文獻(xiàn)綜述-基于Adaboost算法的人臉檢測(cè)

文獻(xiàn)綜述正文范文文獻(xiàn)綜述正文范文文獻(xiàn)綜述人臉檢測(cè)概述隨著社會(huì)的發(fā)展，各個(gè)方面對(duì)快速有效的自動(dòng)身份驗(yàn)證和識(shí)別的要求日益迫切。人臉與人體的其他生物特征(指紋、虹膜等)一樣與生俱來，具有很強(qiáng)的個(gè)體差異性、自身穩(wěn)定性、唯一性和不易被復(fù)制的良好特性，因而它們?yōu)樯矸蓁b別提供了必要的前提；并且同其他生物特征識(shí)別技術(shù)相比，人臉是一個(gè)信息極豐富的模式集合，是人類互相判別、認(rèn)識(shí)、記憶的主要標(biāo)志[1]，人臉識(shí)別技術(shù)具有操作簡(jiǎn)單、結(jié)果直觀、隱蔽性好的優(yōu)越性，也是近年來模式識(shí)別、圖像處理、機(jī)器視覺、神經(jīng)網(wǎng)絡(luò)以及認(rèn)知科學(xué)等領(lǐng)域研究的熱點(diǎn)課題之一[2]。所謂人臉識(shí)別，是指給定一個(gè)場(chǎng)景的靜態(tài)圖像或動(dòng)態(tài)視頻，判斷其中是否存在人臉，如果存在人臉則進(jìn)一步給出每張人臉的位置、大小和各個(gè)主要面部器官的位置信息并且依據(jù)這些信息進(jìn)一步提取每張人臉蘊(yùn)含的身份特征，將其與已知人臉庫(kù)中的人臉進(jìn)行對(duì)比，從而識(shí)別場(chǎng)景中單個(gè)或者多個(gè)人的身份[3]。人臉識(shí)別過程可分為人臉檢測(cè)（判斷輸入圖像中是否存在人臉)、人臉特征提取(檢測(cè)每個(gè)人臉的主要器官位置和形狀)和人臉識(shí)別(將人臉特征提取結(jié)果與庫(kù)中人臉對(duì)比)三個(gè)階段。使用Adaboost算法進(jìn)行人臉識(shí)別流程[5]，如REF_Ref212968951\h圖1所示。在這一過程中，第一步即人臉檢測(cè)是最為關(guān)鍵的。檢測(cè)的準(zhǔn)確性、定位精確性和檢測(cè)速度將影響整個(gè)系統(tǒng)的性能。圖SEQ圖\*ARABIC1人臉檢測(cè)與人臉識(shí)別流程在實(shí)際應(yīng)用中，由于客觀因素的影響，人臉檢測(cè)問題的難易程度以及處理方法有很大差異。在某些情況下由于圖像(照片)的獲取環(huán)境是可以人為控制的(如身份證照片等)，因而人臉的定位可以輕易地做到。但在大多數(shù)的場(chǎng)合中由于（1）人臉是一類高度非剛性的目標(biāo)，存在相貌、表情、膚色、姿態(tài)等差異；（2）人臉上可能存在一些附屬物，毛發(fā)、化妝品等；（3）人臉的姿態(tài)千變?nèi)f化，并且存在遮擋物；（4）待檢圖像性質(zhì)的差異性。如：圖像的分辨率、攝錄器材的質(zhì)量等；（5）光照的種類、強(qiáng)度和角度的不同，其作用在人臉上所產(chǎn)生的性質(zhì)不同的反射，造成不同區(qū)域的陰影[6]；（6）場(chǎng)景較復(fù)雜，人臉的位置預(yù)先不知道等因素會(huì)使人臉檢測(cè)問題變得更為復(fù)雜。因而人臉的自動(dòng)檢測(cè)具有一定的挑戰(zhàn)性。雖然人臉檢測(cè)是一個(gè)極富挑戰(zhàn)性的問題，但是它的研究對(duì)于當(dāng)今人類社會(huì)具有十分重要的意義。人臉識(shí)別/檢測(cè)(facedetection)作為人臉信息處理中的一項(xiàng)關(guān)鍵技術(shù)，成為模式識(shí)別與計(jì)算機(jī)視覺領(lǐng)域內(nèi)一項(xiàng)受到普遍重視、研究十分活躍的課題。它在智能人機(jī)接口、數(shù)字視頻處理、保安等領(lǐng)域有著很大的應(yīng)用價(jià)值。