基于群體智能與AdaBoost算法的人臉檢測(cè)研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的快速發(fā)展，基于計(jì)算機(jī)視覺(jué)和人工智能技術(shù)的人臉識(shí)別技術(shù)也得到了大力發(fā)展，且被廣泛應(yīng)用到身份識(shí)別驗(yàn)證、門禁系統(tǒng)、智能視頻監(jiān)控以及一些軟件的登錄驗(yàn)證等領(lǐng)域。人臉檢測(cè)是人臉識(shí)別中的第一個(gè)重要步驟，人臉檢測(cè)結(jié)果對(duì)后續(xù)的特征提取與識(shí)別都具有重要意義。目前，基于統(tǒng)計(jì)的AdaBoost算法是檢測(cè)率較高以及適應(yīng)性較強(qiáng)的方法和研究方向，因此，本文基于AdaBoost方法對(duì)人臉檢測(cè)進(jìn)行了研究，并利用改進(jìn)后的群體智能算法對(duì)AdaBoost方法進(jìn)

2、行優(yōu)化，改進(jìn)后的AdaBoost方法在一定程度上提高了人臉檢測(cè)的精度，并有效降低了誤檢率。
　　 本文的主要工作包括:
　　 (1)針對(duì)標(biāo)準(zhǔn)粒子群優(yōu)化算法在迭代過(guò)程中易陷入局部最優(yōu)和后期收斂速度慢的問(wèn)題，提出一種基于混沌變異的自適應(yīng)粒子群優(yōu)化算法。該算法利用Cat混沌映射獲得均勻初始化的種群，并在粒子陷入局部極值時(shí)對(duì)其進(jìn)行混沌變異操作，增加粒子多樣性，同時(shí)根據(jù)粒子局部濃度自適應(yīng)調(diào)節(jié)慣性權(quán)重的大小，提高算法的后期收斂速度。

3、仿真實(shí)驗(yàn)表明:該算法能夠有效避免早熟問(wèn)題且具有較快的收斂速度。
　　 (2)針對(duì)AdaBoost算法在樣本訓(xùn)練過(guò)程中出現(xiàn)的特征冗余問(wèn)題，提出了一種改進(jìn)的AdaBoost算法，并應(yīng)用在人臉檢測(cè)中。在AdaBoost算法樣本訓(xùn)練進(jìn)行特征選擇時(shí)，利用提出的基于混沌變異的自適應(yīng)粒子群優(yōu)化算法對(duì)樣本特征進(jìn)行全局優(yōu)化，替代傳統(tǒng)的窮盡搜索策略，減少時(shí)間上的消耗。在適應(yīng)度函數(shù)的設(shè)計(jì)中引入分類器相關(guān)性的概念，將具有差異互補(bǔ)性的弱分類器進(jìn)行組合，提