评价网 > 科教论文 > 硕士毕业论文论文 > 正文

1．引言 眼镜是人脸图像最常见的佩饰物，自动判(2)

2013-07-30 01:03

　　4. 眼镜检测

　　在确定的检测背景区域进行眼镜检测的过程分为训练和检测两个阶段：依据样本选择规则，训练时选取的正样本为手工裁剪的位于鼻梁上方的眼镜镜框横梁区域，负样本依据眼睛定位结果裁剪出的背景区域，在训练过程中通过程序自动在上述背景区域随机裁剪出与正样本同样大小的区域作为负样本。
　　正负样本确定后，采用类 Haar 特征和级联AdaBoost 的思想训练得到眼镜检测分类器。利用训练后的分类器在背景区域内进行眼镜检测，可以判断人脸图像是否佩戴眼镜。

　　5. 实验结果及分析

　　所提出的眼镜检测方法事实上是一种包括检测背景区域估计和眼镜分类的级联结构，其累积误差相当于两个分部误差的乘积，两部分的性能对于整体性能都有影响。因此，本节设计了两组实验对背景区域估计和眼镜分类两部分的性能分别进行仿真测试：(1) 选择BioID 眼睛测试数据库评估眼睛定位的准确率，从而验证检测背景区域估计的准确度；(2) 选择中科院人脸数据库测试眼镜分类器的检测性能。

　　5.1 眼睛定位硕士
　　大部分研究人员常用的人眼定位测试图像数据库有 BioID 库和JAFFT 库：BioID 库由1521 幅人脸图像组成，人脸在光照、姿态、位置、旋转及眼睛状态等方面变化比较明显，对眼睛的定位难度明显高于JAFFT 库，因此我们选择BioID 库。
　　可以看出Zhou 等的眼睛定位算法在BioID 库上的定位准确率为94.18% ，Tang 等[10]的算法在相同情况下的定位准确率为99.605% ，而本文提出的眼睛定位算法的准确率达到了99.737% 。因为本文提出的眼睛检测具有平面人脸旋转不变性，所以整体定位准确率要好于前两种算法，同时受光照、姿态及眼睛闭合状态等因素的影响较少，可以保证眼镜检测的性能。

　　5.2 眼镜检测

本文来自中国科教评价网

　　中科院人脸数据库中包含 2602 幅人脸图像，其中1309 幅佩戴眼镜，1293 幅人脸图像没有佩戴眼睛，选择该库测试眼镜检测算法的性能。对比实验设计如下：在检测到人脸图像并进行旋转归一化以后，不进行眼睛定位，直接检测眼镜，眼镜检测分类器将整个眼镜区域作为正样本，上半部分人脸作为负样本，训练得到分类器后，在中科院的数据库上直接检测；用本文提出的逐步求精眼镜检测方法，即先进行背景区域检测，然后进行眼镜检测。
　　本文算法的性能比直接检测的方法好了很多，这是因为：1)本文算法避免了眼睛特征的干扰，缩小了检测的背景区域；2) 由于眼睛定位准确率很高，并且在定位失败时可以通过误差处理机制保证目标候选区域的正确性，这可以有效地降低眼睛定位失败对眼镜检测误差的累积。
　　为了更有效地证明本文算法的高精度，给出本文提出的眼镜检测和直接的眼镜检测方法在中科院人脸数据库上的ROC 曲线。纵坐标表示在佩戴眼镜人脸图像中的检测正确率，横坐标表示在没有佩戴眼镜人脸图像中的检测错误比率。从图4 可以看出本文的方法要优于直接检测的方法。

　　6. 结论

　　本文在对基于类 Haar 特征和级联AdaBoost 的目标检测算法进行分析的基础上，结合目标和背景区域选择规则，提出一种逐步求精的分层眼镜检测方法。本文首先定位具有较高复杂度且易检的眼睛区域，根据眼睛位置计算鼻梁上方的眼镜镜框横梁区域，确定眼镜检测的背景区域，采用类Haar 特征和级联AdaBoost 训练得到眼镜检测分类器，完成在背景区域的眼镜检测。该方法充分利用了眼睛区域特征的显著性，克服了由于眼镜形状的多样性所带来的噪声干扰，有效提高了人脸图像眼镜检测算法的检测精度。

硕士专业提供工程代写服务