基于群體智能與AdaBoost算法的人臉檢測研究.pdf

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

2、行優(yōu)化，改進后的AdaBoost方法在一定程度上提高了人臉檢測的精度，并有效降低了誤檢率。
　　 本文的主要工作包括:
　　 (1)針對標準粒子群優(yōu)化算法在迭代過程中易陷入局部最優(yōu)和后期收斂速度慢的問題，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對其進行混沌變異操作，增加粒子多樣性，同時根據(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、仿真實驗表明:該算法能夠有效避免早熟問題且具有較快的收斂速度。
　　 (2)針對AdaBoost算法在樣本訓(xùn)練過程中出現(xiàn)的特征冗余問題，提出了一種改進的AdaBoost算法，并應(yīng)用在人臉檢測中。在AdaBoost算法樣本訓(xùn)練進行特征選擇時，利用提出的基于混沌變異的自適應(yīng)粒子群優(yōu)化算法對樣本特征進行全局優(yōu)化，替代傳統(tǒng)的窮盡搜索策略，減少時間上的消耗。在適應(yīng)度函數(shù)的設(shè)計中引入分類器相關(guān)性的概念，將具有差異互補性的弱分類器進行組合，提