基于肤色分割及特征定位的人脸检测算法研究

针对复杂彩色图像提出一种快速有效的人脸检测算法。首先通过一种新的色彩均衡技术消除由光照引起的色彩偏移,然后采用HSI空间与归一化RGB空间相结合的混合肤色模型,提取出原图像中的类肤色区域,最后根据人脸的几何特征定位眼睛、嘴巴和人脸区域。实验结果表明,该算法能较为准确地定位彩色图像中的正面或小角度偏转的人脸,具有较快的检测速度。     

基于肤色模型的人脸检测算法研究

利用一种基于肤色的2D Gaussian模型和一定的先验知识实现了人脸快速检测。首先对一幅图像进行去噪、光线补偿等预处理,然后根据颜色空间特性建立适宜的肤色模型,检测出大致的肤色轮廓,对面部特征根据先验知识实现定位,从而剔除非脸部区域,最后对该算法进行实验验证。实验表明,该算法可以实现人脸的快速检测,降低了误报率,具有一定的优越性。     

基于肤色分割与几何特征的人脸检测

针对传统的人脸检测方法存在算法复杂、鲁棒性差以及精确度低等不足,提出一种基于肤色分割与几何特征的人脸检测算法。首先,将人脸彩色图像进行光照补偿预处理与非线性转换,建立YCb Cr颜色空间肤色模型同时融合人脸几何特征进行粗定位;然后,在人脸区域内,依据眼睛与嘴巴的色度特性分割出眼睛与嘴巴的特征区域并确定各自特征点的中心位置;最后利用眼睛,嘴巴的几何关系构建三角形精确定位人脸。实验结果表明,该算法简单,在速度与准确性方面具有良好的性能。     

基于模糊聚类的肤色分割

肤色是彩色图像人脸检测中一个非常重要的特征。通常采用一个统计模型分割出可能的肤色区域,但往往会有很多误判。此外,CbCr等简单的二维空间,不能表示真正的肤色分布。该文提出采用三维的CrCbCg模型来更精确地描述肤色分布,同时考虑到一幅图像中肤色区域内颜色点的分布具有相对稳定的特点,利用一种模糊聚类的方法对CrCbCg模型的输出结果进行二次分割,进一步去除非肤色点。由于结合了每幅图像自身的特点,该算法能大大提高肤色分割结果的准确性。大量实验结果表明,该算法能有效处理95%以上的彩色图像,对于70%以上的图像可得到很好的分割结果。     

基于肤色和Adaboost算法的人脸检测

人脸检测是人脸识别的第一环节,也是非常关键的环节。试验中主要针对静态彩色图像进行人脸检测,研究肤色在人脸检测中的应用。不同图像背景、人脸的可变性和光照条件变化都增加了人脸检测的难度。因此,从一幅图像中检测人脸是一项具有挑战性的任务。采用Adaboost的人脸检测,并提出肤色与Adaboost算法相结合的人脸检测方法。对输入的彩色图像进行从RGB空间到YCbCr空间的转换,然后进行肤色分割,排除背景干扰,最后用Adaboost算法对可能区域进行检测,得到人脸位置。实验表明,该方法误检率低,鲁棒性好,对人脸检测有较强的实用性。     

融合肤色分割与人工免疫的人脸检测方法研究

文章采用YCb Cr肤色模型对肤色区域进行判断提取得到肤色候选区域,并对候选区域采用区域填充率方法对明显的非人脸区域进行判断并删除,之后对分割肤色进行二值化处理并采用空间聚类的方法进一步对判断的噪声即非人脸区域进行消除,之后融合人工免疫算法优化肤色区域的聚类算法,提高人脸区域辨识度。     

基于HS-CbCrCg肤色模型的人脸检测算法

传统的人脸检测方法对于复杂背景彩色图像中人脸区域检测效果不理想。本文首先对不同光照条件下的输入图像进行光补偿和图像增强的预处理,然后利用HS-CbCrCg颜色空间建立肤色模型对图像进行肤色判别,之后用改进的Adaboost算法检测肤色区域的人脸信息,最后对重点区域重检测判别出确信人脸。实验数据表明,此方法对比传统的人脸检测方法,处理速度更快同时能够降低人脸漏检率和误检率。     

基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.     

