一种基于肤色模型和模板匹配的人脸检测算法

近年来,随着人机识别技术的日益发展,人脸检测问题越来越受到重视,而人脸检测技术的关键在于准确率和检测速度.为了有效提高人脸检测的效率,提出了一种基于肤色分割和模板匹配算法的人脸检测方法.首先,建立颜色模型,利用颜色信息对图像进行粗检测,得到粗检测结果,然后,采用模板匹配技术确定人脸.该算法克服了单用模板匹配法的时间延迟,提高了检测精度和速度.     

基于肤色的人脸检测综述

人脸检测在人脸识别、图像内容过滤、数据库或因特网中的人物检索和医疗诊断等方面有广泛应用.文中通过介绍基于统计的肤色人脸检测技术,比较全面的介绍了基于肤色的人脸检测技术,然后对若干关键技术进行了深入研究.最后对基于肤色的人脸检测技术的进一步研究方向作了一些探讨.     

基于OpenCV的通用人脸检测模块设计

人脸检测是智能视频监控系统中的重要组成部分,OpenCV实现的Adaboost人脸检测算法达到了实时检测人脸的处理速度.但在实际应用中,由于平台移植等障碍,现有系统升级兼容此模块困难.本文提出了一种支持多编程语言平台的通用人脸检测模块,详细阐述了.NET平台调用技术和改进的JNI方法调用OpenCV人脸检测模块的具体步...     

人脸活体检测技术在校园智能安防的应用综述

人脸活体检测技术是一种人脸面部信息匹配与定位的生物识别技术,其能够根据摄像头采集的人脸信息进行检测与跟踪,以此来进行个体的身份信息识别.该技术在校园的智能安防建设中具有较高的应用价值.通过分析当前人脸活体检测技术的综合特征与优势,全面探究在校园智能安防中应用人脸活体检测技术的工作流程以及应用路径,以期推进我国校园智能安防应用水平的提高.     

基于SURF算法的人脸跟踪技术研究

人脸检测与跟踪技术是计算机视觉领域研究课题之一,在军事及民用领域应用广泛.在目标检测算法中,基于特征的方法具有压缩信息量、执行速度快、精度高等优点,成为近年来目标检测领域的研究热点.SIFT算法便是其中之一,但传统的SIFT算法应用于人脸检测过程中有数据量大、计算耗时长,提出了一种基于SURF算法的人脸检测方法,阐述了SURF算法的基本原理,并首先将SURF算法应用于人脸特征检测与跟踪,阐述了人脸跟踪系统设计方法,使用OpenCV技术实现了基于SURF算法的人脸跟踪验证系统.试验结果表明,基于SURF算法的人脸跟踪系统匹配识别效果较好,实时性较好、具有较好鲁棒性.     

复杂光照环境下视频人脸序列的自动检测方法

基于视频序列人脸自动检测是人脸跟踪、识别等研究的基础.提出了一种结合图像增强技术、gabor特征变换和adaboost算法的视频序列人脸检测方法,其主要思想是使用图像增强技术对图像进行光照补偿,减轻不同的光照条件(如局部的阴影和高亮等)对检测结果的影响.该方法首先通过高频增强滤波强化图像的边缘和细节信息,用基于直方图的技术采调节图像的亮度,然后应用gabor小波变换进行特征抽取,最后采用adaboost方法训练样本,完成人脸的检测.实验表明,该方法能够在不同的光照条件下准确检测出人脸,显示出较强的鲁棒性.     

二维人脸检测技术研究

简要介绍人脸检测的研究背景、研究内容以及研究难点,总结二维人脸检测的常用方法及优缺点,列举了近期人脸识别技术的应用,总结展望今后人脸检测的研究方向.     

