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.     

基于肤色模型、神经网络和人脸结构模型的平面旋转人脸检测

人脸检测是智能人机接口的关键技术之一,它在人脸识别、表情识别、人脸合成和人脸编码等领域具有重要的应用价值.该文针对复杂背景下的彩色图像,提出了一种基于肤色模型、人脸平面旋转角度检测和正面人脸结构特征的人脸检测算法.该方法首先建立了一个人脸肤色分布模型;其次采用神经网络计算和瞳孔定位操作,实现了由粗到精的人脸平面旋转角检测;最后提出了一种基于结构的正面人脸检测策略.实验结果表明,所提出的算法能够适应不同的光照环境,可以检测不同大小、不同平面旋转角的人脸.     

复杂背景下的三级级联快速正面人脸检测算法

针对复杂背景下的正面人脸检测问题,提出一种三级级联快速正面人脸检测算法：第一级使用 HSV 肤色模型,通过分析最大肤色连通区,快速排除非人脸区域;第二级采用 Haar-like 特征结合 AdaBoost 算法定位人脸区域;最后提出基于局部特征点加权的改进主动形状模型(W-ASM)算法匹配人脸的特征点坐标,通过68个特征点位置判断当前人脸图像是否是正面人脸。实验结果表明,本算法能准确识别出垂直于图像旋转不超过±5°的正面人脸,每幅图像(640×480)平均用时仅52ms,满足实时性要求。     

基于肤色模型、神经网络和人脸结构模型和平面旋转人脸检测

人脸检测是智能人机接口的关键技术之一,它在人脸识别、表情识别、人脸合成和人脸编码等领域具有重要的应用价值,该文针对复杂背景下的彩色图像,提出了一种基于肤色模型,人脸平面旋转角度检测和正面人脸结构特征的人脸检测算法,该方法首先建立了一个人脸肤色分布模型,其次采用神经网络计算和瞳孔定位操作,实现了由粗到精的人脸平面旋转角检测,最后提出了一种基于结构的正面人脸检测策略,实验结果表明,所提出的算法能够适应不同的光照环境,可以检测不同大小,不同平面旋转角的人脸。     

基于奇异值特征和隐马尔可夫模型的人脸检测

提出了基于奇异值特征和隐马尔可夫模型（HMM）的人脸检测方法,首先提出了基于奇异值特征和隐马尔可夫模型的正面端正人脸检测方法;然后将该算法扩展到检测任意旋转角度的人脸,其中正向端正人脸检测算法是通过隐马尔可夫模型来识别人脸／非人脸的奇异值特征,从而达到人脸检测的目的;扩展算法首无计算当前位置子图象窗口的奇异值特征向量,然后利用识别各个旋转角度人脸的HMM模型对之进行分类,以得到该子图象窗口的旋转角度,再经过旋正,重新再与识别正面端正人脸的HMM模型对, 此确定该子图象窗口是否为人脸,通过对一个由51幅集体照片组成的图象集进行测试,其中,正面端正人脸检测率为85．1％,而任意旋转角度的人脸检测率只有72．2％。     

尺度无关的级联卷积神经网络人脸检测算法

卷积神经网络在进行图片处理时需要输入固定尺寸大小的图片，该限制会导致原图在放缩过程中损失大部分信息。另外，目前人脸检测算法多用单一结构网络进行特征提取，这就使得算法的泛化能力较弱。针对以上两个问题，提出了一种将级联卷积神经网络与空间金字塔池化相结合的人脸检测算法。该方法将三级卷积神经网络模型连接起来，其中三级神经网络模型之间各不相同，结构从简单到复杂，在不同层次的神经网络上提取不同的人脸特征并筛选图片，完成对图片中人脸区域的检测。同时，在每级网络层次中加入空间金字塔池化层，这种池化策略无须固定尺寸大小的输入，增加了模型输入的尺寸选择。在标准人脸数据集中，该方法相对于传统方法实现了模型的多尺度输入，提升了检测的性能，并降低了检测人脸的时间。     

视频中的多视角人脸检测与姿态判别

提出了一种基于多种信息融合的多视角人脸检测方法.对视频图像通过对称差分算法检测运动区域,利用神经网络肤色模型对运动区域进行肤色识别,将多视角多人脸检测简化在候选区域内;最后通过集成多神经网络,其中每个神经网络负责一定视角的图像,实现了人脸验证,同时可以粗略地判定人脸姿态.实验结果表明该算法可适应不同的光照环境,检测不同大小,不同视角的人脸.     

