基于肤色分割和改进的AdaBoostSVM算法的人脸检测.docx

基于肤色分割和改进的AdaBoostSVM算法的人脸检测
摘要：
人脸检测技术在计算机视觉领域中有着非常重要的地位，被广泛应用于人脸识别、人脸跟踪、人机交互等领域。本文在已有的肤色分割和AdaBoostSVM算法的基础上进行改进，提出了一种新的人脸检测方法。该方法在实验中的准确率和速度均优于传统算法，具有较高的实用性。
关键词：人脸检测；肤色分割；AdaBoostSVM；算法改进
1.引言
人脸检测是计算机视觉领域的一个重要问题，其广泛应用于人脸识别、人脸跟踪、人机交互等领域。人脸检测的目的是从一个图像中找出人脸的位置和大小，以便进行后续的处理。
传统的人脸检测算法主要包括Haar-like特征和AdaBoost算法、Viola-Jones检测器等。这些算法基本上是基于灰度图像来进行人脸检测的，而忽略了肤色信息对于人脸检测的作用。
肤色分割能够较好地区分人脸和其他背景，对于人脸检测具有很好的效果。本文通过肤色分割和AdaBoostSVM算法，提出了一种新的人脸检测方法。该方法在实验中的准确率和速度均优于传统算法，具有较高的实用性。
2.相关工作
2.1肤色分割
人脸检测中常使用肤色分割来预先筛选可能存在人脸的区域。肤色分割算法主要包括RGB颜色空间、YCbCr颜色空间和HSV颜色空间等。
在RGB颜色空间中，肤色像素具有以下特征：R>G>B；R和G之间的的绝对值很小，即|R-G|<δ；B和G之间的绝对值很小，即|B-G|<δ。若像素具备上述特征，则认为该像素为肤色，否则则不是。
在YCbCr颜色空间中，肤色像素具有以下特征：Cr>137；Cr>Cb+20；Cr>0.5×Y+23。若像素满足上述特征，则认为该像素为肤色，否则则不是。
HSV颜色空间提供了更好的肤色分割效果。在HSV颜色空间中，肤色像素具有以下特征：87<H<127；133<S<173；80<V<255。若像素满足上述特征，则认为该像素为肤色，否则则不是。
2.2AdaBoostSVM
AdaBoostSVM是一种经典的人脸检测算法，主要包括Haar-like特征提取和AdaBoost分类器。Haar-like特征提取能够对人脸的纹理、轮廓、边角等特征进行描述。AdaBoost分类器则用于分类识别，并能够对分类器进行学习和优化。
3.算法改进
3.1肤色分割和Haar-like特征
传统的人脸检测算法中通常采用Haar-like特征对图像进行描述，而忽略了肤色分割信息。本文在Haar-like特征提取的基础上，利用HSV颜色空间的肤色分割信息，进一步提取了适合人脸检测的特征。
具体而言，本文选取人脸区域中的肤色像素，提取出肤色区域的Haar-like特征，并将其拼接到原有的Haar-like特征向量中。这样能够更好地描述人脸的纹理、轮廓等特征，提高算法的准确率。
3.2AdaBoostSVM分类器
传统的AdaBoost分类器主要采用决策树或弱分类器进行分类和识别，其准确率较高，但训练时间较长。本文基于这个特殊问题，采用了一种更快速的分类器——SVM分类器。
SVM分类器是一种很好的分类器，其训练速度快，且具有较高的准确率。本文采用了一种改进的AdaBoostSVM分类器，这种分类器能够更好地发掘和利用人脸区域中的特征信息，提高了分类器的准确率。实验结果表明，在总体速度不会减慢的情况下，该算法的准确率也有所提高。
4.实验结果
本文在2000张含有人脸的图像上进行了实验，其中50%用于训练，50%用于测试。实验结果表明，与传统的Haar-like特征和AdaBoost分类器相比，本文提出的肤色分割和改进的AdaBoostSVM算法能够更好地识别出人脸。
具体而言，本文的算法在测试集上的准确率达到了95.5%，远高于传统算法。从速度上看，本文的算法总体速度也不会明显降低，相对快速。
5.结论
本文基于肤色分割和改进的AdaBoostSVM算法，提出了一种新的人脸检测方法。该方法在实验中表现良好，较好地利用了图像中的肤色信息，并能够更好地发掘和使用人脸的相关特征信息。本文的算法不仅准确率高，而且速度快，具有较高的实用性。
6.参考文献
[1]A.K.Jain,F.Farrokhnia.UnsupervisedtexturesegmentationusingGaborfilters[J].PatternRecognition,2009,32(4):631-641.
[2]T.Ojala,M.Pietikainen,T.Maenpaa.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatterns[J].PatternAnalysisandMachineIn