常用人臉檢測(cè)算法以及存在的問題人臉檢測(cè)技術(shù)從最初對(duì)背景單一的正面灰度圖像的檢測(cè)，經(jīng)過對(duì)多姿態(tài)(正面、側(cè)面等)人臉的檢測(cè)研究，發(fā)展到能夠動(dòng)態(tài)實(shí)現(xiàn)人臉檢測(cè)，目前正在向三維人臉檢測(cè)的方向發(fā)展。在此過程中，人臉檢測(cè)技術(shù)涉及的圖像逐漸復(fù)雜，檢測(cè)效果不斷地得到提高。雖然人臉檢測(cè)研究已積累了寶貴的豐富經(jīng)驗(yàn)，但目前的檢測(cè)技術(shù)仍然不能對(duì)諸如復(fù)雜背景中的人臉等進(jìn)行有效的處理和自動(dòng)跟蹤。人臉自身及所處環(huán)境的復(fù)雜性，如表情、姿態(tài)、圖像的環(huán)境光照強(qiáng)度等條件的變化以及人臉上的遮擋物(眼鏡、胡須)等，都會(huì)使人臉檢測(cè)方法的魯棒性受到很大的影響。人臉檢測(cè)算法（1）膚色區(qū)域分割與人臉驗(yàn)證方法對(duì)于彩色圖像，在確定膚色模型之后，首先可以進(jìn)行膚色檢測(cè)，在測(cè)出膚色像素后，根據(jù)它們?cè)谏壬系南嗨菩院涂臻g上的相關(guān)性分割出可能的人臉區(qū)域，同時(shí)利用區(qū)域的幾何特征或灰度特征進(jìn)行是否是人臉的驗(yàn)證，以排除其它色彩類似膚色的物體。（2）基干啟發(fā)式模型的方法基于啟發(fā)式模型的方法首先抽取幾何形狀、灰度、紋理等特征，然后檢驗(yàn)它是否符合人臉的先驗(yàn)知識(shí)。Govindaraju等人使用變形模板匹配頭頂輪廓線和左右兩條面頰輪廓線，實(shí)現(xiàn)人臉定位。（3）基于特征空間的方法此類方法將人臉區(qū)域圖像變換到某一特征空間，根據(jù)其在特征空間中的分布規(guī)律劃分“人臉”與“非人臉”兩類模式。主分量分析是一種常用的方法。MIT的Sung等人提出了基于事例學(xué)習(xí)的方法，屬于特征空間方法的還有因子分解方法(FA)和Fisher準(zhǔn)則方法(FID)。（4）基于支持向量機(jī)的方法支持向量機(jī)(SVM)是Vapnik等人提出的基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(SRM)的統(tǒng)計(jì)學(xué)習(xí)理論，用于分類與回歸問題。SRM使VC維數(shù)的上限最小化，這使得SVM方法比基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化(ERM)的人工神經(jīng)網(wǎng)方法具有更好的泛化能力。（5）基于概率模型的方法基于概率模型方法的一種思路是計(jì)算輸入圖像區(qū)域?qū)儆谌四樐Ｊ降暮篁?yàn)概率P，據(jù)此對(duì)所有可能的圖像窗口進(jìn)行判別。CMU的Schneiderman等人提出一種基于后驗(yàn)概率估計(jì)的人臉檢測(cè)方法。另一種概率模型是用于描述信號(hào)統(tǒng)計(jì)特性的隱馬爾可夫模型(HMM)。Nefian等人提出了基于嵌入式HMM的人臉檢測(cè)方法。（6）基于人工神經(jīng)網(wǎng)的方法人工神經(jīng)網(wǎng)的方法是把模型的統(tǒng)計(jì)特征隱含于神經(jīng)網(wǎng)的結(jié)構(gòu)和參數(shù)中，對(duì)于人臉這類復(fù)雜的難以顯式描述的模型，基于人工神經(jīng)網(wǎng)便于建模，魯棒性較好，但是運(yùn)算速度較慢。Rowley統(tǒng)計(jì)過單純用人工神經(jīng)網(wǎng)方法，在170MHzR10000SGI工作站上處理320x240像素的圖像大約需要140s[7]。面部特征提取面部特征定位與提取是檢測(cè)人臉上的某些或所有特征的位置、大小、輪廓線等信息的過程。實(shí)際上，人臉檢測(cè)定位過程中有時(shí)也會(huì)用到一部分面部特征，而且面部特征也是人臉識(shí)別的重要依據(jù)之一。