基于嵌入式平臺(tái)的Z_floatboost人臉檢測(cè)技術(shù)研究.pdf

1、本文探索和實(shí)現(xiàn)了嵌入式平臺(tái)下圖像處理的典型應(yīng)用人臉檢測(cè)。
　　在分析了嵌入式平臺(tái)和傳統(tǒng) PC端差異的基礎(chǔ)上，針對(duì)嵌入式平臺(tái)網(wǎng)絡(luò)傳輸成本昂貴、處理器性能效率不高、電源續(xù)航時(shí)間不長(zhǎng)等特點(diǎn)，本課題結(jié)合了膚色檢測(cè)的原理，劃分出了圖像中可能的人臉區(qū)域，并依據(jù)人臉的尺寸篩選，再進(jìn)行下一步處理，減少了圖像處理的運(yùn)算量。
　　在算法設(shè)計(jì)上，本課題設(shè)計(jì)了改進(jìn)型的Haar_Like特征和Z_floatboost算法作為理論基礎(chǔ)，針對(duì)原始的Haa

2、r_Like無(wú)法準(zhǔn)確反映出人臉弧形特征的情況，提出了改進(jìn)型的Haar_Like特征。改進(jìn)型的特征添加了另外四個(gè)特征，在表征人臉上體現(xiàn)出更優(yōu)異的性能。Z_floatboost是在Adaboost和Floatboost的基礎(chǔ)上提出的，根據(jù)強(qiáng)分類器的性能對(duì)組成它的弱分類器進(jìn)行了優(yōu)劣選擇，解決了Adaboost的非單調(diào)性問(wèn)題。同時(shí)為了更符合正負(fù)樣本的特征值分布特點(diǎn)，弱分類器設(shè)計(jì)了雙閾值的構(gòu)建方法，解決了Floatboost誤檢率較高的問(wèn)題，也提

3、高了分類的效率。
　　在具體實(shí)現(xiàn)上，本課題借助了函數(shù)效率高，復(fù)雜度低的圖像處理函數(shù)庫(kù)OpenCV來(lái)進(jìn)行二次開發(fā)。先在PC端MicroSoft Visual Studio2012環(huán)境下完成了改進(jìn)的特征值和Z_floatboost算法，并以搜集的正負(fù)樣本訓(xùn)練出了分類器文件，再將分類器文件在 Android平臺(tái)上使用。Android應(yīng)用的開發(fā)是在Eclipse環(huán)境下完成的，實(shí)現(xiàn)了C/C++與Java的混合編程。應(yīng)用搭建依賴的是Andro