基于级联模型的人脸检测方法研究的开题报告.docx

基于级联模型的人脸检测方法研究的开题报告
一、研究背景及意义
随着计算机视觉技术的发展，人类对人脸检测的需求越来越迫切，尤其是在安全领域、人机交互领域和影像管理领域等。因此，人脸检测一直是计算机视觉领域的一个热点研究领域。
针对传统人脸检测方法存在的不足，如鲁棒性差和检测速度慢等问题，本文以级联模型为基础，研究人脸检测方法，以期在保证检测精度的同时，提高检测速度和稳定性。
二、研究内容和技术路线
1.研究内容
（1）构建级联模型：
在级联模型中，每一级都是由多个简单的分类器组成的。通过逐级分类，在每一级筛选掉一定比例的负样本，以减少后续级别中处理的样本数量。
（2）学习分类器：
以AdaBoost算法为例，训练弱分类器，最终将多个弱分类器进行加权组合得到强分类器。这里我们采用Haar特征。
（3）检测人脸：
借助级联系统，对待检测样本进行分类，只有经过所有级别的分类器判断为人脸后才输出结果。
2.技术路线
（1）数据集准备：
爬取网络中人脸数据集，然后根据需要进行增广和处理，制作特定的训练集。
（2）级联模型构建：
构建多级的分类器，每级分类器由多个弱分类器组成；特征选取采用Haar，分类器采用AdaBoost。
（3）训练和测试：
采用训练数据来初始化每级的分类器，并通过反向传播的方式，反复调整每个分类器的权值，直到达到理想的精度和速度。然后通过测试数据来测试分类器模型的性能。
三、研究计划
阶段时间节点研究任务
第一阶段系统调研与学习
第二阶段数据准备与处理
第三阶段级联系统模型构建、训练和调优
第四阶段系统测试、评估与维护
四、预期成果
本研究旨在提出基于级联模型的人脸检测方法，并将其实现。预计可以达到如下预期成果：
（1）提高检测速度与稳定性：级联模型可以快速减少不是人脸的区域，减少后续处理的时间和复杂度。
（2）提高检测精度：基于AdaBoost的级联分类容错率高，弱分类器只需要较少的样本就可以达到较高的准确率。
（3）建立完善的数据集：通过爬虫和数据处理技术，可以搜集上千张的缺陷图像，对级联系统进行反复训练，提高模型性能。
五、参考文献
1.ViolaP，JonesMJ.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures［J］.ComputerVisionandPatternRecognition,2001.
2.LienhartR,KuranovA，PisarevskyV.Empiricalanalysisofdetectioncascadesofboostedclassifiersforrapidobjectdetection［J］.ComputerVisionandImageUnderstanding,2002.