目前，面部特征提取常用的方法有：灰度積分投影曲線分析、Hough變換方法、可變形模板等。(1)灰度積分投影曲線分析是在對(duì)人臉圖像進(jìn)行了小波變換的基礎(chǔ)上進(jìn)行的，對(duì)人臉圖像進(jìn)行水平灰度積分投影確定人臉各器官的基線，然后對(duì)基線區(qū)域進(jìn)行垂直積分投影可確定各器官的輪廓線。這種方法被廣泛應(yīng)用于利用小波的面部特征提取方法中。(2)Hough變換方法可應(yīng)用在模式識(shí)別領(lǐng)域中，它的定義為：記N×N二值圖像(xi，yi)，像素的灰度值為I(xi，yi)。參數(shù)空間中，?在[0，π)間均勻地取M個(gè)離散值，ρ的采樣個(gè)數(shù)為Q。標(biāo)準(zhǔn)霍夫變換可表示為H(ρq，?m)=ΣI(xi，yi)，這種方法的主要目的是在二值圖像中進(jìn)行直線檢測(cè)。(3)可變形模板，又稱作彈性模板，分為兩種，這兩類模板的實(shí)質(zhì)都是在提取特征過程中對(duì)模板進(jìn)行動(dòng)態(tài)的調(diào)整?；顒?dòng)輪廓模型又稱Snake算子，它是在圖像域內(nèi)定義可變形曲線，用來與待檢測(cè)人臉或某些器官的輪廓進(jìn)行自適應(yīng)匹配，從而達(dá)到描述特定輪廓線的目的。這種方法魯棒性強(qiáng)，能夠動(dòng)態(tài)地調(diào)整完成曲線能量函數(shù)的最小化，具有一定的自適應(yīng)性，而且計(jì)算量比變換域方法的計(jì)算量小、速度快。但是，這種方法要求所提取對(duì)象的初始曲線是正確的，否則收斂過程很可能會(huì)發(fā)生錯(cuò)誤?；谀Ｐ偷目勺冃文０宸椒ǜ鶕?jù)待檢測(cè)人臉特征的先驗(yàn)信息定義形狀模型，模型中的參數(shù)反映的是特征的可變部分，模型與圖像的邊緣、峰、谷和灰度分布特性進(jìn)行動(dòng)態(tài)的交互適應(yīng)，從而使參數(shù)得到修正，參數(shù)變化必然引起模板的變形。模型調(diào)整過程中利用的是特征區(qū)域的全局信息，可以較好地檢測(cè)出相應(yīng)的特征形狀，但是算法在很大程度上依賴于參數(shù)初值，并且計(jì)算時(shí)間長(zhǎng)。Adaboost算法概述Adaboost是一種自適應(yīng)的boosting算法，該算法利用大量的分類能力一般的簡(jiǎn)單（弱）分類器(BasicClassifier)通過一定的方法疊加(Boost)起來，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器(StrongClassifier)。其基本思想是：當(dāng)分類器對(duì)某些樣本正確分類時(shí)，則減少這些樣本的權(quán)值；當(dāng)錯(cuò)誤分類時(shí)，則增加這些樣本的權(quán)值，讓學(xué)習(xí)算法在后續(xù)的學(xué)習(xí)中集中對(duì)比較難的訓(xùn)練樣本進(jìn)行學(xué)習(xí)，最終得到一個(gè)識(shí)別率理想的分類器。該算法的人臉檢測(cè)對(duì)于單人臉正面圖像的檢測(cè)效果較好,誤檢率也比較低。然而AdaBoost算法采用順序前進(jìn)法搜索策略，盡管每次迭代選擇的弱分類器是局部最優(yōu)，但最終構(gòu)成強(qiáng)分類器的弱分類器及其系數(shù)并不是最優(yōu)。而且對(duì)于側(cè)面及多人臉圖像檢測(cè)正確率不高。下面給出AdaBoost的算法描述:設(shè)輸入為N個(gè)訓(xùn)練樣本：，其中對(duì)應(yīng)正樣本和負(fù)樣本。已知訓(xùn)練樣本中有個(gè)正樣本，個(gè)負(fù)樣本。