彩色图像中纯脸检测与定位的优化算法研究

人脸识别是当前模式识别应用的一个重要领域.在理解当前广泛使用的各种人脸识别算法的基础上,提出了一种基于多方法融合的彩色图像纯脸检测与定位的优化算法.该算法首先通过肤色检测及预处理技术缩小彩色图像人脸检测的搜索区域,然后应用基于物体区域方向的检测平面内任意旋转角度人脸计算方法;并通过二次计算旋转角度的方法来准确确定人脸区域的旋转角度;最后利用积分投影函数找到人脸候选区域中双眼的位置,结合人脸特征在人脸中的比例关系准确确定纯脸的位置.该算法还考虑了人脸侧偏时的情况.实验表明,本方法对平面内任意旋转及双眼存在的侧偏人脸有较好的检测效果,对不同光照条件有较好的鲁棒性.     

欧美基于人脸识别技术的法律规制研究

0 引言 人脸识别是将人的脸部信息作为基础进行生物特征识别的技术,这一概念应用于不同领域,其内涵和外延也有所不同.狭义的人脸识别仅指识别某一指定图像中的人的身份.而法学领域所说的“人脸识别”的规制,是更为广义的范畴,涉及的内容往往不仅包括狭义的人脸识别这一过程,还包括人脸检测和人脸检索的过程.人脸检测即检测图像中人脸区域的位置,人脸检索则是在数据库中检索包含指定人脸的图片,即人脸识别包含了一整套完整的采集图像,检测定位人脸,提取人脸特征进行比对并最终识别身份的过程.     

基于视频的人脸安全技术检测研究概述

本文通过讨论基于视频的人脸安全技术的特点难点,探讨人脸检测技术的发展.根据面部肤色的建模问题和色彩空间变换的概念,进一步推测出基于视频的人脸检测的实现需要建立人脸库、对人脸特征进行提取并加以SVM分类算法,从而帮助人脸识别技术达到全新高度,实现AI发展与安全技术并存的局面.     

Automatic face detection in video sequences using local normalization and optimal adaptive correlation techniques

Automatic human face detection from video sequences is an important component of intelligent human computer interaction systems for video surveillance, face recognition, emotion recognition and face database management. This paper proposes an automatic and robust method to detect human faces from video sequences that combines feature extraction and face detection based on local normalization, Gabor wavelets transform and Adaboost algorithm. The key step and the main contribution of this work is the incorporation of a normalization technique based on local histograms with optimal adaptive correlation (OAC) technique to alleviate a common problem in conventional face detection methods: inconsistent performance due to sensitivity to variation illuminations such as local shadowing, noise and occlusion. The approach uses a cascade of classifiers to adopt a coarse-to-fine strategy for achieving higher detection rates with lower false positives. The experimental results demonstrate a significant performance improvement gains and achieved by local normalization over methods without normalizations in real video sequences with a wide range of facial variations in color, position, scale, and varying lighting conditions.     

复杂光照环境下视频人脸序列的自动检测方法

基于视频序列人脸自动检测是人脸跟踪、识别等研究的基础。提出了一种结合图像增强技术、gabor特征变 换和adaboost算法的视频序列人脸检测方法,其主要思想是使用图像增强技术对图像进行光照补偿,减轻不同的光 照条件(如局部的阴影和高亮等)对检测结果的影响。该方法首先通过高频增强滤波强化图像的边缘和细节信息,用 基于直方图的技术来调节图像的亮度,然后应用gabor小波变换进行特征抽取,最后采用adaboost方法训练样本,完 成人脸的检测。实验表明,该方法能够在不同的光照条件下准确检测出人脸,显示出较强的鲁棒性。     

一种改进的基于人脸特征的人脸检测方法

人脸检测技术应用十分广泛,可用于生物特征识别、视频会议、图像与视频检索以及人机智能交互界面等。目前的算法大多依赖于一定的约束条件。文章提出了一种改进的人脸检测方法,该方法利用了肤色在色彩空间的局部性和五官在人脸相对位置的不变性。实验结果表明,该算法结合了肤色和人脸特征的信息,提高了检测的准确度。     

