP描述
• 4.3.1 局域二值模式（LBP）
• 4.3.2 利用LBP方法提取特征信息
• 4.4 训练与滤波器的选择
• 4.4.1 使用梯度+LoG+Gabor滤波器构造滤波器组
• 4.4.2 使用梯度+LoG十LBP算子构造滤波器组
• 4.4.3 两种方法的比较
• 4.5 检测与后加工
• 4.5.1 图像检索策略
• 4.5.2 检测窗口合并
• 4.6 实验结果与分析
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