一种基于肤色和脸部特征的人脸检测方法

针对人脸检测问题中快速性与准确性难以同时满足的情况,提出了一种将肤色和脸部特征相结合的方法来检测人脸.由于通过基于肤色的算法能快速定位出人脸大致位置,因而检测速度能达到实时的要求;同时利用脸部特征进一步细检,可保证检测的精确性.     

基于肤色检测的快速五官定位算法

根据视频应用的特点，结合人脸的肤色和特征部位几何分布特征，提出了一种应用于视频序列人脸部位的五官定位算法。实验表明，该算法定位速度快，误检率低。     

基于改进的ASM和AAM的面部特征定位算法

针对传统的ASM（主动形状模型）与AAM（主动外观模型）方法的缺陷与不足,提出了一种改进的方法。在改进算法中,将局部特征模型和全局纹理模型有机结合,使其融合传统的主动形状局部模型、全局纹理形状约束和参数优化过程。实验结果表明,改进算法的定位能力更加健壮,并具有更高的准确性。     

Active Shape Model of Combining Pca and Ica： Application to Facial Feature Extraction

Active Shape Model （ASM） is a powerful statistical tool to extract the facial features of a face image under frontal view. It mainly relies on Principle Component Analysis （PCA） to statistically model the variability in the training set of example shapes. Independent Component Analysis （ICA） has been proven to be more efficient to extract face features than PCA. In this paper, we combine the PCA and ICA by the consecutive strategy to form a novel ASM. Firstly, an initial model, which shows the global shape variability in the training set, is generated by the PCA-based ASM. And then, the final shape model, which contains more local characters, is established by the ICA-based ASM. Experimental results verify that the accuracy of facial feature extraction is statistically significantly improved by applying the ICA modes after the PCA modes.     

基于Adboost与空间支持向量域分类的人脸检测

为了在AdaBoost算法基础上进一步提高人脸检测率,提出首先运用AdaBoost算法对样本进行训练得到T个分类器,然后通过空间支持向量域分类(SSVDC)方法找到T个分类器的超球半径以及球心。同时,为了提高检测速度,首先对彩色图像进行肤色分割,去掉背景以及非肤色区域,然后计算所测样本的对应T个分类器的特征值,并计算其到各个超球球心的距离,并根据其与超球半径的关系来判断是否为人脸。在ORL人脸库、YALE人脸库以及CMU+MIT人脸库中进行实验。实验结果表明:本文算法比AdaBoost算法具有更高的检测速度与检测率,检测率可达到94.4%。     

融合多特征的人脸检测方法

针对复杂环境下基于肤色模型的人脸检测误检率较高以及Adaboost算法对高分辨率图像时间效率低,提出了一种新的结合肤色模型和皮肤纹理特征以及Adaboost级联分类器的人脸检测方法,并改进了基于纹理刷色阶偏差法的皮肤纹理特征提取方法。该算法充分融合了肤色模型简单快捷、皮肤纹理突出的特性以及Adaboost级联分类器检测率高等优点。实验表明,该方法检测率高且有较好的鲁棒性。     

一种新的基于直接最小二乘椭圆拟合的肤色检测方法

肤色检测是计算机视觉中的一个重要问题,本文提出了一种新的基于直接最小二乘椭圆拟合的肤色检测方法,其基本思想是根据肤色样本分布区域的边界数据点采用曲线拟合的方法得到肤色分布区域的边界方程。在实现时,为了解决直接在笛卡儿坐标系中提取肤色样本分布区域边界数据的困难,算法采用了一种新的解决思路,即首先把训练肤色样本在色度空间的统计分布转化为图像的形式,然后再利用边缘检测方法得到肤色分布区域的边界数据。根据所得的边界数据点用直接最小二乘椭圆拟合方法便可得到肤色分布区域的椭圆边界,方法简单直观。实践表明,该算法能完成对各种不同环境条件下所拍摄图像的肤色分割,效果理想,其性能明显优于常用的域值界定法和单高斯模型法。