基于Adaboost和最小割算法的视频人脸检测
基于Adaboost方法的人脸检测的开题报告
基于Adaboost方法的人脸检测的开题报告一、选题背景随着计算机技术的不断发展，人们对计算机视觉方面的需求不断增多。
在计算机视觉中，人脸检测是很重要的一部分。
在许多应用中，如人脸识别、视频监控、图像搜索等都需要先进行人脸检测，从而实现后续处理。
人脸检测是计算机视觉中的一个经典问题，难点在于如何准确地检测出图像中的人脸。
为了解决这个问题，研究人员提出了许多方法，其中基于Adaboost的人脸检测方法是目前被广泛应用的一种方法。
这种方法通过训练大量的弱分类器，最终将它们组合成一个强分类器，从而实现对人脸的检测。
二、研究内容本文的研究内容是基于Adaboost方法的人脸检测。
主要包括以下几个方面：1. Adaboost的原理和流程。
首先要了解Adaboost的基本原理和流程，包括如何选择弱分类器、如何计算权重和误差等。
2. 人脸特征提取。
人脸的特征提取是人脸检测中的一个关键步骤，直接影响人脸检测的准确性。
因此需要探究适用于Adaboost方法的人脸特征提取方法，并对比不同的特征提取方法的性能。
3. 数据集的构建和处理。
数据集的构建和处理可以直接影响人脸检测算法的性能。
因此需要研究如何构建合适的训练集和测试集，并探究针对Adaboost方法的数据集处理方法，如图像预处理等。
4. 实验设计和结果分析。
在上述基础上，进行具体的实验设计，比较不同方法的人脸检测性能。
同时，分析结果，讨论各种方法的适用范围和优缺点。
三、研究意义本文的研究意义主要包括以下几个方面：1. 对Adaboost方法和人脸检测技术的研究。
本文通过对Adaboost方法和人脸检测技术的深入研究，可以增加人们对计算机视觉技术的认识和理解。
2. 对人脸检测算法的改进。
本文研究针对Adaboost方法的人脸检测算法，探究如何提高其准确性和性能，具有一定的实用价值。
3. 对相关领域研究的帮助。
本文对Adaboost方法和人脸检测技术的研究可以为相关领域的研究提供借鉴和参考，并促进相关领域的发展。
基于adaboost算法的人脸检测
❖ 对于每个特征 f,计算所有训练样本的特征值，并 将其排序。通过扫描一遍排好序的特征值，可以 为这个特征确定一个最优的阈值，从而训练成一 个弱分类器。具体来说，对排好序的表中的每个 元素，计算下面四个值:
1)全部人脸样本的权重的和 T ; 2) 全部非人脸样本的权重的和 T ； 3) 在此元素之前的人脸样本的权重的和 S ； 4) 在此元素之前的非人脸样本的权重的和 S ；
29
级联分类器的检测示意图如下图:
30
训练L层级联分类器的步骤如下:
❖
（1）训练第i层强分类器
H
(x)
i
;
❖ （2）保存强分类器 H i(x)的参数,即各弱分类器的
参数、强分类器的阈值以及被 H 误i(x) 判为人脸的
非人脸样本；
❖ （3）补充非人脸样本集，组合前i层强分类器对 候选非人脸样本进行检测，将被误判为人脸的非 人脸样本加入到样本集中（人脸样本不更新）；
5