一种改进的CAMShift跟踪算法及人脸检测框架

为充分利用人脸视频图像序列中的时空信息,获得更加准确的人脸比对图像序列,提出一种结合人脸跟踪的人脸检测框架。使用简单快速的正面人脸检测算法对人脸视频图像序列进行检测,用检测的结果对人脸跟踪算法进行初始化及校验和调整。为解决CAMShift跟踪算法容易受类肤色区域影响而导致提取到的人脸区域存在冗余信息的问题,提出一种改进的CAMShift-KLT算法。该算法利用兴趣点跟踪人脸图像的边缘,达到准确获取人脸比对图像的目的。实验结果表明,与CAMShift算法相比,CAMShift-KLT算法获取的人脸区域更精准,同时具有较小的跟踪偏移距离、较大的跟踪命中率和更高的跟踪有效性。与对比算法相比,CAMShift-KLT算法能够获得与理想的人脸区域更加一致的跟踪区域。     

一种结合肤色及类人脸特征的人脸检测

人脸特征提取是人脸检测的关键环节,有效的人脸特征将使得人脸检测更精确。Haar-Like特征作为一种矩形特征,虽然简单、计算迅速,但只能描述特定方向的图形结构。提出的类人脸特征是一种反映人脸灰度分布模型的矩形特征,更加有效地描述了人脸的特征。所提出的人脸检测算法,应用BP神经网络算法训练肤色区域,进行肤色分割。应用类人脸特征的AdaBoost算法进行人脸检测。实验结果表明,该算法可以提高人脸检测的检测率。     

复杂背景下多姿态人脸快速检测算法

通过对图像进行预处理(似眼物检测)，不但缩小了人脸检测的搜索空间，而且将复杂背景下多姿态多人脸检测简化为在候选区域内，已知大致的人脸尺度情况下正面端正单人脸检测问题，并结合多模板匹配与规则验证完成了人脸区域的最后确定．实验结果表明该算法具有较高的速度和检测成功率。     

Face detection in complicated backgrounds and different illumination conditions by using YCbCr color space and neural network

This investigation develops an efficient face detection scheme that can detect multiple faces in color images with complex environments and different illumination levels. The proposed scheme comprises two stages. The first stage adopts color and triangle-based segmentation to search potential face regions. The second stage involves face verification using a multilayer feedforward neural network. The system can handle various sizes of faces, different illumination conditions, diverse pose and changeable expression. In particular, the scheme significantly increases the execution speed of the face detection algorithm in the case of complex backgrounds. Results of this study demonstrate that the proposed method performs better than previous methods in terms of speed and ability to handle different illumination conditions.     

级联的卷积神经网络人脸检测方法

针对由于光照、分辨率、姿态和表情等因素变化引起的人脸检测准确性不高的问题和大多人脸检测算法使用单一的卷积神经网络去提取特征引起的算法的泛化能力变弱的问题,提出了三层由浅及深的级联的卷积神经网络结构。通过全卷积神经网络快速定位人脸候选区域,采用深度神经网络提取人脸鲁棒性特征,对候选区域进一步分类验证,并用联合回归的方法确定最终人脸位置,提高检测精度。同时通过加权降低得分改进常用的非极大值抑制的方法,解决了由于相邻人脸高度重叠引起的漏检问题。实验结果表明,该模型对上述引起人脸检测准确率不高的因素具有较好的鲁棒性,并且在FDDB数据集上有着较高的准确率和运行速度。改进后的非极大值抑制算法对在FDDB的测试准确率也有一定的提升。     

