基于多级联不对称增强和遗传算法的人脸检测

基于多级联不对称增强和遗传算法的人脸检测 张向鹏,魏 江 ,西北工业大学 电子信息学院, 陕西 西安 710072, 摘要, 提出了一种基于多级联不对称增强和遗传算法的 AdaBoost人 脸检测。 可把认假率和拒真率反馈给当前训 练阶段,并通过阈值比较来控制级联层数和局部最佳弱分类器权值。 用遗传算法训练选取的局部最佳弱分类器,实现 。 仿真实验结果表明,该算法可以有效避免过拟合和特征冗余现象,获得较高的检测 用较少的弱分类器达到高检出率 。 速度和精度 关键词, 人脸检测,AdaBoost 算法,多级联不对称增强,遗传算法 中图分类号, TP391.4 文献标识码, A 文章编号:1674,6236,2012,05-0122-04 Human face detection based on multi exit asymmetric boostingand genetic algorithm ZHANGX iang-peng, WEI Jiang ,School of Electronics and Information, NorthwesterPno lytechnical University, Xi’an 710072, China, Abstract: A novel AdaBoostal gorithm based on thmue lti exit asymmetric boosting and genetic algorithm is proposedin this paper. Botfha lse acceptance rate afndals e rejection rate are fed bacinkto currentt raining stage, the cascade stagest hae nd weight of local optimum weak lcassifiers are restricted by threshold comparison. The genetic algorithm with strongs earch ability is adopted fortr aining local optimal weak lcassifiers, so most human fainc esim ages and video sequences cane bdetermined by less weak lcassifiers. Experimental results show that the proposedalgor ithm can achieve higher detection speed and more accuracy, effectively avoid overfitting and featurree dundancy. , , , Key words: human facee tdectionAdaBoostal gorithmmulti exit asymmetric boostinggenetic algorithm 人脸检测是指在输入图像中确定所有人脸 ,如果存在,AdaBoost方 法,通过选取相关性较小的最 于多步校正的改进 [1]的位置、大小和位姿的过程。 人脸检测作为人脸信息处理中 佳弱分类器构成强分类器。 项 关 键技 术 , 近 年来 成 为 模式 识 别 、 计算 机 视 觉等 领 域 的一 文中提出一种新的基于多级联不对称增强的方法,并在、研究十分活跃的课。 内一项受到普遍重视弱分类器的选取过程中,将遗传算法与传统的 AdaBoost算 法 Viola 和 Jensen等人采 用 AdaBoost算法构 建的级联式人 相结合,达到了较理想的训练和检测效果。 实验结果表明,本[2] 检 测算 法使 人脸 检 测 在实 时 检 测方 面 有 了长 足 的 发展 。 脸 文方法可以有效地缩短训练时间,提高检测的速度和精度。其 基 本思 想 是 , 通过 给 定 数量 的 样 本集 的 反 复训 练 , 对 分 类 ,对分类性能差的弱分类器 性能好的弱分类器赋予较高权重基于 AdaBoost算法的级联人脸检测 1 予较 低 权 重, 经 过 循 环比 较 , 自 动挑 选 出 若干 关 键 分 类 器 赋 级联 起 来 , 构成 一 个 分类 能 力 强的 分 类 器 , 从 而 得 到 较 好 并Viola 等人提出的多层级联分类器结构如图 1 所示,可以 [3]。 因此,在训练中如何选取有效的样本特征、如 的分类效果 有效地对输入图像中的非目标区域进行排除,从而提高对目 更 新样 本 权 值以 及 如 何选 取 最 佳弱 分 类 器构 建 级 联 分 类 何[8] 标的检测速度。 在检测的初始阶段矩形特征数较少,因此用。 传统的 AdaBoost算 法在处理上述问题 器是算法的基本问题 少量计算就可快速排除大量非目标区域,随着逐层检测的进 明 显 的不 足 ,1, 当 样本 数 量 多的 时 候 , 不 同 样 本 的 特 征 时有 [4]行矩形特征越来越多,由于目标窗口越来越少计算量不会显 生冗 余 的 可能 性 很 大,2, 虽 然 选 出的 弱 分 类 器 是 每 轮 训 发 著增加,从而有效提高检测的速度。 文中也采用此架构,先利,但最终构成级联分类器的弱分类器并 练过程中局部最优的[5],这将会影响检测的精度。 针对以上不足 , 不是全局最优的用 AdaBoost算法 来挑选局部最佳弱分类器,再利用多级联不 许多学者提出了改进算法。 文献[6]把 Floating 算法同 AdaBoost 对称增强方法来更新弱分类器的权值,最后利用遗传算法消算法相结合,提出了 FloatBoost 算法,用较少的分类器达到更 除特征冗余、构建强分类器。 