满足（s,t）条件的矩形的数量计算
❖ 对于 mn子窗口,我们只需要确定了矩形左上顶
点和右下顶点，即可以确定一个矩形;如果这个矩 形必须满足下面两个条件（称为（s,t）条件）: （1）x方向边长能被自然数s整除。 （2）y方向边长能被自然数t整除。 满足（s,t）条定左上角位置，则左上角可以选择的位置 范围为:
28
级联分类器
❖ 单独一个AdaBoost分类器即使很强,在误检率和检 测时间上根本满足不了真正的实时人脸检测系统 的需要。采用级联检测策略能很好地解决这个问 题。Adaboost算法引入了一种瀑布型的分类器--级联分类器。
❖ 在级联分类器中，每一个待检测窗口只有通过了 当前层的强分类器（AdaBoost分类器）才能进入 下一层。这样大量的待检测窗口只需要最初几层 简单的判断就可以被迅速淘汰，使得平均检测成 本大大降低。多层级联结构中，每一层的强分类 器都是由AdaBoost算法训练来的。
基于Adaboost算法的多姿态人脸实时视频检测
大 量 包含 正 反 例 子 的 图 片 进 行 训 练 ， 到 分 类 器 ； 测 系 统 首 先 使 用 ＤｒｃＳ ｏ 从 Ｕ Ｂ摄 像 头 获 取 图像 ， 后 读 入 分 类 器 ， 得 检 实验 结果表 明 ， 系统 能够快 速准 确地在视 频 中检 测 出多种姿 态 的人 脸 ， 较 强的 实用价值 。 该 有 关键词 ： 脸检 测； 多姿 态； 类 Ｈ ａ 特 征 ；Ａ ａｏ ｓ算 法；积 分 图 人 ａｒ ｄｂ ｏｔ 中 图法分类号 ： Ｐ ９ ．１ Ｔ３１ ４ 文 献标识 码 ： Ａ 文章编 号 ：００７２ ２ １） ８４ ６ —３ １０ —０ ４（００ １—０ ５０
ａ ｃ ｒ ｔ ｌ ｅｅ ｔ ｄｍｕ ｔ ｖ ｅ ｆ ｃ ｅ ｌ ｉ ｉ ｅ ， ｗｈ ｃ ｋ ｓ ｔ ｒ ｒ ｃｉ ａ ｌ． ｃ ｕ ａｅｙ ｄ ｔ ｃ ｅ ｌ — ｉｗ ｅｉ ａｒ ａ－ ｍｅ ｖ ｄ ｏ ｉ ａ ｎ ｔ ｉｈ ｍａ ｅ ｉ ｍｏ ｅｐ ａ ｔ ｂ ｅ ｃ Ｋｅ ｒ ｓ ｆ ｃ ｅｅ ｔｏ ； ｍｕｔ— ｉｗ ； Ｈａ ｒｌ ｅ ｆａ ｕ ｅ Ａｄ ｂ ｏ ｔ ｌ ｏ ｉ ｍ ； ｉ ｔ ｇ ａ ｇ ｙ ｗｏ ｄ ： ａ ｅｄ ｔｃ ｉ ｎ ｌ ｖｅ ｉ ａ － ｋ ｅ ｔ ； ｉ ｒ ａ ｏ ｓ ｇ ｒ ｈ ａ ｔ ｎ ｅ ｒ ｌ ｍａ ｅ ｉ
文献综述 基于Adaboost算法的人脸检测
文献综述正文范文基于Adaboost算法的人脸检测文献综述一、人脸检测概述随着社会的发展，各个方面对快速有效的自动身份验证和识别的要求日益迫切。
人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来，具有很强的个体差异性、自身稳定性、唯一性和不易被复制的良好特性，因而它们为身份鉴别提供了必要的前提；并且同其他生物特征识别技术相比，人脸是一个信息极丰富的模式集合，是人类互相判别、认识、记忆的主要标志[1]，人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性，也是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一[2]。