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。     

基于双层注意力的Deepfake换脸检测

针对现有Deepfake检测算法中普遍存在的准确率低、可解释性差等问题，提出融合双层注意力的神经网络模型，该模型利用通道注意力捕获假脸的异常特征，并结合空间注意力聚焦异常特征的位置，充分学习假脸异常部分的上下文语义信息，从而提升换脸检测的有效性和准确性。并以热力图的形式有效地展示了真假脸的决策区域，使换脸检测模型具备一定程度的解释性。在 FaceForensics++开源数据集上的实验表明，所提方法的检测精度优于MesoInception、Capsule-Forensics和XceptionNet检测方法。     

两层级联卷积神经网络的人脸检测

目的 传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络（TC_CNN）人脸检测方法。方法 首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果 实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96.39%,误检率低至3.78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论 两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。     

光流估计下的移动端实时人脸检测

为了提高移动设备人脸检测准确率,提出一种应用于移动设备的实时人脸检测算法。通过改进Viola-Jones方法进行人脸区域快速分割,在不损失速度的情况下提高分割精度;同时应用了光流估计方法将卷积神经网络子网络在离散关键帧上的特征提取结果传播至非关键帧,提高神经网络实际检测运行效率。实验使用YouTube视频人脸数据库、自建20人各1 min正位人脸视频数据库和实际检测项目在不同分辨率下进行,实验结果表明运行速度在2.35帧/秒~22.25帧/秒,达到了一般人脸检测水平;人脸检测在10%误检率下召回率由Viola-Jones的65.93%提高到82.5%~90.8%,接近卷积神经网络检测精度,满足了移动设备实时人脸检测的速度和精度要求。     

一种多尺度卷积神经网络的人脸检测模型

卷积神经网络在检测不同尺度的人脸时所需要的计算量很大,检测过程由多个分离的步骤组成,过于复杂。针对这两方面的不足,提出一种多尺度卷积神经网络模型。根据卷积神经网络各个层具有大小不同的感受野,从不同层提取多个尺度的特征向量分别进行人脸分类与回归,并将网络的全连接层改成卷积层,以适应不同大小的图片输入。该方法将人脸检测的多个步骤集成到一个卷积神经网络中,降低了模型复杂度。实验结果表明,相同测试条件下,所提方法相比其他人脸检测模型在准确率和检测速度上均有显著提升。     

基于肤色和模板的人脸检测

针对彩色图像提出了一种基于肤色和模板的人脸检测方法,由肤色分割、模板匹配和人工神经网验证3部分组成.首先使用HSI空间的肤色统计模型分割出可能包含人脸的区域,然后使用平均脸模板匹配和人工神经网验证的方法在这些区域中搜索人脸.该方法将彩色图像的肤色信息和灰度图像的模板匹配及人工神经网分类模型综合起来,既极大地提高了速度,又具有较强的鲁棒性.实验结果表明,该算法是快速而有效的.     

基于多特征融合的轻量化无锚人脸检测方法

针对大多数基于深度卷积网络的人脸检测方法存在因模型参数和计算量大造成的检测速度慢,以及复杂场景下人脸检测准确率低的问题,提出一种基于多特征融合的轻量化无锚人脸检测方法。构造轻量化卷积神经网络作为特征提取的骨干网络,以加速网络计算过程;引入三种模块处理并融合特征层,包括：感受野增强模块强化图片信息提取、权重特征融合模块提升检测准确性以及通道混洗融合模块简化计算过程;使用中心点定位的无锚检测方法对融合后的特征进行预测。实验结果显示,该方法模型参数量仅为5.1?MB,对比该基准方法,在WIDERFACE验证集中的简单、中等和困难难度的检测准确率分别提升1.4、2.2和4.8个百分点,表明该方法在保证模型轻量化的同时对复杂场景人脸有着较高的检测精度,验证了所提方法的有效性。