复杂背景下多姿态人脸图像中的人眼检测

研究了复杂背景下多姿态人脸图像中的人眼检测方法.首先，将得到的图像映射到YCbCr空间，利用肤色在YCbCr颜色空间的分布特性建立肤色模型，分割出肤色并得到人脸的区域；再次，利用人眼的分布特点及自身特性预先设定一系列的规则，通过规则得到可能的人眼区域；最后，设计了人眼模板分布模型，并利用该模型对人眼位置进行最后的确认.实验表明，该方法具有较高的检测速度和检测正确率.     

基于颜色特征的人脸检测方法

针对RobCup家庭机器人对人脸检测的要求,研究了基于颜色特征的人脸检测方法。该方法首先将人脸图像进行非线性分段色彩变换光线补偿处理,减少光线对肤色的影响,然后在YCbCr颜色空间中建立肤色模型,分割出肤色区域。在颜色空间YCbCr中,嘴巴区域包含的红色分量要高于蓝色分量,利用这个特征分割出嘴巴区域。在YIQ颜色空间中,通过I分量来区分眼睛与皮肤,分割出人眼,最后根据嘴巴、眼睛的几何中心特征映射人脸,人脸检测的仿真结果验证了该方法的有效性。     

基于肤色模型和模板匹配的人脸检测方法研究

提出了一种基于人脸肤色信息和模板匹配,对彩色图像中的人脸进行检测的方法。该方法首先在YCbCr色彩空间下,利用肤色信息将彩色图像中的肤色区域和非肤色区域分开,计算得到表示肤色相似度的色度图,然后分割由此色度图所生成的灰度图像,从而得到人脸检测的候选区域,同时计算该区域的欧拉数来进一步缩小人脸搜索的范围,结合人脸模板进行匹配,最终确定并标记出彩色图像中人脸的位置。实验结果表明：该方法能够在具有复杂背景的彩色图像中快速并且准确的检测出人脸,误检率较低。     

融合YCbCr肤色模型与改进的Adaboost算法的人脸检测

提出了一种将人脸肤色检测与改进的Adaboost算法相结合的人脸检测方法。将人脸图像从RGB颜色空间映射到YCbCr颜色空间,建立肤色模型进行人脸相似度求取,通过形态学处理得到候选人脸区域。在训练阶段,通过调整加权误差分布限制目标类权重的扩张,通过修改目标权重更新抑制训练退化和训练目标类权重分布过适应现象。用改进的Adaboost算法对得到的人脸候选区域进行检测,提高了检测速度。实验结果表明,该算法抑制了训练目标类权重过适应现象,有效的提高了检测率和检测速度。     

利用双重彩色空间肤色模型实现快速人脸检测

在单独采用HSI彩色空间或YCbCr彩色空间肤色高斯模型进行人脸检测的基础上将二者结合起来,提出了一种利用双重彩色空间肤色模型实现快速人脸检测的方法。这种方法利用了在不同肤色模型之下都可以大致检测出人脸区域,并且所误检测的背景范围差异较大,同时被两种肤色模型都误检测为人脸的可能性较小,所以取其检测结果的共同点,就是大致的人脸区域,而误检测为人脸的背景区域就被去掉了。之后采用较为简单的算法,就可以从这个大致的人脸区域中定位真正的人脸区域。该方法不需要建立极为精确的肤色模型,也不需要在人脸检测得到二值化结果后,采用较为复杂的算法,从二值化结果中定位人脸。该方法适合于在特征提取前使用,去除多余的背景信息,提高图像处理和识别的速度和准确度。     

实时人眼定位算法研究与设计

为了实现准确和实时的人眼定位,提出了一种有效的人眼定位方法。采用基于统计肤色模型和人脸几何特征约束定位人脸,根据在YCbCr色度空间中肤色的聚类性独立于亮度,建立肤色模型,然后采用自适应阈值进行肤色分割。在人眼定位中,通过获取一个属于眼睛区域像素的随机样本,利用期望最大化算法（EM）调整椭圆型眼参数模型。在包含两个眼睛的矩形框内精确定位人眼,计算量小,速度快。实验结果表明,该方法能够准确、快速地定位人眼,可以满足非接触式、不同光照条件、实时的人眼定位系统的要求.     

基于复杂背景的彩色图像肤色分割

在使用单个颜色空间进行肤色检测的基础上,提出利用YCbCr和YIQ两种颜色空间同时对单帧图像进行肤色提取的方法,然后对提取的图像进行像素融合和数学形态学处理.实验结果表明,这种方法在确定人脸区域时,简单快速,且减少了人脸的漏检率.     