所谓人脸识别，是指给定一个场景的静态图像或动态视频，判断其中是否存在人脸，如果存在人脸则进一步给出每张人脸的位置、大小和各个主要面部器官的位置信息并且依据这些信息进一步提取每张人脸蕴含的身份特征，将其与已知人脸库中的人脸进行对比，从而识别场景中单个或者多个人的身份[3]。
人脸识别过程可分为人脸检测（判断输入图像中是否存在人脸)、人脸特征提取(检测每个人脸的主要器官位置和形状)和人脸识别(将人脸特征提取结果与库中人脸对比)三个阶段。
使用Adaboost算法进行人脸识别流程[5]，如图 1所示。
在这一过程中，第一步即人脸检测是最为关键的。
检测的准确性、定位精确性和检测速度将影响整个系统的性能。
图 1 人脸检测与人脸识别流程在实际应用中，由于客观因素的影响，人脸检测问题的难易程度以及处理方法有很大差异。
在某些情况下由于图像(照片)的获取环境是可以人为控制的(如身份证照片等)，因而人脸的定位可以轻易地做到。
但在大多数的场合中由于（1）人脸是一类高度非刚性的目标，存在相貌、表情、肤色、姿态等差异；（2）人脸上可能存在一些附属物，毛发、化妆品等；（3）人脸的姿态千变万化，并且存在遮挡物；（4）待检图像性质的差异性。
如：图像的分辨率、摄录器材的质量等；（5）光照的种类、强度和角度的不同，其作用在人脸上所产生的性质不同的反射，造成不同区域的阴影[6]；（6）场景较复杂，人脸的位置预先不知道等因素会使人脸检测问题变得更为复杂。
基于Adaboost算法的人脸检测研究共3篇
基于Adaboost算法的人脸检测研究共3篇基于Adaboost算法的人脸检测研究1随着计算机视觉技术的不断发展，人脸检测在许多领域的应用越来越广泛，例如人脸识别、视频监控、安全门禁等。
其中，基于Adaboost算法的人脸检测技术尤为受到关注。
本文旨在介绍基于Adaboost算法的人脸检测研究。
一、Adaboost算法原理Adaboost算法是一种集成学习方法，它通过将多个弱分类器组合成一个强分类器来提高分类效果。
在Adaboost算法中，每个弱分类器都是一个简单的分类器，如决策树、SVM、神经网络等。
每个弱分类器都只能对某个特定的子集进行正确分类，因此，需要将多个弱分类器进行组合来提高分类效果。
Adaboost算法中，每个弱分类器都被赋予不同的权重，以使得对误分类的样本进行更多的关注。
在分类的过程中，每个弱分类器利用多个特征变量来进行分类决策，这些特征变量可以是人脸区域内的颜色、纹理、边缘等特征。
在训练阶段，Adaboost算法通过迭代的方式来加强弱分类器。
二、基于Adaboost算法的人脸检测基于Adaboost算法的人脸检测技术要想有效，需要满足两个条件：第一，需要收集大量的人脸图像，以便用于训练分类器；第二，需要设计有效的特征向量，以便用于描述图像中的人脸。
（一）数据集的准备数据集的准备是基于Adaboost算法的人脸检测技术中的一个重要步骤。
