14、人脸检测与分类中的特征选择及模型应用研究

人脸检测与分类中的特征选择及模型应用研究

1. AdaBoost 人脸检测算法的特征类型与大小选择

在分类系统中，可能需要对其进行某种后处理。在改进的分类器训练系统中，泛化误差可通过从训练集中分离出的验证集来计算。AdaBoost 算法在某些训练过程中首先选择的一组最佳特征，可作为后续遗传搜索的基础。有两个颇具前景的思路：
- 每个遗传个体（解决方案）与一个特征子集相关，适应度函数计算为在特定特征子集上训练的 AdaBoost 分类器所获结果的正确性。
- 利用遗传编程进行非线性特征提取，以一些算术函数作为字母表，并将先前选择的特征作为输入。

2. 基于 3D 可变形模型扩展人脸数据库

2.1 背景与问题提出

在现实场景中，人脸数据库中每人的图像样本不足是成功进行人脸识别的主要问题，即“单样本问题”。当前人脸识别技术在正面人脸图像上能实现较高精度，但深度旋转的人脸识别错误率显著增加。为解决此问题，可利用 3D 可变形模型从单个正面图像样本重建 3D 人脸，通过旋转重建的人脸创建具有姿态变化的虚拟图像，降低姿态变化导致的错误率并解决“单样本问题”。

2.2 模型构建

2.2.1 3D 人脸扫描仪

构建基于相移干涉测量法（PSI）的 3D 扫描仪，获取 29 个女性人脸和 25 个男性人脸的 3D 扫描数据。深度信息和纹理分别保存，每个文件根据分辨率包含 60000 到 100000 个三维空间点的 (x, y, z) 坐标、(r, g, b) 颜色值和标志字段，用于存储额外信息。

2.2.2 通用人脸模型构建

将人脸扫描数据