基于PCA降维的SVM人脸快速检测方法

提出一种改进的快速人脸检测方法。人脸模式训练阶段,先将训练样本的人脸特征经PCA降维提取主要特征,然后训练SVM人脸模式函数,由于训练样本维数的降低,节约了训练时间。检测阶段,利用肤色在YCbCr空间的聚类性,在色度空间建立高斯肤色模型进行皮肤分割。对分割区域进行连通域体态分析后,用PCA方法将待检测样本降维处理,利用SVM检测识别人脸。实验结果表明,这种方法可以快速有效检测图像中的单幅或多幅人脸区域。     

彩色图像中的正面人脸检测的研究

提出了彩色图像中一种人脸检测方法.该方法利用肤色模型分割出彩色图像中的肤色区域,并将同一幅图片用不同的肤色模型分割后的图像进行融合,这样能较好地获取肤色区域.将彩色图像中的肤色区域转换为灰度分布图,用正面人脸的结构规则筛选出肤色区域中的人脸区域.结果表明:该方法能快速地较为准确地定位彩色图像中的正面、小角度偏侧的人脸.     

一种基于肤色和模板匹配的人脸检测方法

提出了一种基于肤色和模板匹配的人脸检测方法，该方法首先对搜集到的人脸肤色样本在YCbCr空间中进行聚类，然后根据聚类的范围在输入的图像中确定候选的人脸区域（假设存在）的位置，接着对该候选人脸区域进行归一化处理，再计算人脸模板和该候选区域的Hausdorff距离，根据该距离大小最终确定该候选区域是否为人脸．实验表明：该算法检测准确率高，具有良好的实时性和鲁棒性．     

基于肤色模型与人脸特征的多姿态人脸检测

传统AdaBooat人脸检测算法使用正面人脸训练分类器,不能检测有任意偏转角度的多姿态人脸.本研究利用各种多姿态人脸中人眼结构变化比较小的性质,使用人眼训练AdaBoost算法的分类器,设计出一种快速的复杂场景下的多人多姿态人脸检测算法.先将图像映射到一种色彩空间,运用皮肤颜色分布特性检测皮肤区域;再运用AdaBoos...     

基于颜色重心和分层过滤结构的人脸检测算法

提出一种基于颜色重心六边形（colorbarycentershexagon,CBH）模型,结合分层过滤结构的人脸检测方法。首先根据肤色在空间的聚类特性检测人脸,利用CBH模型将彩色图像中的肤色区域和非肤色区域分开,得到人脸检测的候选区域;然后利用级联型的分层过滤结构,采用最优椭圆拟合、形态及方差验证、方向归一化和模板匹配等操作逐步排除非人脸区域,最终确定并标记出彩色图像中人脸的位置。实验结果表明：该方法能够在复杂背景的彩色图像中快速并且准确地检测出人脸,误检率较低,具有较高的应用价值。     

一种基于肤色特征的人脸特征点定位方法

针对传统人脸特征点定位方法中存在的算法复杂、鲁棒性差以及精确度低等问题,本文提出一种基于肤色特征的人脸特征点自动定位方法.首先对预处理后的图像在多个色彩空间中利用肤色特征实现人脸区域的精确定位;然后,在人脸区域内根据各特征部位的特性构造色度模型函数来标定其特征区域;最后,在特征区域内完成人脸特征点的自动定位.实验结果表明,该算法简单、鲁棒性较高,且能够快速高效地实现人脸特征点定位.     

基于肤色和人脸形状约束的正面人脸轮廓提取算法

提出了一种基于肤色和人脸形状约束的正面人脸封闭轮廓提取方法.首先在YCgCr空间中对图像数据进行阈值分析,建立肤色模型,并通过肤色模型对肤色区域进行初定位,再经过对肤色区域的连通区域标记,进而根据区域像素数量筛选去除非人脸区域.然后提取人脸初步轮廓,并结合人脸形态比例去除颈部轮廓.最后通过相关形态参数构建出人脸下巴轮廓,最终得到一个连续、封闭的人脸轮廓.     

基于Gabor变换的人眼开闭状态识别技术研究

为解决驾驶员疲劳检测问题,提出了一种快速人眼开闭状态识别方法。该方法通过肤色模型识别人脸区域,预处理后进行Gabor变换;通过选取合适的尺度和方向提取出眼部明显的灰度特征,对变换后的图像进行水平积分投影,眼部有明显的尖峰,进而通过峰平比识别人眼的开闭状态,突破了传统积分投影方法只能进行人眼定位的局限。实验表明,该算法具有较高的准确性,并对光照变化有较好的鲁棒性。     

一种基于眼部状态的疲劳驾驶检测方法

针对传统的疲劳驾驶检测准确率低和实时性差的问题,提出了一种基于眼部状态的疲劳驾驶检测方法.利用CCD相机实时获取驾驶员的脸部图像,采用直方图均衡化增强图像的对比度;通过改进的cascade(Hear分类器)的人脸检测算法检测出脸部区域;利用OTSU阈值分割和形态学运算提取人眼区域,根据人眼的宽高比判定眼睛的闭合程度;依据PERCLOS-P80原理和眨眼频率判断驾驶员的疲劳状态.实验结果表明:改进的人脸检测算法对每帧图像的检测时间约为45ms,在人脸检测速度上提高了2.3倍,为整个疲劳驾驶检测节省了大量的时间.研究疲劳驾驶检测方法检测一帧图像的时间约为65ms,而且在不同的光照强度下的检测均有较高的准确率,满足疲劳驾驶检测对准确性和实时性的要求.