一种基于Adaboost算法的人脸检测训练方法技术

本发明专利技术公开了一种基于Adaboost算法的人脸检测训练方法，包括以下步骤：第一步，训练样本的选择，图像训练样本要求是只包含人面部特写的图像，而且图像样本选择要考虑到样本的多样性和代表性，图像样本中人脸的姿态要相对一致，像素大小尽量统一，人脸部分像素不小于20×20像素；第二步，训练过程的实现，首先提取所有训练图像样本包括人脸和非人脸样本中的haar特征；其次将所有提取到的haar特征转化为对应弱分类器；最后利用Adaboost算法从训练得到的大量弱分类器中进行迭代运算，选择出最优弱分类器。本发明专利技术的基于Adaboost算法的人脸检测训练方法，智能化程度高，且操作简单。

【技术实现步骤摘要】

本专利技术涉及一种人脸检测训练方法，具体涉及一种基于Adaboost算法的人脸检测训练方法，属于智能计算机

技术介绍
近些年来，随着信息技术向各行各业的不断渗透，全国各级各类学校的计算机相关教育得到了迅猛发展，计算机数量迅速上升，计算机机房规模也越来越大，出现了上百台乃至几百台机器的大型机房，全校计算机总数量甚至达到几千台以上，随着机器数量的快速增加，机房的管理问题显得越来越突出，如何在管理人员数量有限的情况下，方便并高效地管理机器和使用人员成为迫切需要解决的问题。因此，为了解决以上问题，提出一种基于Adaboost算法的人脸检测训练方法。。
技术实现思路
（一）要解决的技术问题为解决上述问题，本专利技术提出了一种基于Adaboost算法的人脸检测训练方法，操作简单，且便于管理监督。（二）技术方案本专利技术的基于Adaboost算法的人脸检测训练方法，包括以下步骤：第一步，训练样本的选择，图像训练样本要求是只包含人面部特写的图像，而且图像样本选择要考虑到样本的多样性和代表性，图像样本中人脸的姿态要相对一致，像素大小尽量统一，人脸部分像素不小于20*20像素，但也不能太大，否则将大大影响学习的效果和效率；第二步，训练过程的实现，首先提取所有训练图像样本包括人脸和非人脸样本中的haar特征；其次将所有提取到的haar特征转化为对应弱分类器；最后利用Adaboost算法从训练得到的大量弱分类器中进行迭代运算，选择出最优弱分类器。（三）有益效果与现有技术相比，本专利技术的基于Adaboost算法的人脸检测训练方法，智能化程度高，操作简单，且便于监督。具体实施方式一种基于Adaboost算法的人脸检测训练方法，包括以下步骤：第一步，训练样本的选择，图像训练样本要求是只包含人面部特写的图像，而且图像样本选择要考虑到样本的多样性和代表性，图像样本中人脸的姿态要相对一致，像素大小尽量统一，人脸部分像素不小于20*20像素，但也不能太大，否则将大大影响学习的效果和效率；第二步，训练过程的实现，首先提取所有训练图像样本包括人脸和非人脸样本中的haar特征；其次将所有提取到的haar特征转化为对应弱分类器；最后利用Adaboost算法从训练得到的大量弱分类器中进行迭代运算，选择出最优弱分类器。上面所述的实施例仅仅是对本专利技术的优选实施方式进行描述，并非对本专利技术的构思和范围进行限定。在不脱离本专利技术设计构思的前提下，本领域普通人员对本专利技术的技术方案做出的各种变型和改进，均应落入到本专利技术的保护范围，本专利技术请求保护的
技术实现思路
，已经全部记载在权利要求书中。本文档来自技高网...

【技术保护点】
一种基于Adaboost算法的人脸检测训练方法，其特征在于：包括以下步骤：第一步，训练样本的选择，图像训练样本要求是只包含人面部特写的图像，而且图像样本选择要考虑到样本的多样性和代表性，图像样本中人脸的姿态要相对一致，像素大小尽量统一，人脸部分像素不小于20*20像素，但也不能太大，否则将大大影响学习的效果和效率；第二步，训练过程的实现，首先提取所有训练图像样本包括人脸和非人脸样本中的haar特征；其次将所有提取到的haar特征转化为对应弱分类器；最后利用Adaboost算法从训练得到的大量弱分类器中进行迭代运算，选择出最优弱分类器。

【技术特征摘要】
1.一种基于Adaboost算法的人脸检测训练方法，其特征在于：包括以下步骤：第一步，训练样本的选择，图像训练样本要求是只包含人面部特写的图像，而且图像样本选择要考虑到样本的多样性和代表性，图像样本中人脸的姿态要相对一致，像素大小尽量统一，人脸部分像素不小于20*20像素...

【专利技术属性】
技术研发人员：马炳刚，
申请(专利权)人：黑龙江傲立辅龙科技开发有限公司，
类型：发明
国别省市：黑龙江;23