数据集需要包含大量的人脸图像，这些图像要尽可能的广泛和多样化。
在数据集的准备过程中，需要注意到以下几点：1.数据的采集过程应该避免实验室环境下的拍摄，而是应该呈现真实生活中的场景和多样性。
2.数据应尽可能地包含更多可能的变化：人脸姿势的变化、面部表情的变化、光照条件的变化等。
3.对于数据集中的人脸图像，需要对其进行标记，通常是通过矩形框把人脸框住。
（二）特征提取在基于Adaboost算法的人脸检测中，特征提取是至关重要的步骤。
特征向量应该用于描述图像中的人脸，使得分类器能够区分人脸和非人脸区域。
基于Adaboost算法的多姿态人脸实时视频检测
2010,31 (18) 4065
智能技术
基于 Adaboost 算法的多姿态人脸实时视频检测
张建明， 汪大庆 (江苏大学 计算机科学与通信工程学院，江苏 镇江 212013)
摘 要：针对实时视 频中的多姿态人 脸检测问题，应 用扩展的类 Haar 特征 ，训练能有效检 测多种姿态和多 种旋转角度人 脸的 分类 器；并使用该分类 器实现了一个实 时视频的多姿 态人脸检测系统 。该系统分为训 练和检测两个 子系统，训练系统 应用 大量 包含正反例子的 图片进行训练 ，得到分 类器；检测系统首先使 用 DirectShow 从 USB 摄像头 获取图像，然后读入分类 器， 对图 像进行检测并显 示。实验结果 表明，该系统能够 快速准确地在 视频中检测出多 种姿态的人脸 ，有较强的实用价 值。 关键 词：人脸检测; 多姿态; 类 Haar 特征; Adaboost 算法; 积分图 中图 法分类号：TP391.41 文献标识码：A 文章编号：1000-7024 (2010) 18-4065-03
一个弱分类器构成如下式
｛1
<
, ,,
= 0
其它
式 中 ：—— 弱 分 类 器 的 值 ，1—— 人 脸 ，0—— 非 人 脸 ；—— 弱
分类器的阀值；——不等号的方向；——图像中 24× 24 的子
窗 口 ，—— 子 窗 口 的 特 征 。 训 练 目 标 是 选 择 判 断 分 类 错 误 率
最低的 T 个弱分类器组成强分类器 。 [4] 选ቤተ መጻሕፍቲ ባይዱ过程如下：
Rainer Lienhart 在 Viola 的基础上又提出了一些新的旋转 Haar-Like 特征，这些特征计算方法与图 3 中的特征计算方法 相类似，特征如图 3 所示。本文使用了除特定方向特征以外 的 所 有 特 征 ，对 各 种 旋 转 角 度 的 人 脸 进 行 检 测 。 1.3 基 于 AdaBoost 的 学 习算 法
基于Adaboost人脸检测技术浅析
• 91•基于Adaboost人脸检测技术浅析苏州市职业大学电子信息工程学院 陈海涛 潘 静【摘要】人脸检测计数最初是在图像中解决人脸识别问题而溢出的一种确定人脸位置的计数。
近些年来由于技术的发展，人脸检测技术已被用于更多的场合，所以已经被单独作为一个研究方向。
本文主要从目前采用的基于Adaboost的人脸检测技术特点、存在的问题和未来的发展方向上进行论述。
