基于肤色分割的人脸检测算法研究

提出一种自适应光照补偿算法对图像进行补偿,根据肤色点在YCbCr色彩空间中的聚类性分别建立了肤色的区域模型和简单高斯模型,利用区域模型分割结果消除高斯似然图中类人脸的影响,采用自适应阈值对图像进行肤色分割,得到肤色候选区域.对分割出来的二值图像进行形态学处理后用基于先验知识的检测算法对肤色候选区域进行筛选,确定出人脸的位置.实验结果表明,提出的方法综合检测效果好.     

一种双聚类模型自适应肤色检测算法

当处于照明变化较大的条件下时,即使采用动态阈值技术,也不会使肤色检测结果有较大的改善.为此提出了一种双聚类肤色检测模型及基于该模型的自适应肤色检测算法,在保证肤色聚类效果的前提下,使用双聚类模型及其分布特征,对动态阈值高斯模型的检测结果自动评估,并根据评估结果,在必要时动态地调整肤色区域,以自适应地提高肤色检测性能.实验表明,在图象肤色区域中存在高光或阴影效应、皮肤处于强或弱照明、以及发生轻微色偏等情况下,该算法对肤色检测和分割的结果依然很好,显著地优于动态阈值高斯模型算法的性能.     

一种改进的人脸检测算法

在Hsu, Abdel Mottaleb and Jain提出的检测算法（简记为Hsu法）的基础上,提出一种改进的适用于彩色图像的人脸检测算法。使用相关技术对原图像进行预处理,采用高斯分布模型代替椭圆参数模型得到原始图像的肤色概率图,在不影响准确度的前提下提高了检测速度;采用自适应阈值和直方图法相结合选取肤色分割阈值更准确;根据人眼信息在子图像上进行人眼检测。经实验验证,该算法能较好地检测出复杂条件下的人脸,与Hsu法相比速度有较大的提高。     

人体肤色区域的自适应模型分割方法

针对现有人体肤色区域分割方法在光照等环境因素变化情况下鲁棒性差、精确度不高的问题,提出一种自适应模型的人体肤色分割方法.首先通过AdaBoost实现自动人脸检测,得到包含光照等信息的脸部皮肤区域样本;然后将所取得的肤色样本在YCbCr颜色空间的y分量和CbCr分量上分别建立高斯混合模型;最后利用改进的Mahalanobis距离度量其他像素与肤色模型间的相似度,并确定阈值来对整幅图像进行肤色分割.实验结果表明,与同类融合算法、CbCr固定阈值等肤色分割方法相比,该方法实现了自动化的肤色建模,在降低误检率的同时平均可以提高10％左右的正检率,具有更好的鲁棒性.     

基于分类特征提取的手部动作识别方法的研究及应用

提出一种基于分类特征提取的手部动作识别方法,该方法通过自适应的混合高斯模型构建背景模型,使用背景减除法并充分利用人体手部肤色信息分割出人体手部区域,结合手部关节、骨骼特征及肤色信息估算手部关节点位置,构建三维手部骨架模型,然后提取手部各关节角度、位置信息并利用隐马尔柯夫(HMM)模型对其所表示的动作进行训练识别。     

自适应模型和固定模型结合的肤色分割算法

由于受环境、光照、人种等因素影响,不同图像中的肤色分布并不一样。在复杂背景情况下,采用固定的阈值边界模型进行肤色分割将导致较大的漏检或误检。基于YCbCr颜色空间,在固定阈值边界模型分割的基础上,运用简化的期望最大化(EM)算法计算出针对特定图像的自适应肤色高斯模型;然后综合考虑固定阈值边界模型以及自适应肤色高斯模型在不同颜色区域上划分的准确性,给出最终的肤色分割结果。实验结果表明,该方法相比固定阈值边界模型的分割方法,能同时降低误检率和漏检率,从而提高肤色识别的准确率。     

利用无监督自适应的兴奋解说检测和体育比赛精彩片断提取

提出一种通过兴奋解说检测进行体育比赛精彩片断提取的方法.该方法包括训练和检测两个阶段:在训练中,基于训练数据对兴奋语音和普通语音分别建立高斯混合模型GMM(Gaussian Mixture Model),构成初始的分类器;在集外检测中,首先使用最大后验方法MAP(Maximum A Posteriori),基于测试数据对初始模型进行无监督自适应,进而利用更新后模型构成分类器识别体育解说的兴奋部分,经进一步处理得到精彩片断.将该方法用于足球比赛视频,实验表明,该方法能够召回87%的进球.引入无监督自适应有效地减少了由于训练数据与测试数据失配造成的性能下降,提高了兴奋解说检测和精彩片段提取的性能.     

融合双肤色模型及AdaBoost算法的人脸检测

为提高人脸检测的精度,提出一种融合双肤色模型与Adaboost算法的人脸检测方法。首先采用YCbCr颜色空间的固定阈值模型初次分割图像,利用分割结果修正高斯肤色模型的参数并对图像进行肤色二次分割,对两次分割的结果进行逻辑运算,粗定位人脸区域。结合Adaboost算法,实现对候选人脸区域的精确定位。实验结果表明,该方法提高了人脸检测率,降低了误检率,具有较好的鲁棒性。     

基于混合肤色模型的快速人脸检测算法

提出了一种基于混合肤色模型的复杂背景彩色图像的快速人脸检测算法.为了克服环境光照变化及光照不均的影响,引入了自适应光线补偿算法;在RGB颜色空间中运用多项式模型对光线补偿后的彩色图像进行肤色区域粗检测;采用RGB颜色空间中的多项式模型和颜色空间中的高斯模型相结合,对先前所提取的肤色区域做进一步精确的肤色区域提取;最后,对二值图像的连通区域进行预处理,输出人脸区域.实验结果表明,该算法能快速有效地从复杂背景的彩色图像中检测出人脸,对光照变化具有较好的鲁棒性.     