人脸检测及分割方法研究

人脸检测和分割是进行人脸分析和识别的重要组成部分,其目的是从复杂背景图像中检测出人脸的位置,并把人脸分割出来。虽然人们可以毫不困难地在复杂背景中检测和识别出人脸,但是要建立一套完全自动化的人脸和识别系统却是非常困难的。近年来随着计算机技术和图像处理方法的不断发展,出现了各种不同的人脸检测方法。应用了一种基于YIQ颜色模型的人脸检测方法,并且利用惯量最小化原理进行人脸图像的姿态调整,然后进行分割提取。试验结果表明,该方法能较好地从复杂背景中检测出人脸区域并能较完整地分割出人脸。     

基于人脸的活体检测系统

人脸识别技术由于其成本低、用户友好、效率高等特点被广泛应用,同时也出现了针对人脸识别的身份伪造攻击,主要包括照片人脸攻击、视频人脸攻击、三维人脸模型攻击等方式,对于这些攻击方式的防范方法都是围绕着基于人脸的活体检测这个中点进行展开. 本文着重研究的活体检测方法为眨眼检测与背景分析算法,通过区域增长算法进行人眼定位、形态学操作进行人眼张合判断、感知Hash 算法进行背景差异对比,构造出一个复合的活体检测系统. 基于复合的眨眼检测与背景分析算法,本文设计了一个包含眨眼检测模块与背景分析模块的活体检测系统,使用OpenCV2.4.9 与vs2012 的MFC 架构实现了一个可以抵御照片攻击与视频攻击的活体检测系统,并对系统进行实验与评估,在与其它同类型的系统进行比较的结果来看,本文实现的系统性能表现优异.     

人脸图像检测与识别方法综述

本文对人脸识别技术中的检测和识别分成两部分进行了讨论。首先，系统的整理分析了人脸检测的各种方法，其次，作为人脸识别技术的第二个环节，对人脸的各种识别方法进行了比较的论述，重点讨论了当前热点的识别算法，最后对人脸识别技术的发展方向进行了展望。     

用差影法与多模板匹配快速实现人脸检测

提出了一种用差影法与多模板匹配快速实现人脸检测的方法。该方法减小了搜索人脸的范围，减少了运算量，提高了检测的速度，具有较强的鲁棒性，而且通过适当地增加样本可望进一步提高检测性能，具有一定的可扩展性。实验证明，其最突出的优点是误检率非常低。     

基于人脸检测的人脸跟踪算法

文章提出了一种基于人脸检测技术的人脸跟踪算法。该算法利用前一帧的人脸检测结果预测当前帧中人脸可能的尺度与位置范围,在限定的范围内采用模板匹配与人工神经网分类的方法定位人脸,从而实现快速而可靠的人脸跟踪。由于使用了人脸检测技术,该方法可以自动定位初始人脸。实验表明该方法在具有复杂、动态变化背景的图象序列中是很有效的,速度为5－11Hz,可用于实时性系统。     

人脸自动检测与识别技术的研究及应用

本文提出了一种基于可疑人脸区域发现算法和结合投影图的人脸识别算法，算法在标准的人脸库上进行了实验，实验结果表明该算法能在人脸库中正确检测到绝大多数人脸的位置，并且在识别过程中体现了比标准特征脸方法更高的识别率和更小的计算量。以此算法为基础，研制和开发了一种计算机自动考勤系统。     

A face detection and recognition system in color image series

A human face detection and recognition system for color image series is presented in this paper. The system is composed of two subsystems: human face detection subsystem and human face recognition subsystem. The face detection subsystem includes two modules: face finding and face verification. The human face finding module determines the face regions of a number of subjects from color image series using skin color analysis and motion analysis. The human face verification module is developed to verify the detected human faces by judging of eclipse and support vector machine (SVM), and precisely localize human faces by locating eyes and mouths based on Generalized Symmetry Transform. The features characterizing the relation between face patterns can be extracted and selected by Principal Component Analysis. Using these selected features to train multiple SVMs, we can finally classify human faces. Moreover, in these modules, several simple and complex methods are used to reduce the searching space. So the system can work at a high speed and high detection and recognition rate. Human face detection accuracy of the system is 97.2% under controllable lightning condition. Human face recognition accuracy of the system for 70 persons is 96.5% (with 20 eigenvectors) and 98.3% (with 30 eigenvectors).