论文部分内容阅读
作为几乎所有人脸图像处理的首要环节,人脸检测在计算机视觉、模式识别、多媒体技术研究中占有日益重要的地位。AdaBoost算法是1995年提出的一种机器学习算法,它把那些较易构造的弱分类器训练整合成强分类器。2001年AdaBoost算法被应用于人脸检测问题,成为人脸检测速度提高的一个转折点,是人脸检测从真正意义上走向实用的里程碑。
在原始的AdaBoost算法中,正负例样本被完全同等对待,AdaBoost算法与级联分类器生成算法关联不大。而在人脸检测中,人脸和非人脸两类模式分类错误风险极不平衡,训练时正负例样本数目的比例一般也不平衡。在实际人脸检测系统中,对FRR的要求均高于对FAR的要求,即要求在保证系统有较低的FAR的基础上FRR尽可能的低。
针对上述问题,本文提出了改进的AdaBoost算法,改进算法中引入分类风险系数,将其与级联分类器相关联,使AdaBoost算法与级联分类器生成算法紧密结合。同时修改原始AdaBoost算法的权值更新规则,使分类风险系数参与到权值更新中,提出将正负例样本分开进行权值归一化的方法。所有改进均使AdaBoost算法更加适应实际人脸检测问题的需要。实验表明,在相同的训练条件和检测条件下,这种改进的AdaBoost算法鲁棒性和自适应性均得到了提高,它比原始算法具有更高的检测率和更低的误检率,并且提高了训练的速度。