1、虚警率，系列复杂的强分类器被级联起来。如图所示。图分类器级联的示意性描述每个通过分类器的子窗口要么被拒绝要么被接受，被拒绝的子窗口不会再被处理，而被接受的子窗口将会在下阶段继续处理。因此，个子窗口要被接受需要通过整个级联分类器的筛选，但是经过每层都会有被淘汰的可能。在人脸检测过程中，大多数分析图像的子窗口很容易就被拒绝掉，因此它们就可以在刚开始阶段就被滤除掉而不要穿越整个级联分类器。级联分类器的各个阶段由算法训练的强分类器构成。皮肤颜色的检测颜色是检测人脸的有力线索。皮肤颜色的聚类分布依赖于小区域内的色彩空间。皮肤颜色能够被用来。
2、在这里，是颜色向量，是平均向量，是协方差矩阵。具有以超过经验性的概率分配阈值的窗口被认为是人脸。因此，些非人脸在这阶段就被移除了。最后我们运用作为强分类器来降低虚警率和更加准确的提取人脸。试验检测结果我们的人脸检测系统在的处理器，的内存，操作系统上运行，软件执行平台是。我们估算了在两个人脸图像数据库的算法，第个包括个来自于数据库的正面人脸，第二个数据库包含了来自的个经过预处理的正面人脸。这些图像以不同的颜色大小位置和表情包括了多重人脸。为了训练这算法，人脸和非人脸训练图像被使用到，为了训练皮肤颜色检测器，我们从皮肤数据库随。
3、基于特征，和机器学习方法。基于知识的人脸检测方法是基于特定的规则进行人脸检测，而规则来源于关于人脸模式的先验知识。模板匹配方法在于找寻输入图像与模板之间的相似之处。基于特征的方法运用些特征如颜色，形状和纹理去抽取脸部特征来获得人脸定位。机器学习方法运用来自于静态分析和机器学习的技术去找寻人脸与非人脸之间的相关特性。尽管在过去的几十年里在人脸检测领域获得了显著的成就，在计算复杂性和检测效率之间获得个平衡点依然是个巨大的挑战。在本篇论文中，我们提出了种对于彩色图像的人脸检测算法，这算法结合了基于肤色信息的算法和支持向量机算法。这论文。
4、的检测，我们运用了皮肤颜色数据并且在最终阶段应用了强分类器。在不同数据库的彩色图像的测试结果显示该算法比基础算法更加优越。该优越性集中体现在通过该算法虚警率被显著降低了。致谢在我撰写致谢之时，我的毕业设计即将完成，而我的大学生活也即将结束，回顾这四年，有许多给予我帮助的老师和同学，没有他们，我不可能有如此精彩难忘的大学生活。感谢我的毕业设计导师梁志贞教授，他为我的毕业设计尽心尽力，提供了很多知识上的帮助和指导，让我有机会接触模式识别与图像处理的领域，深深体会到这领域的博大精深。在指导我的学业之余，梁老师还对我的生活与工作十分关心。
5、持向量机分类器通过非线性转换和超平面计算，将数据映射到高维的特征空间，从而可以分离特征空间的数据。因为映射是以内核选择的方式定义，所以我们可以不了解其功能形式。,向量有这样的形式，因此,在下训练样本被称为支持向量。改进后的人脸检测算法在本篇论文中，我们提出了联合皮肤颜色信息和向量机的算法。如图，显示了改进后算法的整体流程。图改进后算法的全局结构在第阶段，像和样，我们运用由算法训练而成的级联分类器来检测人脸。正如我们在上文中所提到的，基于算法的人脸检测方法主要有三个贡献。
6、，亦是位不可多得的益友。感谢我的创新班导师周勇教授，他积极鼓励我参加电子设计大赛机器人大赛与飞思卡尔智能车大赛，让我有段难忘的科研经历，如果没有他的指导，我的大学生活将会缺失许多精彩。感谢杨文嘉老师，他的言传身教让我明白了做人做事要尽心尽责。感谢梅二的所有兄弟，我的毕业设计是与他们相互交流相互探讨中完成的。在他们的帮助与支持下，我阳光快乐，我们永远是最好的兄弟。感谢信科班所有同学，你们的每份微笑我都会永远牢记。最后，感谢所有帮助和支持我的人，我的人生中有你们的身影我很幸福，定然，我也会因为你们而更加成熟与强大。。
