結合膚色模型和多模板匹配的增強adaboost算法(編輯修改稿)
2025-09-16 16:58 本頁面
【文章內(nèi)容簡介】 (1)此處是標準化常量，使得 。迭代結束，最終形成的級聯(lián)分類器為: (2)AdaBoost算法訓練所要解決的關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算法訓練過程就是挑選最優(yōu)弱分類器，并賦予權重且級聯(lián)成分類器的過程。關于Adaboost算法訓練的詳細原理請見[8]。1．3 訓練樣本預處理訓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。人耳負樣本是指不包含人耳圖像的圖片。訓練集中部分人耳正樣本圖像和負樣本圖像如圖4所示 圖4 正負人耳樣本圖像為了提高訓練樣本的質量，以提高分類器訓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處理：灰度圖像轉換、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。與之間相互轉換的坐標對應關系如下： (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 多模板匹配技術應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算法應用于人耳檢測：設待匹配圖像為，模板為。則歸一化自相關系數(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。歸一化互相關算法就是利用模板圖像和待匹配圖像對應區(qū)域的灰度互相關性的大小來檢測匹配與否或尋找匹配區(qū)域。相關系數(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
黨政相關相關推薦
鄂ICP備17016276號-1