论文部分内容阅读
机器学习是人工智能领域的一个重要分支。其中,主动示例学习通过主动选择示例空间中典型样本进行学习以确定数据分布规律,为人脸检测等复杂的模式分类问题提供了重要理论基础和方法依据。在小样本情况下,为达到准确拟合示例分布的目的,本文提出混合级联Bootstrap主动示例选择算法,并将其应用到人脸检测中。针对互联网和移动通信中传播的大量不良信息,结合人脸检测,提出一种不良图像检测方法。本文主要研究成果概括如下:针对机器学习中训练示例的选择问题,提出混合级联Bootstrap主动示例选择算法。将Bootstrap和混合级联Bootstrap思想进行形式化描述,新算法通过嵌入一个级联的Bootstrap多层迭代筛选结构,可得到更典型的小样本集合,从而解决了计算条件对训练集大小的限制问题,使训练所得的分类器具有更高的分类性能。将Bootstrap和混合级联Bootstrap应用到基于AdaBoost的正面人脸检测的非人脸样本选择中,实验结果表明了本文算法理论分析的正确性以及算法良好的泛化能力。针对日益严重的不良信息泛滥情况,提出一种结合人脸检测过滤不良图像的检测方法。首先提取肤色区域对图像进行预检测,然后结合人脸和人体的生理学结构比例关系,对图像进一步进行敏感度判别,其中人脸分类器的训练样本采用混合级联Bootstrap算法来筛选,以保证分类器的性能。实验结果证明了本文检测方法的有效性。