视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

驾驶员疲劳检测中的嘴部状态研究

针对嘴部作为人脸的重要信息集中点之一这个特性,提出了一种用于驾驶员疲劳检测的嘴部状态的研究算法。首先采用改进的Adaboost算法精确定位人脸区域,然后利用迭代式阈值选择法对人脸下半部分进行二值化处理,得到嘴部完整轮廓后使用Harris角点检测找出嘴角,同时矫正倾斜嘴部,最后通过计算嘴部张开度和持续时间来判断是否疲劳。实验表明,该算法具有较快的速度,同时对疲劳检测的进一步研究有重要的作用。     

基于肤色及AdaBoost算法的自动调焦人脸检测

提出一种结合肤色检测和AdaBoost算法的自动调焦实时人脸检测方法。采用肤色信息定位皮肤区域,针对AdaBoost算法对待检人脸尺寸小于训练样本人脸尺寸时检测率低的缺陷,并采用自动调焦算法调整图像大小后再利用AdaBoost算法进行人脸检测。实验结果表明,结合肤色信息和自动调焦后的AdaBoost算法性能较传统AdaBoost算法有明显提高,同时对小人脸图像也有更好的检测效果。     

复杂背景正面人脸嘴唇检测算法研究

嘴唇是人脸特征的重要组成部分,嘴部的定位和识别在口型识别与跟踪,唇读以及人脸动画合成等方面都起着十分关键的作用.首先在YCbCr空间建立肤色模型,对复杂背景图像中的人脸区域进行检测、定位,并进行去噪处理;然后在标准RGB彩色空间中,利用唇色进行嘴唇区域的提取.实验结果表明该方法可以完成在不同光照、不同背景下的人脸嘴唇区域的快速检测和定位.     

基于Boosted Cascade算法的人脸检测和跟踪系统

将基于Boosted Cascade的人脸检测算法运用到视频图像当中,并结合图像序列中的运动信息,提出并实现了一种实时的人脸检测跟踪系统.首先根据图像的运动信息提取出可能存在人脸的候选区域,然后在候选区域中用Boosted Cascade算法进行检测.实验结果表明该系统能够实时地对于人脸进行检测跟踪,可以被应用在智能视频监控方面.     

人脸识别技术在智慧校园建设中的应用研究

通过从智慧校园门禁或考勤系统建设的角度出发,基于改进SSD深度学习算法,构建起用于门禁或考勤人脸监测的网络框架,利用多尺度特征图框选识别目标候选区域,通常人脸识别只需要设置4×4×n的卷积核,使用DAN算法、特征向量分类器,实现人脸关键点提取、特征向量层次聚类,并将识别后的人脸特征向量与后台数据库的人脸图像比对,以保证人脸识别结果的精确性。     

基于SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。     

基于眼和嘴定位的人脸归一化算法研究

人脸归一化处理是人脸识别的关键预处理步骤,本文提出了一种基于眼和嘴定位的人脸归一化算法。首先通过直方图均衡化法消除不均匀光照对人脸图像的影响;再通过灰度投影法对人脸的双眼和嘴部中心进行定位;然后根据双眼的定位结果,通过仿射变换法进行人脸平面内旋转,实现几何位置的归一化;最后根据双眼和嘴部中心的精确定位信息进行横向和纵向的缩放,实现大小的归一化。该算法运算量小、简单可行,并具有良好的定位效果和归一化效果。     

基于MTCNN的多特征融合学生疲劳检测算法研究

目前疲劳检测主要是通过眼部PERCLOS值来判断,但是这种方法检测疲劳特征较为单一,影响了检测的准确率.本文提出一种基于卷积神经网络的多特征融合学生疲劳检测算法,首先用MTCNN对人脸进行关键点定位,在此基础上用人脸归一化的方式精准提取眼睛和嘴部的特征图像并进行眼部定位;其次,构建眼、嘴数据集,完成眼、嘴部状态分类模型训练;最后,用训练好的模型将眼、嘴部的疲劳特征相融合并根据改良的MAR值判断方法进行疲劳检测.实验结果表明该方法的准确率达到了96.2％,实时性也得到了极大的改善.     

