基于Adaboost算法的单目二维图像特征点提取开题报告

1. 研究目的与意义（文献综述）

人脸图像中的人脸特征点提取技术一直以来都是计算机视觉方面的研究热门，也有了一定的研究成果，比如cootes研究出的一系列基于数据筒体模型来匹配图形中的人脸的方法，包括asm(active shape model),aam(active appearance model)。

但这些方法都有个共同的不足之处，就是特征点定位不够精确，特别是脸的轮廓和鼻子的轮廓，而且鲁棒性不强。

而本文研究重点就是通过adaboost算法不断组合多个定位不准确的特征点弱分类器得到定位相对精确的强分类器，进而提高特征点提取的精确度。

2. 研究的基本内容与方案

adaboost算法目前主要应用于人脸检测方面，可以在短时间内区分人脸部分与非人脸部分，而用于提取特征点的asm与aam算法在提取人脸轮廓与鼻梁周围的关键点时，往往会不准确。本文通过对adaboost算法在人脸检测方面的成功应用发展一种人脸特征点精确定位算法，实现人脸特征点的准确定位。算法原理： adaboost 算法是一种监督式迭代学习算法，其主旨是使用有差别的特征“学习”大量样本后获取不同的学习结果（分类器），再将这些不同的学习结果做组合，“提升”成为一个强分类器。adaboost 算法在分类器学习阶段通过更新权重加强学习结果，用学习好的分类器判断给定图像中的子窗口，被错误分类的样本将分配更多权值，权值逐步集中到错分样本上以便引起后续分类器的注意。重复更新权重，当学习得到类器在学习样本集合上的分类性低于随机猜测概率时停止训练。adaboost 提升分类标准的目的是从一个特征池中挑选那些最有利于判断正确率的特征，学习得到的一些弱分类器后有效组合成为强分类器。

预计实施方案：首先，在训练的人脸图像上覆盖黑白矩形图（haar-like 矩形），再将黑白矩形内各自的像素点做和求差，实现特征的形值变化。

之后，运用 adaboost 算法做筛选，挑出一批最接近特征点附近特征、最能够代表特征点附近情况的矩形用做后续的特征点提取。最后，把学习好的一组弱分类器做级联组成强分类器，这样可以更高效、更准确的检测人脸。算法流程：

3. 研究计划与安排

1-3周：查阅文献，完成开题报告4-6周：总体设计，完成论文综述7-10周：设计算法，功能模块设计11-13周：编码和测试14-15周：写论文，提交初稿，给老师检查，修改定稿，答辩。

4. 参考文献（12篇以上）

[1] 赵宇. 基于单张图像的三维重建研究[D]: 南京邮电大学, 2013.[2] 刘帅. 基于 PDE 理论的三维人脸重建及识别[D]: 哈尔滨理工大学, 2014.[3] 李滇博. 单幅人脸的三维可视化方法研究[D]: 电子科技大学, 2013.[4] 卢烨. 人脸三维重建相关算法的研究与实现[D]: 中南大学, 2013.[5] Tsalakanidou F, Malassiotis S. Real-time 2D 3D facial action and expressionrecognition[J]. Pattern Recognition, 2010,43(5): 1763-1775.[6] Sorci M, Antonini G, Cruz J, Robin T, Bierlaire M, Thiran J-P. Modelling human perception of static facial expressions[J]. Image and Vision Computing, 2010,28(5):790-806.[7] Zhang J, Li J, Jiang S, Wei Z, Li J, Xu S, Wang S. The research of face detection based on double skin model and AdaBoost algorithm: proceedings of the Conference Anthology, IEEE, 2013[C]. IEEE. [8]Moeslund T B,Granum E.A survey of computer vision-based human motion capture[J].Computer vision and image understanding,2001,81(3):231-268.[9]Bowyer K W,Chang K,Flynm P.A survey of approaches and challenges in 3D and multi-modal 3D 2D face recognition[J].Computer vision and image understanding,2006,101(1):1-15.[10]师黎，吴敏，张娟，基于小训练样本的Adaboost人脸检测[J].计算机工程， 2011,37（8）：199-201.[11]江伟大，郭躬德，赖智铭。基于新Haar-like特征的Adaboost人脸检测算法[J],山 东大学学报：工学版，2014.[12]Madhuranath H,Babu T R,Subrahmanya S V.Modified Adaboost method for efficient face detection[J].Hybrid Intelligent Systems,International Conference on,2012:415-420.[13]Li G,Xu Y,Wang J.An improved Adaboost face detection algorithm based on optimizing skin color model[C]//Nature Computation,Sixth International Conference on.IEEE 2010:2013-2015.[14]Tsang I R,Magalhaes J P,Cavalcanti G D C.Combined Adaboost and gradientfaces for face detection under illumination problems

[15]//Systems,Man and Cybernetics(SMC),2012IEEE International Conference on IEEE,2012:2354-2358.