人脸检测与检索

研究了将人脸作为一种特殊的图像内容进行检索的问题；采用基于Adaboost统计学习方法的层叠分类器检测人脸，再用非线性SVM分类器验证人脸；实现了在大规模的复杂背景图片集合中高速准确的人脸定位；为了将找到的人脸规范化，借鉴直接表观模型(direct appearance model)，提出了一种新的特征检测和人脸校正方法．该方法基于对大量数据的统计学习过程，具有良好的扩展性和稳定性；在此基础上．采用SVM分类器实现了人脸检索；最后，通过实验说明了整个方法的有效性．     

基于SVM和AdaBoost的人脸检测算法

提出了一种结合SVM和AdaBoost的人脸检测算法。该算法首先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机（SVM）,然后通过AdaBoost算法把这些训练好的分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。     

一种基于轮廓图像的人脸检测方法

提出了一种基于轮廓图像的人脸检测方法。针对人脸的生理结构特征,对人脸的灰度图像进行水平和垂直方向的轮廓分割;在此基础上对轮廓图像进行分块,抽取水平和垂直方向的轮廓特征;将抽取的特征用支持向量机（support vector machine,SVM）进行分类,将分类结果用于人脸检测。实验表明：轮廓特征能较好的反映人的脸部特征,用支持向量机对轮廓特征进行分类的方法来检测人脸是有效的。     

基于肤色和支持向量机的人脸检测

人脸检测作为人脸识别系统的重要一环,越来越受到技术研究和商业应用的关注。针对人脸检测环境的复杂性,该文提出了基于肤色和支持向量机的人脸检测算法。该算法对于具有复杂背景信息的人脸彩色图像,采用肤色检测的方法进行肤色区域的分割并去除噪声干扰,然后使用支持向量机(SVM)对于类似肤色区域进一步检测并确定人脸区域。实验表明,结合肤色模型的快速检测和支持向量机的二次验证,该方法能提高人脸检测的准确性,并缩短检测时间。     

一种快速的彩色序列图像人脸检测算法

针对视频中的彩色序列图像，提出了一种人脸检测算法。该算法是一个由粗到精的检测过程。首先采用运动检测分析方法，根据多帧差分图像中运动物体边缘点的水平投影确定目标的水平位置，并结合肤色检测算法进一步确定人脸位置，然后用训练好的支持向量机进行人脸验证。实验结果表明，针对一般的彩色序列图像任意姿态人脸检测问题，该算法快速有效。     

基于小波变换和支持向量机的人脸检测

提出一种基于小波变换和支持向量机的人脸检测算法，适用于复杂背景灰度图像的人脸检测。算法首先用双眼模板匹配方法进行粗筛选，之后时候选窗口用小波变换提取特征，将特征向量送入支持向量机进行分类检测。由于采用双眼模板进行粗筛选提高了检测速度，并且用小波变换提取特征向量，使特征向量的维数大大减少，从而有效地降低了分类器的训练难度。实验对比数据表明该方法具有较高的检测率和较低的虚警数，检测速度较高。     

基于小波变换和支持向量机的人脸检测

提出一种新的人脸检测方法——基于小波变换和支持向量机的方法。其方法的新颖之处体现在：通过综合原输人图像的小波变换值、灰度值的投影来进行特征分析;运用统计模型来估计类条件概率密度函数;运用最优的分类方法——贝叶斯分类器进行判决分类。人脸类采用正态分布建模,而非人脸类(包括除人脸类之外的一切事物)仍用正态分布来建模是不合理的。但可以用支持向量机方法从非人脸类中抽出一些跟人脸类很接近的非人脸类的特殊子集,然后对这特殊子集用正态分布进行建模。     

基于高斯模型和支持向量机的人脸检测方法

针对目前人脸检测方法速度与精度难以兼有的问题,本文提出了一种结合高斯模型和支持向量机的人脸检测方法.先利用皮肤颜色在YCbCr空间的聚类性,对肤色建立高斯模型以分割出可能的人脸区域,再将这些区域输入到支持向量机检测并标记出检测结果.实验结果证明,本文提出的方法检测效果令人满意.     

