基于支持向量机的快速人脸检测

提出一种基于支持向量机的快速人脸检测算法,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,之后对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。     

基于仿射模板匹配的多角度单人脸定位

提出了一种基于仿射模板匹配的多角度人脸定位算法,用平均脸作为基模板,经由不同的伸缩比例和旋转角度构成的仿射变换生成各种姿态的模板,并将模板分为双眼模板和人脸模板对,首先使用以眼模板搜索符合眼睛的区域,再用整个人脸模板匹配进上步检验是否符合人脸模式,并利用马赛克规则验证,给出最佳匹配作为人脸位置,对包含１４４幅图像和６０幅图像的两上图像库的定位准确率分别达到７９．２％和８５％,表明该算法的有效性。     

基于多姿态知识模型和模板的快速人脸检测

提出了一种多姿态知识模型,并以之从人脸器官梯度图中获得候选脸的大小、位置、姿态类别和眼、嘴重心坐标,然后按姿态类别将候选脸与对应的模板进行匹配确认人脸.该人脸检测算法集人脸检测、姿态估计和眼、嘴定位于一体,具有检测速度快的特点,适于多姿态多人脸场合的人脸检测.该算法只利用了图像的灰度信息,因此对灰度图像和彩色图像的人脸检测均适用.     

一种基于特征提取和模板匹配的人脸检测算法

提出了一种基于特征提取和模板匹配的人脸检测算法。在粗检部分，利用脸部特征获得候选脸；在细检部分，利用模板匹配对候选脸进行确认，得到最后结果。经实验证明，算法可以克服光照、姿势、表情、胡须、眼镜等干扰，并允许有局部遮挡，具有较强的鲁棒性。     

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.     

基于肤色信息和主分量分析的人脸实时检测系统

提出了一种基于肤色模型、人脸面部结构和模板匹配的人脸检测算法。该方法首先建立肤色模型来对原始图像进行肤色区域分割，再根据人脸的面部结构特征对分割区域进行过滤，最后用基于主元素分析的模板匹配算法对候选区域进行判断。实验结果表明该算法能够适应复杂背景以及多人脸的检测，而且检测速度快，能够达到实时检测的目的。     

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分割和模板匹配相结合的人脸检测算法.首先利用rgb色彩空间下的人脸肤色模型,对人脸图像进行肤色分割;针对图像中存在的多个肤色区域连接在一起的问题,采用SUSAN算子提取区域的边界,将连接的肤色区域分开;根据肤色区域的形状特征和欧拉数筛选人脸候选区域;最后利用建立的人脸模板和一种改进的混合匹配准则,对候选人脸区域进行匹配识别.实验结果表明,该方法能较好地从复杂背景中检测出人脸.     

基于哈达玛变换和链码角度模板匹配的人脸检测算法

首先利用统计原理检测出一幅图像的肤色区域,再通过哈达玛变换将这些区域从像素域变换到压缩域,最后通过改进和训练链码模板和角度模板来对候选肤色区域进行匹配和检测.实验结果显示,该方法在检测人脸的过程中速度快,漏检率较低,能正确地分辨人脸的肤色、胖瘦,算法设计简单可行,非常适合实时性要求高的图像检索系统.     

复杂背景下人眼定位及人脸检测

人眼定位和人脸检测是人脸识别的重要环节，复杂背景下，人眼定位及人脸检测容易受到光照以及其它物体的影响。在没有检测到人脸的情况下，对原始图像用sobel算子得到灰度边缘图像，进而得到边缘灰度加强图像，估算分割双眼的阈值范围。对边缘灰度加强图像二值化后，结合人脸的几何特征以及双眼的二维相关系数自动确定双眼候选点，利用人脸模板检验双眼及人脸的真实性。大量实验结果表明，该算法在复杂背景下进行人眼定位及人脸检测是有效的。     

一种快速而精确的多人脸检测与定位算法

根据由粗到精的思路，综合利用了眼睛器官的特征、人脸模板以及基于人脸区域象素分布的统计信息等线索．首先用基于AdaBoost学习算法的级联模型发现可疑人脸区域，然后在可疑人脸区域内发现可疑眼睛区域并组合可疑眼睛区域对得到候选人脸区域，最后用人脸模板验证候选人脸区域，精化人脸定位．实验表明．本算法能快速而精确地实现多人脸检测与定位，且对彩色图像和灰度图像都适用．     

视频中多线索的人脸特征检测与跟踪

针对目前的人脸特征检测与跟踪算法存在的对环境适应能力差、缺乏自我检错能力的缺点，该文提出了一种多线索综合的新方法，多线索中包括基于深度信息的人脸区域粗分割，基于多关联模板匹配的人脸检测，利用多尺度Sobel卷积的特征提取，基于“特征眼”的人眼验证以及基于多视图的校验方法，多种线索互相补充，自我检错和纠错，对背景，光照及姿态变化具有较强的适应能力，实验表明该方法是有效的，鲁棒的。     

Virtual illumination grid for correction of uncontrolled illumination in facial images

Face recognition under uncontrolled illumination conditions is still considered an unsolved problem. In order to correct for these illumination conditions, we propose a virtual illumination grid (VIG) approach to model the unknown illumination conditions. Furthermore, we use coupled subspace models of both the facial surface and albedo to estimate the face shape. In order to obtain a representation of the face under frontal illumination, we relight the estimated face shape. We show that the frontal illuminated facial images achieve better performance in face recognition. We have performed the challenging Experiment 4 of the FRGCv2 database, which compares uncontrolled probe images to controlled gallery images. Our illumination correction method results in considerably better recognition rates for a number of well-known face recognition methods. By fusing our global illumination correction method with a local illumination correction method, further improvements are achieved.     

