浅析人脸检测技术的探究

尚弘

摘 要：通过对支持向量机、人工神经网络及AdaBoost算法的对比分析，发现支持向量机、人工神经网络算法构造的分类器复杂度高，效率低。而AdaBoost则从弱分类器中逐步推选出强分类器并组成级联分类器，快速将大量的非人脸图像排除掉，从而提高检测速度，满足人脸实时检测应用领域的需求。

关键词：支持向量机；神经网络；AdaBoost；级联分类器

中图分类号：TP17.4 文献标识码：A 文章编号：2095-1302（2016）08-0-02

0 引 言

随着计算机技术的高速发展，计算机的应用已渗入到人们生活的各个方面。尤其是近年来人工智能的发展，其可利用计算机取代人的工作，利用智能设备完成信息交互和控制，极大地推动了智能技术和智能设备的研究应用。其中，人脸识别技术是人工智能领域的关键技术[1]，包括人脸检测、识别和跟踪等，广泛应用于智能视频监控系统、门禁控制系统中。人脸检测是从输入的图像中检测出是否有人脸图像的存在，并将其从背景中分离出来的过程，是人脸识别技术的基础，也是人脸识别的第一步。人脸检测的算法非常多，目前常用的方法有支持向量机、神经网络、AdaBoosting等。

1 支持向量机

支持向量机（Support Vector Machine， SVM）建立在统计学习理论的VC维理论和结构风险最小原理基础上[2]，用于对线性可分的模型进行分类的算法。对于训练样本而言，就是寻找最优的分类面来完成样本的分类。支持向量机工作原理图如图1所示。

其本质是一个二分类问题，实心圆和空心圆分别代表两类不同的训练样本。……