【关键词】生物特征识别；人脸检测；计算机视觉1 引言人脸检测技术是指从图片或者一段视频流中检测是否存在人脸，如果存在，则将人脸的坐标，大小等信息表示出来，如图1所示。
如果从技术领域来看，人脸检测属于目标检测领域，而目标检测分为两类:第一类通用目标检测，这种检测主要是检测图像中多个类别的目标；第二类是只针对某一种目标进行检测，人脸检测就属于这一类。
图1 人脸检测20世纪60年，研究人脸识别技术的专家提出来了人脸定位的问题。
当时提出这个问题主要是为了解决人脸识别过程中如何确定人脸位置。
但在人脸检测的早期阶段，由于计算机的运算能力和一些其它技术方面的限制，所以，那时人脸检测技术并没有受到重视，发展得十分缓慢。
不过由于近些年计算机的性能在不断地提升，计算能力是以前计算机无法比拟的，所以人脸检测在发展初期遇到的技术瓶颈也就迎刃而解了，这几年人脸检测技术得到了快速的发展，人脸检测技术也日趋成熟。
生物特征识别包括生物的指纹、声音、虹膜和人脸等识别，但人脸识别的快速性、准确性和便捷性都是其它生物特征识别无法比拟的。
因为它的这些优势和人脸检测的应用范围的扩展，人脸检测早已作为一个独立的研究方向了。
目前，国内外都对人脸检测技术有专项的研究，例如中国科学院计算技术研究所，科大讯飞，美国卡耐基梅隆大学，苹果公司等等。
本文将着重介绍人脸检测的方法及存在的一些问题和未来的发展方向。
2 基于Adaboost的人脸检测技术与问题目前人脸检测有多种方法，也各有各的优缺点，大致可以分为两类。
一种基于AdaBoost的快速动态人脸检测算法
第 ３ 卷 第 ｎ 期 ２
厶
・
计
算
机
工
程
２０ ０ ６年 ６月
Ｊ ｎ ０ ６ ｕ ｅ２ ０
№
ｌ ｌ
Ｃｏ ｐ ｔ ｒＥｎ ｉ ｅ ｒｎ ｍ ｕ ｅ ｇｎ ｅ ｉ ｇ
人工智能及识别技术 ・
一
文 编 ０ ＿ ４ （ ｏ １ ２ ＿ 章 号ｚ ０ ３ ８ ｏ ）— ２ ＿ ３ １ ２２ ６１ ２ｏ
Ａｄａ ｏ ｔｔ ｅ ｅ ｔｆ ｃ ． ｎ ｅ ｒ ｔ ｄ ｗｉ ｉ ｅ ｒｆ ｃ ｒ ｃ ｅ ，ｓ ａ ｃ ｉ ｇ ｒ ｇ ｏ ｎ ｅ ｃ ｌ ｅ ｅ ｓ ｏ ｈ ｅ ｅ ｔ ｒ ａ ｅ ｒ ｄｕ ｅ ，ａ ｄ ｔ ｕ ｅ ｅ ｔｏ Ｂｏ ｓ ｏ ｄ ｔｃ ａ ｅ Ｉ ｔｇ ａ ｅ ｔ ａ ｌｎ ａ ａ ｅ ｔａ ｋ ｒ ｅ ｒ ｈ ｎ ｅ ｉ ｎ ａ ｄ ｒ ｓ ａｉ ｌ ｖ ｌ ｆ ｔ ｅ ｄ ｔｃ ｏ ｒ ｅ ｃ ｄ ｎ ｈ ｓ ｄ ｔ ｃｉ ｎ ｈ ｎｇ ｓ ｅ ｄ ｉ ｃ ｅ ｅ ａｅ ．Ｉ ａ ｓ ｅ ｉ ｎ ｌ ｓ ｉ ｅ ｒ ｉ ｉ ｇ ｍｅ ｈ ｄ ｉ ｔ ｇ ａｅ ｔ ａ ｏ ｔ ｂ ｏ ｓｒ ｐ ｉ ｇ ａ ｄ ｗｅ ｇ ｔｔｉ ｐ ｅ ｓａ ｃ ｌ ｒ ｔ ｄ ｔ ｌｏ ｄ ｓｇ ｓ ａｃ ａ ｓｆ ｒｔａ ｎ ｎ ｔ ｏ ｎ ｅ ｒ ｔ ｄ ｗｉ Ａｄ Ｂｏ ｓ 。 ｏ ｔｔａ ｐ ｎ ｎ ｉ ｈ －ｒｍｍｉ ｇ ｉ ｈ ｎ ，ｗｈ ｃ ａ ｅ ｅ ｓ ｌ ｉｈｃ ｎｂ ａ ｉ ｙ
ＤＥＮＧ Ｙ ｆ ｎ ， Ｕ Ｇｕ ｎ ｄ ， ａｅ ｇ Ｓ ａ ｇ ａ ＦＵ Ｂｏ ’
