论文部分内容阅读
人脸检测是人脸相关课题研究的前提,是模式识别和计算机视觉等技术的基础。然而,在实际应用中由于遮挡、角度、极度光照以及表情等原因,使得人脸图像呈现出较大的视觉差异,导致分类困难,检测算法鲁棒性不够。因此鲁棒的人脸检测算法有着实际的应用价值但同样存在极大挑战。人脸检测主要分为特征提取和特征分类两步,本文的工作也是围绕这两个方面,重点研究了特征提取和特征分类算法,本文的主要工作如下：(1)特征提取：大部分的人脸检测算法都是利用Haar. PCA以及LBP等手工设计(hand-crafted)的特征,本文基于卷积神经网络(Convolutional Neural Network, CNN)自动提取特征,可以更加准确的捕捉多样的潜在的面部特征,提出了一种有效的人脸检测算法。算法首先训练Adaboost背景过滤器,快速的滤除大部分明显背景,提高系统速度。然后利用卷积神经网络对那些通过Adaboost的人脸和非人脸提取更有表现力的特征。最后利用支持向量机(Support Vector Machine, SVM)对提取的特征进行分类,判断为人脸或非人脸。实验证明本文的算法结合了卷积神经网络学习特征和SVM分类的优点,提高了算法性能。(2)特征分类：局部遮挡给人脸检测带来了一系列的问题,例如使得人脸图像之间类内差异较大,导致分类困难。为了解决局部遮挡及其带来的问题,本文提出了利用核融合的局部敏感支持向量机人脸检测算法(LS-KC-SVM)。该算法利用局部敏感支持向量机算法(LSSVM)在每个局部区域上构建一个局部模型,由于局部的类内差异较小,所以局部模型可以很好的处理分类问题。同时为了解决遮挡问题,利用核融合的思想,将全局核和局部核进行组合,从全局以及局部的角度来更加全面的度量特征之间的相似性。最后,将这一融合核应用到LSSVM中。实验表明本文提出的算法有着良好的效果。(3)算法结合：将研究的特征提取算法和特征分类算法结合起来构成一个完整的鲁棒的人脸检测系统。为了将两种算法进行结合,在使用卷积神经网络提取人脸特征时不像传统的那样用一个网络提取整张人脸的特征,而是要和LS-KC-SVM算法的特性相结合。