7、，被定义为该像素点左上方所有像素之和包括该点。学习流程算法目的在于通过连续地训练分类器来构建个复合分类器，并且该算法注重于强调对于定类型样本的训练。它的训练过程总结如下给出样本,分别代表负面样本和正面样本。初始化权重,和分别是正负样本的数量，并且总样本。,,初始化权重,对于每个特征训练分类器，并且计算它的对应于误差,以最低的误差选取分类器更新权重如果样本被正确分类，，否则，并且。最后的分类器为其中分类器级联为了整体提高计算的效率和降低。
8、机选择了幅图像。同时在我们的算法中，训练使用了幅人脸和幅非人脸，因子。这人脸检测方法能够在大约秒内处理像素为的图像。实验结果表明我们的方法比之于普通的算法和肤色检测算法，能够以较的低虚警率来检测人脸。比较结果如表和表所示。同时，该方法能够检测定条件下大小姿态背景和光照的彩色图像中的人脸。些结果如图和图所示。图基于数据库的检测结果图我们的数据库的检测结果结论在本篇论文中，我们提出了种高效的人脸检测算法，这算法结合了基于肤色信息的算法和支持向量机算法。这系统通过应用个基于算法的级联分类器来检测输入彩色图像中的人脸。为了减少非人脸图。
9、为其他特征如形状和几何的补充信息，并且能够被用来建立更加准确的人脸检测算法。在图像中皮肤颜色检测的第步是选择个合适的颜色空间。我们有很多颜色空间可以选择和。然而，长期以来哪种颜色空间最适合描述人类皮肤特性直是个富有争议的话题。皮肤颜色检测的第二步是建立起个能够区分皮肤和非皮肤像素的决定性规则。这步骤常常通过对皮肤颜色建模的方法来实现。当前的些皮肤颜色建模方法主要分为两类。基于参数的方法如单高斯簇和混合高斯簇，基于非参数的方法如贝叶斯分类器和自组织映射。更深层次的还有些基于学习的算法。支持向量机所有子窗口继续的处理排除掉的子窗口支。
10、,张兆礼，赵春晖，梅晓丹现代图像处理技术及实现北京人民邮电出版社英文原文,,,,,,,,,,,,,,,,,,,,,,,,的算法更好。关键词人脸检测皮肤颜色特征支持向量机简介人脸检测在近几年得到了广泛的关注。人脸检测是许多应用系统如人脸识别人脸表情分析监视系统安全系统和人机交互系统的前提和基础。因此，这些系统的性能取决于人脸检测过程的效率。人脸检测的主要目标就是要决定图像中可能存在人脸的位置。根据不同的方法，人脸检测被划分为四个范畴。基于知识，模板匹配，。
11、按照如下方式组织编写。在第二部分，我们介绍了与人脸检测有关的些成就。改进后的人脸检测算法在第三部分讲解分析。在论文的第四部分我们呈现了些实验结果，我们在第五部分总结全文。相关成果运用算法的人脸检测和在文献中提出了完全正确的人脸检测算法。他们运用特征集去构建分类器。每个弱分类器在每个抽取的特征中都关联了个简单的阈值。分类器被用来选取小部分重要的特征并且将它们级联起来，用以检测幅图像中的人脸与非人脸。特征特征集被用来作为级联分类器的输入特征，其具体形式如图所示。图特征举例特征值能够通过积分图的方式很快计算出来。积分图作为图像表示的媒。
12、。第个就是允许特征被快速计算的积分图。第二个是能够从大集合中选取小部分的特征的算法，它能够构造高效的分类器。第三个贡献是级联分类器方法，通过该方法能够提高计算效率并且能够减少虚警率。我们已经采取了这种能够降低计算时间同时又能提高检测率的人脸检测方法。因为噪声和光照的变化些非人脸也可能检测为人脸，因此我们运用皮肤颜色检测方法来作为第二阶段，用它消除些误检人脸。我们运用颜色空间来建造皮肤颜色模型。我们以高斯簇混合模型来模拟人类皮肤颜色分布。是混合组件个数在我们的例子中是混合参数，是高斯等概率密度函数，定义为。
参考资料：
1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
基于AdaBoost算法的人脸检测方法综述