（ ｐ ｒ ｎ ｏ ｌｃｒｎｃ ｇｎ ｅｉｇ Ｔ ｉｇ ｕ ｉｅｓ ｙＢｅ ｉｇ１０ ８ ） Ｄｅ ａｔ ｔ ｆ ｅｔ ｉＥｎ ｉｅｒ ， ｓｎ ｈ ａＵｎｖｒｉ ， ｉｎ ０ ０ ４ ｍｅ Ｅ ｏ ｎ ｔ ｊ
基于OpenCV和Adaboost算法的人脸检测
［ ］ ＩＬ Ｐ Ｊ Ｎ Ｓ ． Ｒ ｂ ｓ ｒ ａ ｔ ｍ ｏ ｊ ｃ ｄ ｔ ｅ ｉ ｎＡ ． ｔ ２ Ｖ Ｏ Ａ ， Ｏ Ｅ Ｍ ｏ ｕ ｔ ｅ ｌ ｉ ｅ ｂ ｅ ｔ ｅ ｅ ｔｏ ［］ ８ ｈ
／ ｐ ｎ Ｖ ｄ ｔ ／ ａ ｒ ａ ｃ ｄ ｓ ｈ ａ ｃ ｓ ａ ｅ ｆ ｏ ｔ ｌ ａ ｅ ａ ｔ ． ｍ ； ／ 保 ０ｅＣ ／ａａ ｈａ ｃｓａ ｅ／ａｒ ａｃ ｄ ｒ ｎ ａ ｆ ｃ ｌ２ｘ ｌ ／
— ＿
［］ ４ 武妍 、项恩宁 ，动态权值 预划分 实值Ａ ａ ｏ ｓ 人脸检 测算法 ［］ 计算 ｄｂｏ ｔ Ｊ．
有 较好 的应 用前 景 。
参 考文 献 ：
样 本 的 创 建
［ ］ ｉｇ Ｈ ｕ ｎ ａ ｇ Ｄ ｖ ｄ Ｋ ｉ ｇ ａ ． ｅ ｅ ｔｎ Ｆ ｃ ｓ ｎ ｍ ｇ ｓ Ａ １ Ｍ ｎ — ｓ ａ Ｙ ｎ ， ａ ｉ Ｊ ｒ ｅ ｍ ｎ Ｄ ｔ ｃ ｉｇ ａ ｅ ｉ Ｉａ ｅ ：
Ｓｕ ｒｖｅ Ｊ］ Ｅ Ｔ ｎｓ． ａｔｔ ｒｎ Ａ ｙ［ ．Ｉ ＥＥ ｒａ Ｐ ｅ ｎａｌ ａｎ Ｍ ｈｉ ｓｉ ｙ ｓ ｄ ａｃ ｎｅ
Ｉ ｔ ｌ ｉ ｅｃ ，９ ９ １ （）：７ ８ ． ｎ ｅ １ ｇ ｎ ｅ １ ９ ， ４ ５ ７ 卜７ ０
进 行 目标 检 测
３２ 人 脸检测 的 实现 。在Ｏ ｅＣ 下 的实现 过 程为 ： ． ｐ ｎＹ
１ ）载入 分类 器是通 过 以下语 句 实现 ：ｃｓａｅｎｍ ＝ｃ／ｒ ｇａＦｌ ｓ ａｃ ｄ＿ａｅ ：Ｐｏｒｍ ｉｅ
信 息
科 学
Ｖ Ａ
一＿ ｉ
AdaBoost算法在人脸检测中的应用
AdaBoost算法在人脸检测中的应用人脸检测是计算机视觉中的重要研究领域，目的是从图像中自动检测和定位人脸。
在过去的几十年中，该领域取得了巨大的进展，其中一项重要的技术就是AdaBoost算法。
AdaBoost（Adaptive Boosting）是一种机器学习算法，用于构建强分类器。
它通过组合一组弱分类器来构建一个强分类器，每个弱分类器都只能准确地分类一部分训练数据。
这样，每个弱分类器都会错误地分类一些训练数据，但是组合它们可以得到更准确的分类器。
AdaBoost的关键在于训练过程中不断调整弱分类器的权重，以提高整个分类器的准确率。
在人脸检测中，AdaBoost算法的应用主要是通过Haar特征实现的。
Haar特征是一种基于重叠矩形的区域特征，可以有效地描述图像中的边缘、直线和角等特征。
通过Haar特征，可以将人脸和其他物体进行区分。
在使用AdaBoost进行人脸检测时，首先需要准备训练数据集。
训练数据集通常包含两类图像：人脸图像和非人脸图像。
然后，需要对这些图像进行Haar特征提取，并从中选择出最具区分性的特征。
