基于灰度投影及区域特征的人眼定位算法

人眼定位在机器视觉中有广泛的应用,该文针对目前流行的基于灰度特征与几何学的算法提出了一种算法改进,采用灰度投影与区域特征相结合的算法实现了自动化人眼定位。利用水平积分灰度投影计算眼睛纵坐标,进一步利用区域特征确定眼睛横坐标．从而准确快速定位到人眼。     

基于灰度投影及区域特征的人眼定位算法

人眼定位在机器视觉中有广泛的应用,该文针对目前流行的基于灰度特征与几何学的算法提出了一种算法改进,采用灰度投影与区域特征相结合的算法实现了自动化人眼定位。利用水平积分灰度投影计算眼睛纵坐标,进一步利用区域特征确定眼睛横坐标,从而准确快速定位到人眼。     

基于积分投影与灰度复杂度的人脸特征定位算法

针对当前人脸特征定位的研究现状与难题,采用YCbCr椭圆聚类方法进行肤色区域提取,然后根据人脸的几何特征,通过比例、大小结构特性来判断二值化图中的目标区域是否为人脸,从而可以排除非人脸区域,再结合人脸面部器官分布特点,利用积分投影方法,对人脸区域垂直和水平两个方向分别进行灰度值累加统计,经过分析可以定位眼嘴的区域边界和中心点。同时针对积分投影的缺点,即如果头部发生倾斜会导致投影位置不准确,提出了基于灰度复杂度的眼睛定位方法,利用该方法首先定位人眼位置,然后根据人眼对人脸区域旋转校正,最后再利用积分投影定位嘴巴。     

人眼定位的边缘强度信息积分投影方法

为了提高积分投影方法对人眼定位的准确性和适用范围,提出了一种在极坐标系下对边缘强度信息进行积分投影的改进方法。基于肤色特征确定出人脸区域,采用Kirsch算子建立边缘强度信息图像,对不同极角方向进行积分投影,确定出人眼角度方向,对人眼所在角度方向的边缘强度进行微分累加运算确定出人眼的极径,从而实现人眼的极坐标定位。实验结果表明,该方法能够有效地提高各种姿态人脸图像中人眼定位的准确性,尤其对于旋转人脸图像的人眼定位,该算法具有良好的鲁棒性。     

一种在红外图像中定位人眼的方法

提出了一种新型快速的在红外图像中进行眼睛定位的方法.该方法由两部分组成:首先,通过同态滤波增强图像的对比度,使用改进的迭代阈值算法和积分投影函数获取人脸,根据人眼和人脸的几何特征,获取大致的人眼区域;其次,通过自适应中值滤波算法和迭代阈值法获取最小人眼块,利用最小人眼块的质心和积分投影最终准确定位眼睛.实验表明:所提出的算法是快速和可靠的.     

基于积分投影和差分投影的人眼定位

人脸识别是生物特征识别的重要组成部分,而人眼是人脸最突出的特征之一,眼睛定位成为人脸识别的关键环节。积分投影法是一种常用的人眼定位方法,但直接采用此方法进行人眼定位时,由于眉毛与眼睛距离较近,容易将眉毛的水平位置错误地判定为眼睛的水平位置,降低眼睛定位的准确率。所以,在人脸区域粗定位后,计算眼睛区域的水平积分投影时,增加了其在水平方向灰度变化频繁的特征,即差分投影法,最后将积分投影法与差分投影法相结合来实现人眼定位。该方法在ORL人脸库上经过测试,取得了约90.5%的定位准确率。实验结果表明,该方法可以更准确地定位人眼。     

基于多尺度自商图和改进积分投影法的人眼定位

针对传统的投影方法在人眼定位时易受光照干扰以及难以获得精准的人眼中心点的问题,提出一种基于多尺度自商图和改进的积分投影法的人眼定位算法.首先利用多尺度自商图消除人脸图像的光照影响;然后分析眼睛在水平方向上灰度分布的特点,采用两个行梯度算子对积分投影法进行了改进,以提升眼睛区域特征并初步定位人眼区域;接着采用Sobel算子对人眼区域进行滤波得到人眼滤波图,并对人眼滤波图的垂直积分投影曲线进行高斯函数拟合,根据拟合结果分割出左眼窗口和右眼窗口;最后,计算左眼窗口和右眼窗口的尺寸,获取左眼窗口和右眼窗口的中心点,即为人眼中心点.在YaleB人脸数据库和JAFFE人脸数据库上测试表明,本文方法对复杂光照、人脸边缘以及人脸表情适应性强,可以获得较为精准的人眼中心点.     