基于学生人体检测的无感知课堂考勤方法

针对基于人脸识别的课堂考勤系统漏检和低识别率的问题，采用主、从双摄像机设备，提出一种联合学生人体检测和人脸角度筛选的方法。首先通过Mask R-CNN算法检测主摄像机拍摄图中的学生人体位置；然后控制从摄像机（PTZ相机）依次获取每位学生的高质量放大图像；再通过MTCNN算法和FSA-Net算法从中检测并识别出人脸姿态，筛选出每位学生的正脸图像；最后对筛选出的学生正脸图像使用FaceNet算法提取人脸特征，用于支持向量机（SVM）分类器的训练或识别。实验结果表明，与Tiny-face算法相比，人体检测算法在重叠比（IOU）为0.75时平均精度（AP）值提高了约36%且检测耗时减少了57%；与建立多姿态人脸数据库的方法相比，采用人脸角度筛选的方法使识别率提高了4%；多数情况下整个课堂学生识别的准确率接近100%。所提方法简化了学生注册过程，提高了人脸识别率，为解决人脸漏检问题提供了新的思路。     

基于学生人体检测的无感知课堂考勤方法

针对基于人脸识别的课堂考勤系统漏检和低识别率的问题,采用主、从双摄像机设备,提出一种联合学生人体检测和人脸角度筛选的方法。首先通过Mask R-CNN算法检测主摄像机拍摄图中的学生人体位置;然后控制从摄像机（PTZ相机）依次获取每位学生的高质量放大图像;再通过MTCNN算法和FSA-Net算法从中检测并识别出人脸姿态,筛选出每位学生的正脸图像;最后对筛选出的学生正脸图像使用FaceNet算法提取人脸特征,用于支持向量机（SVM）分类器的训练或识别。实验结果表明,与Tiny-face算法相比,人体检测算法在重叠比（IOU）为0.75时平均精度（AP）值提高了约36%且检测耗时减少了57%;与建立多姿态人脸数据库的方法相比,采用人脸角度筛选的方法使识别率提高了4%;多数情况下整个课堂学生识别的准确率接近100%。所提方法简化了学生注册过程,提高了人脸识别率,为解决人脸漏检问题提供了新的思路。     

可变光照条件下的人脸图像识别

对于人脸图像识别中光照变化的影响,传统的解决方法是对待识别图像进行光照补偿,先使它成为标准光照条件下的图像,然后和模板图像匹配来进行识别。为了提高在光照条件大范围变化时,人脸图像的识别率,提出了一种新的可变光照条件下的人脸图像识别方法。该方法首先利用在9个基本光照方向下分别获得的9幅图像来构成人脸光照特征空间,再通过这个光照特征空间,将图像库中的人脸图像变换成与待识别图像具有相同光照条件的图像,并将其作为模板图像;然后利用特征脸方法进行识别。实验结果表明,这种方法不仅能够有效地解决人脸识别中由于光照变化影响所造成的识别率下降的问题,而且对于光照条件大范围变化的情况,也可以得到比较高的正确识别率。     

人脸识别技术的研究

对人脸识别的几个关键技术进行了深入研究，提出了一种快速的基于眼睛像素特征的人脸检测方法：一种有效的基于SVD分解的特征提取方法和一种基于特征差别的SVM人脸识别方法．改进的基于SVD分解的特征提取方法能在一定程度上削弱光照和表情的影响，从而更好地抽取人脸的差别特征．基于特征差别的SVM方法将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题，克服了传统SVM方法在解决多分类问题上的缺陷．实验表明该人脸检测方法有较高的正确检测率，提出的特征提取方法能有效地减弱光照和表情对人脸特征的负面影响，使得识别率有较大提高，基于特征差别的SVM方法有更好的概括能力和更高的正确识别率．     

人脸图像边缘检测的方法研究和应用

如何确定人脸特征并对这些特征进行有效的提取是非常关键而且复杂的。人脸边缘和轮廓是人脸非常重要的特征。该文研究了边缘检测的原理和各种算法，通过试验验证各种检测方法在人脸图像中对边缘的检测效果，讨论选用在不同阈值下检测的边缘，以及影响检测效果的因素。最后通过实例研究了人脸边缘检测在人脸检测和识别中的具体应用。     

侧面人脸图像的识别方法

针对侧面人脸的识别问题提出了一种基于统计的方法。基于人脸正面和侧面图像的线性相关性假设,通过对样本的学习建立多变量线性退化模型求解出系数矩阵,从而由输入的人脸侧面照片合成得到其正面的图像。实验表明这种方法所获的正面像接近于真实的照片,且无需任何的辅助设备和先验知识,具有一定的实用性。