接着，通过AdaBoost算法构建分类器，以对每个图像进行分类。
在使用AdaBoost算法的过程中，需要注意一些问题。
首先，训练数据集的选择对算法的准确性具有重要影响。
如果训练数据集过于简单或者过于复杂，都会导致算法的性能下降。
其次，Haar特征的选择也是一个需要仔细考虑的问题。
选择合适的Haar 特征可以大幅提高检测的准确率，反之则会降低准确率。
总之，AdaBoost算法在人脸检测中有着广泛的应用，并且已经成为该领域的重要技术之一。
随着人工智能技术的不断发展，AdaBoost算法的应用前景将会越来越广阔。
对于研究者们来说，不断探索和提高该算法的性能也是一项具有重要意义的工作。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ＺＨＡＮＧ ｏ‘ ＹＵ Ｗ ｅ— ｕ ． ＬＩ Ｔａ 。 ｉｖ Ｚｈ — ｉ ｉｗｅ
（ ． ｐ ｒ ｎ ｏ Ｐ ｙｉａ ａ ｄ ｌｃｒ ａ Ｉｆｒ ｔ ｎ Ｓ ｉｎ ｅ Ｇｕｙ ｎ Ｃ ｌ ｇ ， ｉａ ｇ ５ ０ ５， ｉａ；．ｃ ｏ ｌ ｆ １ Ｄｅ ａｔ ｔ ｆ ｈ ｓｃｌ ｎ Ｅ ｅｔ ｃ ｌ ｎｏｍａｉ ｃｅ ｃ ， ｉａ ｇ ｏｌ ｅ Ｇｕｙｎ ５ ０ ０ Ｃｈｎ ２Ｓ ｈ ｏ ｏ ｍｅ ｉ ｏ ｅ
ｐ ｓ ｎ ａｇ ｒ ｈ ｂ ｓ ｄ ｏ ｎ ｅ ｔ ａ ｄ Ａｄ ｂ ｏ ｔ ａｇ ｒ ｈ ｎ ｏｄ ｒ ｔ ｅｅ ｔｆ ｃ ｅｔ ｒ ｈ ｓ ａｇ ｒｔｍ ｏ ｕ ｅ ｎ ｏ ｅ ａ ｌｏ ｔ ｍ ａ ｅ ｎ ｍｉ － ｕ ｎ ａ ｏ ｓ ｌｏ ｉ ｍ ｉ ｒ ｅ ｏ ｄ ｔｃ ａ ｅ ｂ ｔ ．Ｔ ｉ ｌ ｏ ｈ ｆｃ ｓ ｓ ｏ ｉ ｔ ｅ ｉ ｔｅ ｏ ｔ ｎ ｎ ｈ ｋ ｎ ｃ ｌｒ ｐｘ ｌ ｉ ｈ ｍａ ｅ ｎ ｎ ｓ ｔ ｅ ｂ ｕ ｄ ｒ ｉ ｅ ｓ ｔｔｌ ｃ ｓ．Ｔ ｅ ｅ ｐ ｒｍｅ ｔｒ ｓ ｌ ｈ ｕ ｌ ｅ ａ ｄ ｔｅ ｓ ｉ － ｏｏ ｉｅ ｎ ｔｅ ｉ ｇ ，ａ ｄ ｆ ｄ ｈ ｏ ｎ ａｙ ｗ ｔ ｌａ ｔ ｏａ ｏ ｔ ｈ ｘ ｅ ｉ ｉ ｈ ｉ ｎ ｅ ｕｔ ｓ ｏ ｄ ｔ ｉ ａｇ ｒ ｈ ｃ ｎ ａ ｈｅ ｅ ｆｃ ｉｉ ｏ ｆ ｃｅ ｔ ． ｈ ｗｅ ｈｓ ｌｏ ｔｍ ａ ｃ ｉｖ ａ ｅ ｄ ｖｓ ｎ ｅｆ ｉｎ ｌ ｉ ｉ ｉ ｙ Ｋｅ ｒ ｓ ｖｄ ｏ ｆｃ ｅｅ ｔ ｎ ｍｉ — ｕ ； ａ ｏ ｓ ａｇ ｒｔｍ ｙ ｗｏ ｄ ： ｉｅ ａ ｅ ｄ ｔｃ ｉ ； ｎ ｃ ｔ Ａｄ ｂ ｏ ｔ ｌ ｏｉ ｏ ｈ
ｔ ｅ ｌ ａｎ ｎ ｖ ｒ Ｈａ ｒ ｌ ｅ ｆａｕ ｅ ａ ｄ ａ ｌ ｓ ｉ ｄ ｖ ｌ ｐ ｔ ｎ ｃａ ｓ ｅ ｈ ｔ ｃ ｎ ｄ ｖｄ ｆｃ ａ ｄ ｎ ｎ ｆｃ ｈ ｅ ｒ ｉ ｇ ｏ ｅ ａ — ｉ ｅ ｔ ｒｓ ｎ ｓ ｍｐ ｅ ， ｔ ｅ ｅｏ ｓ ａ ｓｒ ｇ ｌ ｓｉ ｒ ｔ ａ ａ ｉ ｉｅ ａ ｅ ｎ ｏ － ａ ｅ ｋ ｏ ｉ ｆ