基于Gabor滤波特征和支持向量机的人脸检测

人脸检测是人脸识别与图像及视频检索的一项重要任务。论文提出了一种基于Gabor滤波特征和支持向量机的正面人脸检测方法。算法首先利用了Gabor滤波器的良好的空间位置与方向的选择特性,采用了四种方向的Gabor滤波器提取人脸样本图像特征并用PCA方法对特征降维,然后用已降维的特征训练支持向量机分类器。最后应用SVM分类检测人脸。实验结果证明该方法行是十分有效的。     

基于两级分类器和SVM的人脸检测研究

人脸检测是自动人脸识别系统的基础.为提高人脸的检测速度,采用一种基于两级分类器和支持向量机的人脸检测方法.该方法中,第一级分类器采用特征基方法,对待检测区域进行粗筛选,过滤掉大量非人脸背景信息,然后在剩余区域,用第二级分类器支持向量机进行验证,若是人脸,给出标识.支持向量机有效克服了神经网络中可能遇到的局部极小值和过学习问题,是统计学习理论的基础上新发展起来的机器学习算法.实验结果表明该算法提高了检测速度,系统更有效率.     

一种基于多分量信息融合的人脸检测方法

人脸检测是全自动人脸识别系统和许多监视系统的基础,在许多领域有着广泛的应用。文章提出了一种基于多分量信息融合的人脸检测方法。首先进行彩色空间的变换,检测出图像中的肤色区域;建立眼睛颜色模型,并根据眼睛﹑嘴在不同分量上的分布特征,将它们提取出来;最后融合眼睛﹑嘴候选区域的信息,利用特征不变的方法进行人脸的确定。实验结果表明,该方法能够快速有效地检测出人脸,并能够确定眼﹑嘴的位置。     

基于轮廓信息的人脸检测

针对彩色图像提出了一种基于肤色模型、脸部轮廓信息以及眼睛特征的人脸检测算法。采用基于YCbCr色彩空间的肤色分割模型,初步筛选人脸的候选区域;在此基础上进行边缘检测,获得人脸轮廓信息,并利用遗传算法拟合脸部的椭圆;在椭圆的水平方向根据眼睛的几何特征来检测“眼睛对”,再根据“三停五眼”来定位人脸,并利用左右对称性验证人脸。实验表明,该算法对于彩色图像的正面人脸检测具有良好的效果。     

Human Face Detection in Digital Video Using SVMEnsemble

This Letter proposes automatic human face detection in digital video using a support vector machine (SVM) ensemble to improve the detection performance. The SVM ensemble consists of several independently trained SVMs using randomly chosen training samples via a bootstrap technique. Next, they are aggregated in order to make a collective decision via a majority voting scheme. Experimental results show that the proposed face detection method using SVM ensemble outperforms conventional methods such as using only single SVM and Multi-Layer Perceptron in terms of classification accuracy, false alarms, and missing rates.     

基于层叠支持向量机的人脸检测研究

提出一种基于层叠支持向量机的人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先用线性支持向量机进行粗筛选,滤去大量非人脸窗口,之后用非线性支持向量机对通过的窗口进行分类。实验对比数据表明,该方法降低了分类器的训练难度,计算复杂度较低,大大提高了检测速度。     

一种基于自生成检测窗方法的人脸检测技术

本文基于图像区域扫描的人脸检测,提出了一种新的自生成检测窗方法,大大缩减了检测窗口的数量,使检测速度显著提高：采有再学习能力和较高的检测正确率。     

基于直方图统计学习的人脸检测方法

提出一种基于直方图统计学习的人脸检测方法,对人脸样本和非人脸样本进行小波变换,运用一组小波系数来表征各种人脸特征信息。统计每个训练样本的直方图分布,用于描述人脸和非人脸外观特征的概率分布,每个直方图表示一组小波系数与它们在人脸中位置的联合概率密度。该方法可以准确检测自然场景中的多幅人脸,对侧面人脸有很好的检测效果。     

基于模板匹配与支持矢量机的人脸检测

人脸检测是人脸识别与基于内容的图像及视频检索的一项重要任务。由于非人脸样本相对于人脸样本的多样性和复杂性，使得人脸模式分类器的训练十分困难。该文提出了一种将模板匹配与支持矢量机（SVM）相结合的人脸检测算法。算法首先使用双眼－人脸模板对进行粗筛选，然后使用SVM分类器进行分类。在模板匹配限定的子空间内采用“自举”方法收集“非人脸”样本训练SVM，有效地降低了训练的难度，实验结果的对比数据表明，该算法是十分有效的。     

基于奇异值分解和支持向量机的人脸检测

人脸检测在自动人脸鉴别工作中具有重要的意义。由于人脸图像特征的复杂性和多样性，使得人脸模式分类器的训练十分困难。本文提出了一种基于支持向量机（SVM）的人脸检测算法，使用了奇异值分解对训练样本进行特征提取，再由SVM分类器进行分类，有效的降低了训练难度，采用二阶多项式作为SVM分类器的核函数，实验结果表明，该方法是十分有效的。