基于极坐标的改进灰度积分投影法的人眼检测

为了克服传统灰度积分投影方法无法有效定位旋转人脸图像中人眼的缺点,提出了一种基于极坐标系的灰度积分投影方法。利用肤色特征对给定图像进行人脸区域的确定,在人脸区域内按极角方向进行灰度积分投影,确定出人眼所在角度,将人眼角度方向的像素灰度值做水平方向积分投影,从而确定出人眼的位置。该方法能够实现同一幅图像中多个不同姿态人脸的人眼定位。大量的仿真实验表明,该方法的识别性能对人脸的旋转变化具有良好的鲁棒性,能够提高灰度积分投影方法对人眼定位的适用范围。     

一种用于驾驶员疲劳检测的人眼状态判别方法

在车辆行驶过程中,可以通过对驾驶员眼睛状态的判断进行疲劳检测。本文针对人眼疲劳检测问题提出了一种新方法,首先用模板匹配法定位出人眼区域,然后对获得的人眼区域进行预处理和积分投影,通过对积分投影图像的分析来对眼睛进行状态判别。实验证明该方法可以有效检测出人眼的状态。     

基于眨眼修正卡尔曼滤波的人眼跟踪研究

眼睛运动容易受到头部姿势变化、外界仿真干扰、实际光照条件等影响,已有眼部跟踪算法的准确率、鲁棒性较低。为此,提出一种基于眨眼修正卡尔曼滤波的人眼跟踪算法。采用垂直积分投影函数和水平积分投影函数得到人脸图像的眼睛区域,运用眼睛区域的颜色熵消除不相关因素,定位出瞳孔的位置,用卡尔曼滤波进行实时眼部跟踪,结合眨眼检测实时修正跟踪结果。实验结果表明,该算法准确率较高,实时性较好。     

Automatic extraction of eye and mouth fields from a face image using eigenfeatures and multilayer perceptrons

This paper presents a novel algorithm for the extraction of the eye and mouth (facial features) fields from 2-D gray-level face images. The fundamental philosophy is that eigenfeatures, derived from the eigenvalues and eigenvectors of the binary edge data set constructed from the eye and mouth fields, are very good features to locate these fields efficiently. The eigenfeatures extracted from the positive and negative training samples of the facial features are used to train a multilayer perceptron whose output indicates the degree to which a particular image window contains an eye or a mouth. It turns out that only a small number of frontal faces are sufficient to train the networks. Furthermore, they lend themselves to good generalization to non-frontal pose and even other people's faces. It has been experimentally verified that the proposed algorithm is robust against facial size and slight variations of pose.     

Automatic Extraction of Eye and Mouth Fields from a Face Image Using Eigenfeatures and Ensemble Networks

This paper presents a novel algorithm for the extraction of the eye and mouth (facial features) fields from 2D gray level images. Eigenfeatures are derived from the eigenvalues and eigenvectors of the binary edge data set constructed from eye and mouth fields. Such eigenfeatures are ideal features for finely locating fields efficiently. The eigenfeatures are extracted from a set of the positive and negative training samples for facial features and are used to train a multilayer perceptron (MLP) whose output indicates the degree to which a particular image window contains the eyes or the mouth within itself. An ensemble network consisting of a multitude of independent MLPs was used to enhance the generalization performance of a single MLP. It was experimentally verified that the proposed algorithm is robust against facial size and even slight variations of the pose.     

