本站原创关于计算机应用及大学学报及信息工程系方面的免费优秀学术论文范文，计算机应用有关硕士小论文一般多少字,关于基于肤色模型与改进Adaboost算法的人脸检测相关论文范文文献，对写作计算机应用论文范文课题研究的大学硕士、本科毕业论文开题报告范文和文献综述及职称论文参考文献资料下载有帮助。
摘 要 ：介绍了一种基于肤色模型与改进Adaboost算法相结合的人脸检测方法.该方法首先利用肤色在YcbCr空间中的聚类特性,对图像进行预检测,得到候选人脸区域,进而采用改进的Adaboost方法对弱分类器进行级联,得到最终的人脸分类器.在特征选择上,使用基于像素的多层特征（PixelBased HierarchicalFeature,PBHF）,以解决传统Adaboost方法检测时间过长的问题.实验结果表明,该人脸检测方法比单纯采用Haarlike 特征的人脸检测方法更加有效.
关 键 词 ：Adaboost；肤色模型；人脸检测；多层特征
DOIDOI：10.11907/rjdk.151240
中图分类号：TP317.4
文献标识码：A 文章编号：16727800（2015）006018003
作者简介作者简介：盛光磊（1982-）,男,河南开封人,硕士,郑州升达经贸管理学院信息工程系讲师,研究方向为图像处理、嵌入式系统；王丽娟（1979-）,女,河南长葛人,硕士,郑州升达经贸管理学院信息工程系讲师,研究方向为计算机通信与微机控制.
0 引言
人脸检测已成为生物鉴别技术应用、人机接口和监测等领域的重要研究课题.目前,人脸检测方法很多,最常用的就是Adaboost方法,该方法实时性好、鲁棒性强.但是,该方法需要大量的训练样本,需花费大量的时间在训练参数的修改上.为了得到更好的检测结果,Lienhart[1]提出了一种基于旋转人脸的Haarlike特征集,这样可以提高旋转人脸的检测精度.刘琼、彭光正[2]等提出一种改进的Adaboost人脸检测算法；陈世刚、马小虎[3]提出了基于多高斯肤色分割和Haarlike强度特征的人脸检测,例如文献[46]所用方法在检测时都需要比较长的检测时间,才可得到比较精确的检测结果.
本文所提出的人脸检测方法,能显著减少训练时间和检测时间,进一步提高特定环境下人脸检测的可行性.在肤色模型中通过肤色分割,可以筛选出大多数非人脸,准确地保留脸候选人脸.并利用改进的Adaboost算法,采用PBHF特征得到的强分类器进行人脸检测.
1.肤色分割
将RGB图像转换到亮度-色度空间,通常称之为YCbCr色彩空间,这样做是因为在YCbCr色彩空间中肤色的聚类性比较好.
由于生活中存在大量与人类皮肤颜色相似甚至相同的物体,因此肤色检测结果中,可能包含大量的非肤色区域.为了降低对后续检测所造成的影响,根据文献[7]中所提方法作进一步的区域分割,最终得到候选人脸区域.
4.实验结果
以CMU人脸集[9]为测试集,采用VC++6.0进行软件模拟.这些人脸集包含很多种人脸,比如旋转角度、不同光照情况、不同服装、不同肤色的人脸等.检测结果比较如表1所示.
人脸检测系统的性能指标主要有以下4部分：训练时间、检测时间、检测率、误检率.尽管本文所提方法相较于Haarlike特征而言,其检测率和误检率要差一些,但是在训练时间上要强很多.如果使用传统的Haarlike特征,训练时间较长,往往需要要1天以上,但如果使用PBH特征,只需要10分钟即可.训练时间会产生这么大的差异,其原因在于传统Haarlike特征多于150 000个,而PBH特征少于600个.尽管特征差距在数量上比较小,但在实际检测时,训练时间相差较大.这是因为对于传统Haarlike特征训练,数量较大造成了频繁的数据换入和换出,而PBH特征可以很容易地全部放入内存中,这就造成了训练时间的巨大差距.部分检测结果如图4所示.
5.结语
本文提出了一种基于肤色模型和改进Adaboost算法的人脸检测方法,首先采用肤色的聚类性进行预检测,然后使用基于像素的多层特征（PBHF）进行改进的Adaboost算法提升,最终得到强分类器作为人脸划分依据.实验结果表明,与传统Adaboost方法相比,训练时间大幅减少,而检测率相当.总体而言,本文所提出的方法是有效的.