基于改进型深度LLE和随机森林的人脸检测算法

针对人脸检测问题的特点,提出一种基于改进型深度LLE(Locally Linear Embedding)算法和随机森林相结合的人脸检测算法。首先,通过采集图像的深度信息,结合图像的颜色信息,构建三维图像信息数据库,再通过改进的LLE算法得到最优降维结果,按一定比例选取训练集,输入随机森林算法建立数据分类器;最后,将测试集输入到训练完成的分类器中,实现人脸图像的检测。选取Yale,JAFFE 2类数据集与传统算法进行对比实验,验证算法的优越性和可行性。实验结果表明:所提出的算法可以有效地完成人脸检测,检测率高于传统算法7%左右。     

基于人脸区域特征相关性的视频流人脸识别研究

目前,基于深度学习提取人脸特征进行人脸静态图片识别的方法,在Labeled Faces in the Wild(LFW)数据集等标准集上的正确识别率几乎接近人类.但是,在视频流中,由于人体的不停运动和姿态偏移等问题,导致检测到的部分人脸区域严重模糊和不完整,如监控系统中的人脸.这种情况下,单纯地采用基于图片的人脸识别方法,准确率会严重下降.在基于视频流的人脸区域提取时,本文提出采用单张人脸区域图像的特征自相关指标来衡量人脸的姿态以及模糊状况,针对连续多帧中人脸区域图像存在的信息冗余,提出利用连续多帧中人脸区域图像的特征互相关指标来衡量视频流中人脸区域的变化程度.基于提出的自相关指标与互相关指标,本文提出并实现了视频流中适用于识别的人脸区域图像的选取算法,以及加权投票的人脸识别算法.研究中收集并制作了基于视频流的人脸数据集,验证了本文提出算法的可行性.实验表明,本系统在有较高的识别率的同时,大幅度降低了人脸识别计算量,使得人脸识别可在视频流中实时稳定地进行.     

基于综合肤色检测和二值形态学的人脸定位研究

针对人脸定位检测中存在的速度慢、精度低及噪声干扰问题,提出了一种基于综合肤色检测和二值形态学的人脸定位检测算法.该算法将YCrCb(明亮度-色调-饱和度)模型与HSV(色相-饱和度-色调)模型用于人脸综合肤色检测,在YCrCb与HSV空间中根据待检测图像每点的颜色值进行人体区域或背景区域的判断;然后,将检测图像转换为二值图像,对图像进行形态学处理;最后,选用人脸几何特征对筛选后连通区域进行判别,实现人脸的准确定位和检测.实验结果表明,该算法对于简单、中等、复杂三种情况下人脸图像的检测正确率分别达到了99%、92%和85%.另外,由于二值形态学消噪算法的使用不仅提高了人脸检测的准确率,而且加快了检测速度.     

基于肤色分割和改进AdaBoost算法的人脸检测

为解决当被检测图像中具有复杂背景或者含有多人脸时,不能够快速准确的进行人脸检测的问题,本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理,排除样本图像的复杂背景和人体非肤色区域,简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法,以减少弱分类器个数,提升训练速度;改进权值更新规则,防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明,两种算法结合后在训练速度上提升,在检测速度和检测率上有明显提高。     

基于卡尔曼滤波改进的MTCNN网络人脸检测算法

针对真实视频流中的噪点、不可控的光照、人脸角度的偏转和面部遮挡及连续的人脸移动对人脸检测算法的准确性和实时性有很大影响的问题,提出一种结合卡尔曼滤波器与三级级联多任务级联卷积网络(MTCNN)深度学习网络的改进算法。该算法假设视频中人脸的运动是线性运动,通过卡尔曼滤波器预测下一帧中人脸中心点的位置,根据预测中心点位置向MTCNN网络提供下一帧推荐的检测区域,在下一帧中输入推荐区域,利用MTCNN的R-net和O-net进行再检测。通过实验验证,该算法相比原算法和其他算法在加噪情况下,保持准确率的同时提高了检测速率。     

