边航 汪友生

（北京工业大学电子信息与控制工程学院北京100124）

基于遗传算法和AdaboostSVM的人脸检测算法∗

边航 汪友生

（北京工业大学电子信息与控制工程学院北京100124）

将遗传算法用于以SVM为弱分类器的Adaboost人脸检测算法。先根据样本训练集中的人脸和非人脸样本训练出弱分类器SVM，然后利用Adaboost算法将多个SVM弱分类器级联组合成一个强分类器，并且在组合的过程中采用遗传算法对各个弱分类器权值进行全局寻优，最终得到检测结果。通过与传统Adaboost以及AdaboostSVM进行对比试验，表明论文方法具有更高的检测效果。

Adaboost；SVM；人脸检测；遗传算法

Class NumberTP391

1 引言

针对人脸检测的算法有很多。1989年，Schap⁃ire最早提出了Boosting算法［1］，一年以后Freund提出了一种效率更高的Boosting算法［2］。1995年Freund和Schapire改进Boosting算法，提出了Ada⁃boost（Adaptive Boosting）［3］，即自适应学习算法。1999年，Robert E.Schapire和Yoram Singer提出了更具一般性的Adaboost形式［4］，采用自信率来改善Adaboost的性能，并设计出能够解决多标签问题的Adaboost.MH和Adaboost.MR算法。2001年Viola.P和Jones.M提出了Cascade级联方式［5］，每一级的特征从少到多，在粗检的几级就排除了大量的非人脸区域，因此该系统有效地提高了Adaboost的检测速度，但误检率高。由于SVM算法［6］对于人脸和非人脸的两类分类问题具有较好的鲁棒性，因此可以考虑将两种方法结合起来，其次，为使集成后的强分类器具有更好的精确度，采用遗传算法对弱分类器的权值进行优化，使弱分类的分类精度既能略大于随机猜测，又能和其他弱分类器有尽可能大的差异性，提高强分类器的泛化能力。该方法可以有效解决Adaboost方法中的精度和多样性的两难问题。……