基于多尺度池化卷积神经网络的疲劳检测方法研究

针对视觉特征分析疲劳检测问题,设计了一种级联深度学习的检测系统结构,并提出基于多尺度池化的卷积神经网络疲劳状态检测模型。首先通过深度学习模型MTCNN进行人脸检测,提取出眼睛和嘴巴区域;针对眼睛和嘴巴的状态表征和识别问题,提出一种基于ResNet的多尺度池化模型（MSP）对眼睛和嘴巴状态进行训练;实时检测时,将眼睛嘴巴区域通过训练好的卷积神经网络模型进行状态识别,最后基于PERCLOS和提出的嘴巴张合频率（FOM）对驾驶员进行疲劳判定。实验结果表明,该算法具有较高的检测准确率,同时满足实时性要求,且对复杂环境具有较高的鲁棒性。     

一种基于Haar小波变换的彩色图像人脸检测方法

本文提出了一种基于Haar小波变换的彩色图像人脸检测方法。首先进行彩色空间的变换,检测出图像中的肤色区域;利用Adaboost算法训练出的基于Haar小波变换的检测器对该区域进行人脸检测;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,将它们从人脸区域中提取出来;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眼睛和嘴的确定。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。     

基于多面部特征融合的驾驶员疲劳检测算法

本文将卷积神经网络（Convolutional Neural Network,CNN）应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络（Multi-Task Cascaded Convolutional Networks,MTCNN）定位驾驶员的嘴部、左眼,使用CNN从驾驶员嘴部、左眼图像中提取静态特征,结合CNN从嘴部、左眼光流图中提取动态特征进行训练分类.实验结果表明,该算法比只使用静态图像进行驾驶员疲劳检测效果更好,准确率达到87.4%,而且可以很好地区别在静态图像中很相似的打哈欠和讲话动作.     

基于特征点加细的多分辨率人脸形变模型及人脸建模

提出基于特征点加细的原型三维人脸对应方法建立多分辨人脸形变模型,并根据该形变模型的特点使用多分辨模型匹配方法由单张正面人脸图像进行三维人脸建模。该方法以人脸模型上的眼、眉、口、鼻等主要几何特征为基准点标注基础网格,然后通过加细特征点网格完成原型人脸之间的对应,进而建立多分辨率的形变模型;根据形变模型的构造特点,把待匹配图像按照与模型相同方式进行加细,然后进行多分辨的人脸模型匹配。实验结果表明,新的对应算法可以有效地实现原型三维人脸之间的对应,能够克服传统的光流对应算法对应效果差,算法精度低的缺陷,提高形变模型的精度。新的匹配算法不仅能够加速模型的匹配速度,而且可提高模型匹配的效率和精度,缩短模型匹配的时间。     

基于DCNN的人脸特征点检测及面部朝向计算

在介绍人脸特征点检测的理论知识的基础上,提出了一种基于深层卷积神经网络（Deep Convolutional Neural Network,DCNN）解决人脸5点特征点（眼角、鼻子、嘴角）预测问题的方法。通过添加更多的卷积层稳定地增加网络的深度,并且在所有层中使用3×3的卷积滤波器,有效减小参数,更好地解决了人脸特征点检测问题。然后计算双眼角与嘴角所成平面与正视时此平面的单应性矩阵,最后利用等效算法求解驾驶员面部转角。实验结果表明,面部特征点检测准确率达到97.96%,算法在角度判断上的误差是1°~5°,这证明了该算法对注意力分散监测的有效性。     

一种基于卷积神经网络的疲劳驾驶检测方法

疲劳驾驶检测具有重要的警示作用,对检测方法的准确性和实时性均有较高要求。为此,提出了一种基于卷积神经网络的疲劳驾驶检测方法。首先,针对车内特定使用环境,对MTCNN算法进行了加速优化,在保证高准确率的同时检测速度提升高达27倍。其次,在实现人脸特征点精确定位基础上,提出了一种基于稀少特征点快速准确提取目标区域图像的ERFP（extracting images based on rare feature points）方法。再次,利用构建的眼、嘴数据集EMSD（eye and mouth state date sets）完成了眼、嘴部状态分类模型的训练。最终,利用训练得到的模型,结合相应的判定算法,实现了疲劳驾驶的检测判定。实验结果表明,该方法在实车环境下对瞌睡和哈欠行为的判定准确率均达到了96%以上,且每秒可完成约50帧图像的检测,具备良好的实时性。     

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。     

融合全局和局部特征并基于神经网络的表情识别

在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这三个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar 和 adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量。样本由表情数据库产生,经过神经网络样本训练后,进行表情识别。结果表明,该系统对人脸表情识别速度明显快于Gabor 小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor 小波算法少,运行较流畅。得出结论：因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能地多保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。