分 类 性能 , 文 献[7] 从分 类 器 的相 关 性 出发 , 提 出 一种 基 优的AdaBoost算 法的具体步骤如下, 1, 给 定 一 系 列 训 练 样 本 ,x,y,, ,x,y,, … , ,x,y,, 其 1122nn 中 y=0 表示为负样本,非人脸,,y=1 表示为正样本,人脸,, i i 2, 初 始 化 权 重 w=D ,i,, 设 正 样 本 有 m 个 , 负 样 本 有 ,1i收稿日期,2011-12-29 稿件编号,201112156 作者简介,张向鹏,1983— ,,男,山西晋中人,硕士研究生。 研究方向,图像处理。 当弱分类器的分类性能较差时,即 ε小于 0.5,,β为一个 t t ,,。 该式说明,在 ?β nbexitt t 一定的情况下, 分类能力差的弱分类的权值更新受认假率 η t的影响,认假率越大弱分类器权值调整也越大,相应的权值也 ,,说明,在 一定的情况 ?β nbexit t t 图 1 多层级联式分类器模型 Fig. 1 Structure diagram ofm tuhelti cascadec lassifier model 下, 分类能力差的弱分类器的权值更新受拒真率 γ的影响, t 个,则相应的权重为: 拒真率越大弱分类器权值调整也越大,相应的权值也会增加。 综上可知, 由于认假率 η和拒真率 γ对权值的限制作用,在 t t 1/2m,y=1 i,i,= ,1, D,其中 m+l=n 一定程度上均衡了各弱分类器的权值。 1/2,y=0 li 3,对第 t 轮训练,t=1,2,… ,T,,归一化权重,对每个特征 遗传算法选取全局最佳弱分类器3 fea训 练 一 个 弱 分 类 器 h ,x, fea,p,θ,, 计 算 对 应 所 有 特 征 的 弱分类器的加权错误率 ε,选取最 佳 弱 分类 器 h,x, , 满 足条 ft 遗传算法是按适应度函数通过遗传中的选择、 交叉和变 异对个体进行筛选,使适应度好的个体被保留,适应度差的个 ,, 按最佳弱分类器调件,ε=min qh,x, fea,p,θ,yΣ- tfea,p,θi i ii[10]体被淘汰,新的群体既继承了上一代的信息又优于上一代。 整权重, 由于遗传算法是以随机的方式进行全局搜索, 它可以较大的 1l-i w=wβ ,2, ? ,,t[9][8]t+1i ti 概率搜索到全局最优解,而且遗传算法能够实现并行处理, ε t故文中采用遗传算法求解全局最佳弱分类器。 若 x被正确分类,则 l=1,否则 l=1,其中 β= , i iit1-ε t3.1 个体编码 4,最终的强分类器为, 文中借鉴已有的编码方式, 将权值更新后的 T 个弱分类 T T ? ? 1 ?1,α?h,x,? α ?ΣΣt tt ?2 c,x,= 3, ,,其中 α =log,1/β , t=1 t=1 t t ? 器看作遗传算法中的一条染色体。 每条染色体由个弱分类T ? ??0,others ,[4-58]器及相应的权系数和阈值 b 组成,结构如图 2 所示。 由 AdaBoost算法 原理可以看出,它的训练目标就是通过不 断增加弱分类器的数量来达到较高的检测精度。 因此如何用 图 2 基于遗传算法的个体结构 少量的弱分类器构建多层级联分类器来达到较高的检测精度是 Fig. 2 Structure diagram of the cwlaeassikfi er 此算法需要改进的重要方面。针对这一问题,文中从级联层数 based onge netic algorithm 控制和权值更新以及分类器选择策略等方面提出改进措施 。 图 中 k ~k 表 示 T 个 弱 分 类 器 ,k =0 表示弱分类器不存 1 T i 在,k=1 表示弱分类器存在。 对于 k~k采用二进制编码,而权 i1T 2 多级联不对称增强的弱分类器权值更新系数 α 和阈值 b 为实数。 3.2 适应度函数 对输入样本进行 T 轮训练后,检测系统将会产生 T 个局 构建强分类器的目的是使用少量的弱分类器来获得较高 部最佳弱分类器, 但最终构成级联分类器的弱分类器并不是 [45]-全局最优的。为解决权值更新问题,文中采用多级联不对称 的检出率和较低的误检率,因此取评价函数, 增 强 ,Multi Exit Asymmetric Boostin, 函数控制级联层g数 , 并 F =1-l /T ,4, 根据之前设定的认假率阈值 η和拒真率阈值 γ来实现权值 1 0 0 T 的自适应更新。 权值自适应更新的具体步骤为, 其 中 l=k。 这样弱分类器个数越少 , 评 价 函 数 F值Σ i 1 1,初始化样本权重, i = 1 2,对第 t 轮训练,t=1,2,… ,T,, 越 高 。 归一化权重,计算 ε、 β以及 η和 γ,根据初始设定的认 tt t t对于训练样本集, 每个强分类器的判决函数为,c ,x ,= i 假率阈值和拒真率阈值进行弱分类器权重调整, 具体实现过 T ? ?程为, ?1,kαh,x,b0-?? Σ i i ti ? , 为保证在较高检出率的条件下误检i = 1 ? ?? 他 ?0,其 1l-1-η/nbexit i t 若 γ<γ且 η<η,则 w,β , , ,,,t t0 t0t+1i 率越低评价函数值越大,取评价函数,1l-1-γ/nbexit i t 若 γ<γ且 η>η,则 w,β , , ,,,t t0 t0t+1i1-n /N ,m /N >d_rate fa ne g tr pos 1l-i ,5, F= 2 否则,。w=wβ t ,t+1,i,,t,i, 0,m /N 分析

定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析