Ａｂ ｔ ａ ｔ Ａｄ ｂ ｏ ｔ ａｇ ｒ ｈ ｉ ｗ ｄ ｌ ｓ ｄ ｉ ａ ｅ ｄ ｔｃ ｉｎ ｔ Ｓ ａ ｆ ｃ ｌｓ ｉ ｅ ｒ ｉ ｇ ａｇ ｒ ｈ ｍｅｈ ｄ ｈ ｏ ｇ ｓｒ ｃ ： ａ ｏ ｓ ｌｏ ｔ ｍ ｓ ｉ ｅｙ ｕ ｅ ｎ ｆ ｃ ｅｅ ｔ ．Ｉ’ ａ ｅ ｃａ ｓｆ ｌａｎ ｎ ｌｏ ｔ ｍ ｔ ｏ ．Ｔ ｒ ｕ ｈ ｉ一 种被 广泛应 用 于人 脸检 测的分 类器 学 习方 法 ，通 过Ｈａｒｌ ｅ ａ ｉ 特征 和样 －ｋ 本 的学 习和训练 ． 形成一 个强 分类 器． 能有效地 区分人 脸跟 非人 脸。 中提 出一种Ａ ａ ｏ ｓ 文 ｄｂ ｏｔ 结合 最 小割算 法的人脸提 取 方法 ． 方法 着眼于 图像 中的轮廓及 肤 色信 息 ， 该 对每 个点设 置一 个权值 ， 寻找 一条权 值最 小的边 界 ．准确 提取 出人脸 。实验 结果表 明 ， ｄｂ Ｏｔ 最小割 的人 脸提取 算 Ａ ａｏ Ｓ 和
文章 编 号 ：０ １ ９ ４２ １）９０ ５ — ４ １０ — ４ （０ ００ ・０ ２ ０ ９
基于 Ａ ａ ｏ ｓ 和最小割算法的视频人脸检 测 ｄ ｂ ｏｔ
张 涛 ， 卫 宇 ，李植 炜 余
（ ． 阳学 院 物 理 与 电子 信 息科 学 系 ， 阳 ５ ０ ０ ； 华 南理 ＿ 大 学 电 子 与信 息 学 院 ， 州 ５ ０ ４ ） １贵 贵 ５ ０ ５ ２． Ｔ － 广 １ ６ ０
ｒ ｇｏ ． Ａｒａ ｇ ｔ ｅ ｔｏ ｇ ｌｓ ｉｙ ｎ ｏ ｏｄ ｒ ｗｈｉｈ ｆ ｒ ａ ｏｅ ｆ ｃｅ ｔ ａ ｅ ｌ ｓｉｙ Ｉ ｔ ｉ ｐ ｐｅ ， ｗｅ ｒ － ｅｉｎ ｒ ｎ ｅ ｈ ｓｒ ｎ ｃａ ｓｆ ｉ ｓ ｍｅ ｒ ｅ ， ｃ ｏ ｍｓ ｍ ｒ ｅｆ ｉｎ ｆｃ ｃａ ｓｆ． ｎ ｈ ｓ ａ ｒ ｉ ｐ ｏ
于场 景较 复杂 ， 人脸 的识别 就变 得 困难 了 。到 目前
Ｅ ｅｔ ｎ ｎ ｎ ｒ ａｉ ｎ ｉｅ ｒ ｇ ｏ ｔ Ｃ ｉａ Ｕ ｉ ｒ ｔ ｏ Ｔ ｃ ｎ ｌｇ ，Ｇ ａ ｇｈ ｕ ５ ０ ４ ， ｈｎ ） ｌｃ ｏ ｉ ａ ｄ Ｉ ｏ ｔ ｎ Ｅ ｇ ｅｉ ，Ｓ ｕ ｈｎ ｎ ｅｓ ｙ ｆ ｅ ｈ ｏ ｙ ｕ ｎ ｚｏ ６ ０ Ｃ ｉａ ｒ ｃ ｆｍ ｏ ｎ ｎ ｈ ｖ ｉ ｏ １
人脸 识别 系统 有 着广 泛 的应用 前景 ． 如人 机交 互、 远程视 频监控 、 公共安全 等方 面。而人脸检 测是 人脸 识别 系统的前提 。人脸检测 就是从各 种不 同的
场 景 中检 测 出人脸 并确 定其 位置 ． 测性 能 的好坏 检
等 ） 因而人脸 的定位 可轻易 做到 。但 大多数 场合 由 ，
法 ， 割 效果较 好 ， 耗 时较 小。 分 且
关键 词 ： 频 人脸 检 测 ： 小 割 ； ｄａ ０ ｔ算 法 视 最 Ａ ｂ ０Ｓ 中图 分 类号 ： ＴＨ８ ５ ６ 文献 标 志码 ： Ｂ
Ｖｉ ｅ ｃ ｔ ｃ ｉ ｎ Ｂａ ｅ ｎ Ａｄ ｂ ｏ ｔ ａ ｄ Ｍ ｉ －ｃ ｔ Ａｌ ｏ ｉｈ ｄ ｏ Ｆａ ｅ Ｄｅ ｅ ｔｏ ｓ ｄ ｏ ａ ｏ ｓ ｎ ｎ ｕ ｇ ｒｔ ｍ