結(jié)合膚色模型和多模板匹配的增強adaboost算法(編輯修改稿)
2024-09-16 16:58 本頁面
【文章內(nèi)容簡介】 (1)此處是標(biāo)準(zhǔn)化常量，使得 。迭代結(jié)束，最終形成的級聯(lián)分類器為: (2)AdaBoost算法訓(xùn)練所要解決的關(guān)鍵問題就是如何從大量的Haar特征中挑選出最優(yōu)的Haar特征并形成分類器用于人耳檢測。AdaBoost算法訓(xùn)練過程就是挑選最優(yōu)弱分類器，并賦予權(quán)重且級聯(lián)成分類器的過程。關(guān)于Adaboost算法訓(xùn)練的詳細(xì)原理請見[8]。1．3 訓(xùn)練樣本預(yù)處理訓(xùn)練前需要采集得到人耳樣本圖片并搜集非人耳圖片作為負(fù)樣本。樣本采集所用的攝像機為維視公司生產(chǎn)的 MVVE120SM/SC型號相機，采集得到原始人耳圖片大小為 ：1280*960。人耳負(fù)樣本是指不包含人耳圖像的圖片。訓(xùn)練集中部分人耳正樣本圖像和負(fù)樣本圖像如圖4所示 圖4 正負(fù)人耳樣本圖像為了提高訓(xùn)練樣本的質(zhì)量，以提高分類器訓(xùn)練的速度和分類器的性能，可對人耳正樣本圖片進行了圖像預(yù)處理：灰度圖像轉(zhuǎn)換、灰度均衡化、中值濾波去噪等。如圖5所示：原始圖像 灰度化 均衡化 中值濾波圖5 人耳樣本圖像預(yù)處理2 綜合膚色及多模板匹配的人耳檢測 膚色模型大量實驗證明，人的膚色色度的變化范圍與非膚色（如頭發(fā)，周圍物體）有著較為明顯的區(qū)別。常用可表達(dá)膚色的顏色空間有多種， 如等,我們選用了 顏色空間[9]來檢測膚色。 空間具有色度與亮度分離的特點, 即將（亮度）, （藍(lán)色色度）和（紅色色度）分離。并且在色彩空間中膚色的聚類特性比較好, 受亮度變化的影響較小, 能較好地限制膚色分布區(qū)域。與之間相互轉(zhuǎn)換的坐標(biāo)對應(yīng)關(guān)系如下： (3)對于人耳膚色來講[10]，其亮度、色度分別在一個固定的范圍之內(nèi)，藍(lán)色色度范圍和紅色色度范圍分別為：。本文就是根據(jù)膚色與非膚色的色度差異性將膚色模型引入到人耳檢測上來。對輸入的圖像像素點首先進行顏色空間轉(zhuǎn)換, 得到、值,然后進行膚色判斷。屬于膚色范圍的像素點, 則視為膚色區(qū)域, 反之則為非膚色區(qū)域。將上述原理應(yīng)用到膚色提取，效果如圖6所示：圖6 膚色提取效果 多模板匹配技術(shù)應(yīng)用與人耳檢測模版匹配[1112]的目的就是從一幅圖像（待匹配圖像）中找到已知的物體（模板圖像）。人耳檢測就是要從側(cè)面人臉圖像中找到人耳的具體位置。一般來講，可以將模板匹配技術(shù)分為兩類：(1)基于灰度值的方法（2）基于特征提取的方法?；诨叶戎档哪０迤ヅ浞椒ň哂杏嬎愫唵我仔?其數(shù)學(xué)統(tǒng)計模型以及收斂速度、定位精度、誤差估計等均有定量的分析和研究結(jié)果等優(yōu)點。本文在利用模板匹配方法上正是采取此種方法，鑒于歸一化互相關(guān)算法魯棒性相對較高的優(yōu)點，對于人耳的多模板匹配正是采用了NCC算法。NCC算法應(yīng)用于人耳檢測：設(shè)待匹配圖像為，模板為。則歸一化自相關(guān)系數(shù)定義為： (4)式中，為模板圖像的均值，為在以為起點大小為區(qū)域的均值，模板尺寸為。歸一化互相關(guān)算法就是利用模板圖像和待匹配圖像對應(yīng)區(qū)域的灰度互相關(guān)性的大小來檢測匹配與否或?qū)ふ移ヅ鋮^(qū)域。相關(guān)系數(shù)越大代表越接近所尋找區(qū)域，反之則非尋找區(qū)域。為了克服人耳檢測過程中單一模板對圖像尺
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1