基于半监督聚类的人脸检测方法

将肤色与连续AdaBoost算法相结合进行人脸检测,并引入半监督策略指导肤色聚类从而建立肤色模型。在肤色聚类过程中,提出一种基于半监督的SKDK算法引导肤色聚类,依据各个像素簇的概率统计分布特性得到肤色模型。在此基础上利用数学形态学等知识对图像进行处理,得到人脸候选区域,将其作为连续AdaBoost分类器的输入进行人脸检测。实验结果表明,在多人脸的场景下,该方法的检测效果优于直接使用连续AdaBoost方法进行人脸检测的检测效果。     

Do mixture models in chromaticity space improve skin detection?

This note reports an experiment where a single Gaussian model and several Gaussian mixture models were used to model skin color in the rg chromaticity space. By using training and test databases containing millions of skin pixels, we show that mixture models can improve skin detection, but not always. There is a relevant operating region where no performance gain is observed.     

自适应肤色检测算法的研究

针对Hsu提出的椭圆肤色检测模型的局限性,提出了一种自适应肤色检测模型。在Hsu的统计模型基础上,根据光照条件自适应改变其椭圆模型的长短轴,以取得最好的肤色检测效果。实验结果表明,本文算法有较强的光照适应性,所提出的自适应肤色检测模型效果优于Hsu的椭圆模型。     

Skin detection for single images using dynamic skin color modeling

Up-to-date skin detection techniques use adaptive skin color modeling to overcome the varying skin color problem. Most methods for tracking skin regions in videos utilize the correlation between contiguous frames. This paper proposes a new approach for detecting skin in a single image. This approach uses a local skin model to shift a globally trained skin model to adapt the final skin model to the current image. Experimental results show that the proposed method can achieve better accuracy. Two improvements for speeding up the processing are also discussed.     

基于肤色和Haar方差特征的人脸检测

为了在提高复杂背景下的人脸检测率的同时减少检测时间,将肤色分割和Haar方差特征相结合,在YCbCr颜色空间通过椭圆肤色模型和logistic回归分析确定每一点的肤色概率,生成肤色概率图,从而将每一点的像素值映射到[0,1],在Ostu方法的基础上采用并行的遗传算法确定肤色分割的阈值,快速分割出人脸区域;最后用少量的Haar方差特征取代原来的Haar特征,并采用SVM训练分类方法对分割出的人脸区域进行验证。实验表明,该方法不仅提高了人脸检测的正确率,而且具有较快的人脸检测速度。     

基于高斯模型的手部肤色建模与区域检测

目的 随着市场需求的多样化和多变性的加剧,对于生产装配的柔性和适应性提出了更高要求,人机合作装配为应对当前需求提供了有效方法。在人机交互协调的机械装配系统中,为有效实现机器人对操作人员手部装配动作的识别和理解,需对手部装配图像进行生物结构的特征检测。针对人机交互协调装配中的手部肤色图像识别问题,提出一种基于多色彩空间信息的识别算法。方法 基于聚类思想,通过离线学习与期望最大化算法,在RGB色彩空间上对肤色信息建立多混合高斯模型,以此获得肤色信息的多混合聚类表示。再利用YCrCb色彩空间上的稀疏化高斯模型在线快速学习肤色分布,设计了基于多色彩空间信息的肤色识别器。结果 图像照度对肤色区域的模型似然值有较大影响。在线稀疏化学习肤色识别实验结果显示,YCrCb 3通道上学习获得的似然值不存在严重冗余,所建模型与对应的学习框架有效,结合多色彩空间的识别信息确认了肤色区域。肤色区域初始化识别的完整性与在线学习算法的时间复杂度有关,识别过程中模型参数的更新量与场景光照均衡度有关,进而影响算法的空间复杂度。本文基于高斯模型的手部肤色建模与区域检测方法对于机械装配环境的手部肤色检测适应性良好,经与改进的YCrCb椭圆聚类模型对比,该方法具有更好的识别完整性。结论 本文算法提高了模型对固定场景下光照畸变的适应度,从而改善了识别效果,但识别算法的收敛时间较长,实时性尚需进一步提高,可在进一步的研究中进行优化。     

复杂光照下的人脸肤色检测方法

复杂光照对人脸肤色检测具有重要影响。在YCbCr颜色空间建立复杂光照条件下的人脸肤色模型,然后利用该模型检测人脸图像的肤色区域,并对检测结果利用4-连通区域的几何特征消除非人脸区域,最后利用连通元复原误检的人脸肤色区域。实验结果表明,该方法可以实现复杂光照下人脸肤色区域的准确检测。     

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。     

基于灰度积分投影与霍夫圆变换算法的人眼瞳距自动检测

人眼瞳距在视光学研究中和配置眼镜时都是需要精确测量的基础性参数, 实现瞳距自动检测具有重要的应用价值, 结合高斯肤色模型, 提出一种基于灰度积分投影与霍夫圆变换算法的人眼瞳孔定位和瞳距计算方法. 首先, 通过二维伽马函数的自适应亮度校正方法对图像进行光照补偿预处理, 在此基础上, 利用肤色概率模型检测人脸并提取出面部区域. 再运用灰度积分投影法, 选取合适的阈值对眼部区域进行提取, 经过一系列形态学图像处理, 采用Canny边缘检测算子实现瞳孔边缘检测, 最后通过Hough圆变换算法进行瞳孔定位, 并对其中心距离进行计算. 研究结果表明, 该算法具有较快的瞳孔定位速度, 能够较精确地实现瞳距自动测量, 为瞳孔测距的智能化技术研究奠定了基础.