一种嵌入式头肩图像编码方法

头肩序列图像是可视电话、会议电视等视频业务中常见的一种图像模式.本文将SPIHT算法与人脸检测算法相结合,提出一种嵌入式的头肩图像编码方法.首先采用人脸检测技术确定头肩图像中的人脸区域;然后产生人脸区的掩膜,并对LL子带中人脸区掩膜内的小波系数进行定标,以保证人脸区的小波系数能优先编码;最后采用SPIHT算法对人脸区和背景区进行编码.实验结果表明,与原来的SPIHT方法相比,这种方法可以保证人脸区域的重建质量好于背景区的重建图像.同时压缩后的码流仍然具有嵌入的特性,支持渐进传输.     

基于肤色和Adaboost算法的人脸检测

人脸检测是人脸识别的第一环节,也是非常关键的环节。试验中主要针对静态彩色图像进行人脸检测,研究肤色在人脸检测中的应用。不同图像背景、人脸的可变性和光照条件变化都增加了人脸检测的难度。因此,从一幅图像中检测人脸是一项具有挑战性的任务。采用Adaboost的人脸检测,并提出肤色与Adaboost算法相结合的人脸检测方法。对输入的彩色图像进行从RGB空间到YCbCr空间的转换,然后进行肤色分割,排除背景干扰,最后用Adaboost算法对可能区域进行检测,得到人脸位置。实验表明,该方法误检率低,鲁棒性好,对人脸检测有较强的实用性。     

结合目标提取和深度学习的红外舰船检测

传统显著区域提取红外舰船目标检测算法进行图像处理时虚警率高,而深度学习的红外舰船目标检测方法速度慢。针对这些问题,提出了一种将传统的目标提取与深度学习中分类的思想相结合的红外舰船目标检测算法。首先通过高帽变换（TOP-HAT）和 低帽变换（Bottom-HAT）对图像进行处理,然后通过阈值分割方法和归并算法对图像进行候选区域的提取,再运用深度学习中分类的思想完成对目标船舰的检测。通过测试数据集进行实验并对比分析,结果表明改进后的检测算法平均精确度达到83.69%,较之于传统显著区域提取算法精确度提升了8.09%,较之于Faster-R-CNN算法每百张检测时间缩短了2 s。     

基于计算机视觉技术的人脸检测系统设计

通过对基于Haar-like特征的AdaBoost人脸检测算法研究,利用由该算法训练的级联分类器和计算机视觉类库OpenCV进行人脸检测系统设计,实现了基于静态图像、摄像头视频和avi视频的人脸检测与标记,以及标记后的人脸区域图像实时显示和存盘。此外,在VC＋＋6.0环境下实现了对人脸检测系统软件界面的开发。实验结果表...     

视频监控中人脸识别定位方法研究

现有的人脸识别定位方法由于其局限先不能适用于视频监控中的人脸定位,针对智能视频监控中的运动目标的检测的特点,结合视频图像的连续性和人脸肤色的特征,提出了一种快速视频监控人脸定位的有效方法。该方法首先通过差分算法提取前景区域,然后通过BP(误差反传)神经网络的肤色分割算法,对运动区域进行检测,最后对人脸候选区域进行验证并定位。实验证明,该方法不仅能够减小检测误差,而且提高系统运行速度,实现复杂环境下的视频监控中的人脸定位。     

基于Boosting算法的实时人脸监控系统设计

设计实现了基于Boosting算法的实时人脸监控系统,以AdaBoost算法为人脸检测基础,以粒子滤波器算法为人脸跟踪基础,通过两者的结合提高了检测的速度.通过分析AdaBoost训练和检测的过程,指出影响AdaBoost检测速度的要素,并提出了通过区域生长等预处理方式对待检测图像进行区域合并,降低背景的复杂度,从而提高检测的速度;并增加了侧面人脸级联分类器,采用串并联结构将正面人脸和侧面人脸的检测综合起来,扩大了系统对人脸的检测范围.同时将跟踪结果作为人脸检测模块的反馈信号,增强了检测系统的目标捕获和目标校正能力.