电视技术
電視技術
전시기술
TV ENGINEERING
2014年
15期
207-212
,共6页
AdaBoost算法%人脸检测%线性不对称分类器%Haar特征
AdaBoost算法%人臉檢測%線性不對稱分類器%Haar特徵
AdaBoost산법%인검검측%선성불대칭분류기%Haar특정
AdaBoost%algorithm%face%detection%LAC%Haar%feature
为了进一步提高AdaBoost算法的检测准确率和解决AdaBoost算法的退化问题,提出了一种基于线性不对称分类器(LAC)的改进AdaBoost人脸检测算法.该算法对样本权重的更新规则进行了调整,当训练节点分类器的前m个弱分类器时,由于样本权重更新合理,采用原始权重更新方法;当已训练产生一定数量的弱分类器序列后,退化问题严重,由LAC算法对前期训练获得的弱分类器序列进行学习形成最优强分类器,计算该强分类器对负样本集的错分率FPR,更新样本权重,依次循环直到完成该节点所有弱分类器的训练并得到最佳节点分类器,最后通过级联各个节点分类器,构成人脸检测分类器.同时,对已有的Haar特征进行了改进和完善.实验结果表明,该方法不仅提高了检测精度,而且抑制了退化现象,使人脸检测分类器的性能得到进一步的提高,具有较大的实用价值.
為瞭進一步提高AdaBoost算法的檢測準確率和解決AdaBoost算法的退化問題,提齣瞭一種基于線性不對稱分類器(LAC)的改進AdaBoost人臉檢測算法.該算法對樣本權重的更新規則進行瞭調整,噹訓練節點分類器的前m箇弱分類器時,由于樣本權重更新閤理,採用原始權重更新方法;噹已訓練產生一定數量的弱分類器序列後,退化問題嚴重,由LAC算法對前期訓練穫得的弱分類器序列進行學習形成最優彊分類器,計算該彊分類器對負樣本集的錯分率FPR,更新樣本權重,依次循環直到完成該節點所有弱分類器的訓練併得到最佳節點分類器,最後通過級聯各箇節點分類器,構成人臉檢測分類器.同時,對已有的Haar特徵進行瞭改進和完善.實驗結果錶明,該方法不僅提高瞭檢測精度,而且抑製瞭退化現象,使人臉檢測分類器的性能得到進一步的提高,具有較大的實用價值.
위료진일보제고AdaBoost산법적검측준학솔화해결AdaBoost산법적퇴화문제,제출료일충기우선성불대칭분류기(LAC)적개진AdaBoost인검검측산법.해산법대양본권중적경신규칙진행료조정,당훈련절점분류기적전m개약분류기시,유우양본권중경신합리,채용원시권중경신방법;당이훈련산생일정수량적약분류기서렬후,퇴화문제엄중,유LAC산법대전기훈련획득적약분류기서렬진행학습형성최우강분류기,계산해강분류기대부양본집적착분솔FPR,경신양본권중,의차순배직도완성해절점소유약분류기적훈련병득도최가절점분류기,최후통과급련각개절점분류기,구성인검검측분류기.동시,대이유적Haar특정진행료개진화완선.실험결과표명,해방법불부제고료검측정도,이차억제료퇴화현상,사인검검측분류기적성능득도진일보적제고,구유교대적실용개치.