首先初始化權(quán)值分別對(duì)應(yīng)正樣本和負(fù)樣本；然后對(duì)每個(gè)（其中，T為訓(xùn)練次數(shù)）①權(quán)值歸一化，；②對(duì)于每個(gè)特征，按照上面方法生成相應(yīng)的簡(jiǎn)單分類器,計(jì)算相對(duì)于當(dāng)前權(quán)重的誤差：；③選擇具有最小誤差加入到強(qiáng)分類器中去；④更新每個(gè)樣本所對(duì)應(yīng)的權(quán)值，其中如果被正確的分類，；最后形成的強(qiáng)分類器為，其中將多個(gè)強(qiáng)分類器級(jí)聯(lián)(cascade)起來就可以組成一個(gè)人臉檢測(cè)系統(tǒng)。組成強(qiáng)分類器的弱分類器個(gè)數(shù)隨著級(jí)數(shù)的增加而增加。每層的強(qiáng)分類器經(jīng)過閾值調(diào)整,使得每一層都能讓幾乎全部的人臉樣本通過,而拒絕很大一部分非人臉樣本。而且,由于前面的層使用的矩形特征數(shù)很少,計(jì)算起來非常快,越往后通過的候選匹配圖像越少，盡管矩形特征增多，計(jì)算量卻減少，檢測(cè)的速度加快，使系統(tǒng)具有很好的實(shí)時(shí)性。AdaBoost與其他算法結(jié)合的人臉檢測(cè)算法基于Adaboost算法的人臉檢測(cè)因其優(yōu)點(diǎn)而備受關(guān)注，目前的許多算法都是在此基礎(chǔ)上把兩種或幾種算法結(jié)合起來?；贏daBoost的快速動(dòng)態(tài)人臉檢測(cè)算法該方法采用的層次型人臉檢測(cè)器結(jié)構(gòu)。層次型檢測(cè)器分為多層，每一層都是AdaBoost算法訓(xùn)練得到的一個(gè)強(qiáng)分類器，使得每一層都能讓幾乎全部人臉樣本通過，拒絕很大一部分非人臉樣本。這樣，靠近前面的各層，采用少量的特征卻拒絕大部分的非人臉樣本，靠近后面的各層，雖然采用大量的特征來排除近似人臉的非人臉候選圖像的干擾，但是由于需要處理的窗口數(shù)目很少，對(duì)于整體運(yùn)算時(shí)間的耗費(fèi)很小，在保證檢測(cè)效果的同時(shí)，提高人臉檢測(cè)速度[8]。多人臉檢測(cè)與定位算法級(jí)聯(lián)模型速度快且檢測(cè)率高，但只能粗糙定位人臉區(qū)域，并具有一定的誤檢率，不能直接用于對(duì)人臉定位精確度要求較高的領(lǐng)域。在上述算法的基礎(chǔ)上按照“由粗到精”的思路，對(duì)級(jí)聯(lián)模型進(jìn)行擴(kuò)展，快速而精確的多人臉檢測(cè)算法便應(yīng)運(yùn)而生了。首先用級(jí)聯(lián)模型(很高的檢測(cè)率)快速地剔除絕大部分非人臉區(qū)域，得到少量可疑人臉區(qū)域，再在可疑人臉區(qū)域中發(fā)現(xiàn)可疑眼睛區(qū)域，并組合可疑眼睛區(qū)域?qū)Φ玫胶蜻x人臉區(qū)域，最后用人臉模板進(jìn)一步剔除假臉，得到精確的人臉位置[9]。AdaBoost和膚色該算法是先用膚色模型分割出圖像中的膚色區(qū)域,該區(qū)域包括人體其他部分皮膚區(qū)域以及與皮膚類似的背景區(qū)域;然后利用腐蝕、膨脹操作去除噪聲對(duì)膚色分割的影響;再將這些區(qū)域作為輸入圖像用訓(xùn)練好的AdaBoost級(jí)聯(lián)分類器進(jìn)行檢測(cè),進(jìn)一步去除膚色分割后包括的非人臉區(qū)域,實(shí)現(xiàn)更準(zhǔn)確的人臉定位,從而在盡可能多地檢測(cè)到人臉的同時(shí)降低誤檢率[10]。動(dòng)態(tài)權(quán)值預(yù)劃分實(shí)值A(chǔ)daboost人臉檢測(cè)算法該Real-Adaboost的改進(jìn)算法，動(dòng)態(tài)權(quán)值預(yù)劃分實(shí)值A(chǔ)daboost算法采用預(yù)處理類Haar特征對(duì)應(yīng)的弱分類器在樣本空間的劃分，動(dòng)態(tài)更新訓(xùn)練樣本權(quán)值以加速和控制算法收斂性。它明顯改善了實(shí)值A(chǔ)daboost算法的訓(xùn)練算法時(shí)間復(fù)雜度，從O(T*M*N*N)減到O(T*M*N)；同時(shí)加快了強(qiáng)分類器的收斂性，提高了組合層疊檢測(cè)器的檢測(cè)速度和正確檢測(cè)率[11]。AdaBoost算法和遺傳該算法首先用AdaBoost算法選取特征弱分類器，再用遺傳算法消除冗余弱分類器，并學(xué)習(xí)相應(yīng)的權(quán)值，最終的分類器是經(jīng)遺傳算法進(jìn)行全局擇優(yōu)的弱分類器及權(quán)值的線性組合。因而能用更少的弱分類器取得更低的訓(xùn)練誤差，在測(cè)試集上的檢測(cè)精度和速度都得到了提高；由于實(shí)際檢測(cè)時(shí)所要評(píng)估的弱分類器數(shù)目減少，因而檢測(cè)時(shí)間也得到了提高[12]?；谔卣骺臻g劃分的Adaboost人臉檢測(cè)算法該算法是一種改進(jìn)的基于閾值劃分的AdaBoost快速訓(xùn)練算法，對(duì)弱分類器的評(píng)價(jià)系數(shù)進(jìn)行調(diào)整，在人臉檢測(cè)中進(jìn)行了嚴(yán)正，實(shí)驗(yàn)結(jié)果顯示，訓(xùn)練速度提高了16倍以上，實(shí)際測(cè)試結(jié)果也很好[13]。Adaboost與SOFMN自組織特征映射神經(jīng)網(wǎng)絡(luò)分類器，其特點(diǎn)是通過自動(dòng)尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性。自組織、自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。該算法將SOFM這種無教師的聚類方法與Adaboost結(jié)合并應(yīng)用在人臉識(shí)別領(lǐng)域，大大提高了識(shí)別率以及識(shí)別速度，可以達(dá)到實(shí)時(shí)的效果[14]。基于邊緣方向直方圖的Adaboost人臉檢測(cè)該算法是一種基于邊緣方向直方圖的Adaboost分類算法，使用空間分布和紋理信息作為提取特征，優(yōu)于傳統(tǒng)基于色彩的訓(xùn)練算法。而且與傳統(tǒng)Adaboost方法相比，準(zhǔn)確率明顯提高，速度相當(dāng)[15]。Adaboost與Gabor特征該算法是一種FER方法,利用對(duì)人臉表情具有良好表征能力的Gabor特征組成特征向量,并用Adaboost算法選擇出最重要的特征,在降低特征維數(shù)的同時(shí)提高了特征的可區(qū)分度,然后將SVM和最近鄰分類法結(jié)合進(jìn)行分類。實(shí)驗(yàn)表明,該方法具有很好的識(shí)別效果,最高達(dá)到了97.18%的識(shí)別率[16]。分離的Adaboost的實(shí)際泛化該算法顯示了能夠生成具有特定的累積邊緣分布分布圖形的低錯(cuò)誤公式，提供了一個(gè)好的方法來處理這些表示Achilles后來提出的常見的自適應(yīng)Boosting算法的弱點(diǎn)的干擾域[17]。完全糾正更新的AdaBoost快速人臉檢測(cè)完全糾正算法通過糾正所有弱分類器的系數(shù)極大地降低訓(xùn)練錯(cuò)誤的上限。更正步驟已被證實(shí)降低了上限綁定錯(cuò)誤而不增加結(jié)果檢測(cè)的計(jì)算復(fù)雜性[18]。人臉檢測(cè)和人臉表情識(shí)別的混合boost算法該系統(tǒng)通過使用外觀顏色檢測(cè)和分割搜索潛在的人臉區(qū)域的整體框架，然后掃描圖像的外觀顏色段并再人臉檢測(cè)和人臉表情識(shí)別上，既應(yīng)用了弱分類器也應(yīng)用了強(qiáng)分類器[19]。邊緣分布下的二進(jìn)制統(tǒng)一多類AdaBoost算法該算法通過顯示MO和ECC執(zhí)行stage-wise的超過邊緣值得函數(shù)耗時(shí)漸變下降提供了一個(gè)新式的AdaBoost算法、MO-ECC和-OC三個(gè)算法，可以嚴(yán)格地解釋在以前的實(shí)驗(yàn)中觀察到的ECC和OC的屬性[20]。總結(jié)本文從人臉檢測(cè)的概述、人臉檢測(cè)的方法等幾個(gè)方面介紹了人臉檢測(cè)與識(shí)別這一既有成果又具挑戰(zhàn)的一門學(xué)問與應(yīng)用，在對(duì)文獻(xiàn)的搜集和綜述過程中，學(xué)習(xí)了許多相關(guān)知識(shí)。對(duì)未來人臉檢測(cè)與識(shí)別的發(fā)展方向也有了一個(gè)簡(jiǎn)單的認(rèn)識(shí)。未來的人臉檢測(cè)與識(shí)別將會(huì)有如下發(fā)展趨勢(shì)：1.基于混合方法的人臉檢測(cè)與識(shí)別。當(dāng)前這類方法也有使用，但是由于各種方法的優(yōu)勢(shì)與不足，結(jié)合幾種方法進(jìn)行研究則是必然。2.基于多信息融合的人臉檢測(cè)與識(shí)別。如將膚色表情等信息進(jìn)行融合提高檢測(cè)性能。3.基于多姿態(tài)的人臉檢測(cè)。目前人臉檢測(cè)對(duì)于正面圖像或者旋轉(zhuǎn)角度一點(diǎn)的人臉圖像檢測(cè)效果比較好，但是對(duì)于附帶多種角度的人臉檢測(cè)還存在很大困難，該方向也是未來研究的一個(gè)十分好的方向。參考文獻(xiàn)呂建強(qiáng)，張瑞紅.人臉檢測(cè)技術(shù)的研究現(xiàn)狀與展望[J].電腦知識(shí)與技術(shù)人工智能及識(shí)別技術(shù),2007，（27）:1682-1684.李武軍，王崇駿，張煒，陳世福.人臉識(shí)別研究綜述[J].模式識(shí)別與人工智能,2006,19(1):58-66.袁燕.人臉識(shí)別研究綜述[J].電腦知識(shí)與技術(shù)，2007,(26):1414-1421.肖冰，王映輝.人臉識(shí)別研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2005,22(8):1-5.袁強(qiáng)，張正蘭.基于Fisher的人臉檢測(cè)與識(shí)別[J].現(xiàn)代計(jì)算機(jī)，2007,(5)：50-52.畢萍.基于分類器融合的人臉檢測(cè)算法研究[M].西安電子科技大學(xué).楊洪艷，韓其睿.人臉識(shí)別方法[J].儀器儀表用戶,2007,14(6):2-3.鄧亞峰，蘇光大，傅博.一種基于AdaBoost的快速動(dòng)態(tài)人臉檢測(cè)算法[J].計(jì)算機(jī)工程,2006,32(11)：222-224.李武軍，王崇駿，張煒，陳世福.人臉識(shí)別研究綜述[J].模式識(shí)別與人工智能,2006,19(1):58-66.宗欣露,熊盛武,朱國(guó)鋒.基于膚色和AdaBoost算法的彩色人臉圖像檢測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2007,24(10):178-184.武妍，項(xiàng)恩寧.動(dòng)態(tài)權(quán)值預(yù)劃分實(shí)值A(chǔ)daboost人臉檢測(cè)算法[J].計(jì)算機(jī)工程,2007,33(3):208-212.唐旭晟，歐宗瑛，蘇鐵明，順剛.基于AdaBoost和遺傳算法的快速人臉定位算法[J].華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2007,35(1):64-68.嚴(yán)云洋，郭志波，楊靜寧.基于特征空間劃分的Adaboost人臉檢測(cè)算法[J].小型微型計(jì)算機(jī)系統(tǒng),2007,28(11):2106-2109.李玉龍，王民，楊全.基于Adaboost與SOFMN的人臉識(shí)別[J].微計(jì)算機(jī)信息(測(cè)控自動(dòng)化),2007,23(11-1):2