融合肤色信息和椭圆环模板的人脸检测

融合肤色信息和人脸轮廓信息,提出了一种新颖的基于肤色信息和人脸轮廓的人脸检测算法.首先利用改进的肤色提取算法对肤色进行分割,分析肤色区域,找出备选人脸;然后对备选人脸区域进行边缘检测,根据边缘检测点进行人脸轮廓特征的匹配,找出入脸的准确位置,并利用马赛克模板排除虚假人脸.实验结果表明,该算法具有较高的准确率,检测速度快...     

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.     

基于肤色的人脸检测研究

对于有背景的彩色图像,肤色是人体表面最显著的特征之一,所以肤色特征是人脸检测中一个重要的特征[1～2]。肤色特征主要由肤色模型描述,检测方法可以分为颜色选择,肤色区域分割和人脸检测三个步骤。文章提出的肤色模型可以较好的适应光照变化,采用肤色分割的方法,可以快速检测不同大小,不同平面以及一定侧面旋转角度的人脸。对简单背景下的人脸检测的检测率达到95.65%,复杂背景下的人脸检测的检测率达到85.22%。     

一种基于肤色和主元分析的人脸检测方法

提出一种基于人脸肤色统计模型和主元分析(PCA)的人脸检测和定位方法。对现有的高斯肤色模型进行改进，并提出一种新的简便有效的候选人脸区域定位方法，最后采用基于主元分析的人眼检测算法完成对候选区域的检验。实验证明该方法可以有效地运用于多人脸，不同尺寸和复杂背景的情况，具有良好的检测效果。     

基于肤色和独立成分的人脸检测

人脸检测是计算机视觉中非常活跃的研究课题,目前大多数人脸检测算法都是依靠灰度信息,而忽略了彩色信息。研究表明,肤色检测在诸多计算机视觉算法中,是一个重要的处理步骤。为了提高检测速度和性能,通过对肤色在H,S空间分布的分析,建立了新的肤色分割公式,并且在Aapo Hyvrinen和Erkki Oja［1］所提算法的基础上,提出了一种新的结合肤色和独立成分分析的人脸检测算法。实验结果表明了该算法的有效性。     

基于肤色和可调式搜索窗口的人脸检测技术

提出了一种基于肤色和可调式搜索窗口的人脸检测方法.首先用YCbCr空间的肤色统计模型分割出可能包含人脸的区域.然后用特征提取法,结合几何关系的约束加以过滤.同时用仅在固定分辨率的图像上搜寻的可调式搜索窗口框出可能的人脸候选区域,它可自动判断移动方式和调整窗口大小.最后,采用主分量分析来验证这两种方法所检测出的人脸区域是否为真正人脸.实验证明该方法在少量条件约束下,对光线、不同尺寸、表情姿态、部分遮挡、复杂背景及多个互相重叠人脸等情况有较好的检测效果.     

基于肤色模型和贝叶斯判别的人脸检测

构造了一个彩色图片的正面人脸检测系统。首先利用肤色在YCbCr空间中沿Y方向的集中分布特性构建肤色信息库,根据该信息库在图像中检测出肤色区域;然后在肤色区域利用贝叶斯特征判别方法进行正面多尺度人脸检测。另外,定义了一些启发式搜索规则,有效地加快了人脸目标的搜索速度。实验证明, 用较少的样本进行训练的人脸检测系统,对有复杂背景、多样化的测试集具有较好的测试效果。     

基于肤色分割、区域分析和模板分布的人脸检测研究

提出了一种基于肤色分割、区域分析和模板分布的彩色图像人脸检测算法。首先对输入的彩色图像利用混合高斯模型和亮度模型进行分割,然后根据人脸五官的结构特征对得到的区域进一步分析处理,获得所有可能的候选人脸。接着构造了一种基于双眼和人脸模板的概率模型并利用其对候选人脸进行最终检测。实验结果表明,文章提出的算法具有较高的检测正确率和自适应能力;同时具有快速的检测速度。     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间,然后利用肤色在CbCr上的聚类性对图像进行预处理,最后,使用Adaboost算法对候选人脸集进行细化,最终得到人脸集合。实验证明该方法的有效性。     

基于Adaboost与肤色分割融合的驾驶员图像脸部检测

采用改进的基于Adaboost的人脸检测算法检测出可能存在的初始人脸区域,适当扩大初始人脸区域的面积,在此基础上,利用基于RGB颜色空间的肤色分割算法进行人脸区域的二次定位,根据定义的脸部区域重合度和人脸几何特征实现对脸部区域的精确融合检测。实验结果证实了该算法的鲁棒性和实时性。     

基于肤色和AdaBoost算法的彩色人脸图像检测

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

基于肤色与肤色矩实时视频人脸检测与跟踪

提出了一种新颖、鲁棒、实时人脸检测与跟踪算法.该方法采用背景差分法提取运动区域,对运动区域利用肤色归一化RGB和HSV色彩模型的聚类性,得到人脸候选区域.利用人脸几何信息和孔洞信息对人脸候选区域进行验证.基于肤色矩特性,对人脸区域进行跟踪与预测.通过对不同背景条件下的人脸检测与跟踪,实验结果表明,所提算法不仅检测率高,且对光照,人脸姿态的变化具有较强的鲁棒性.基于480×360图像处理速度平均为25帧/秒,可满足系统实时性要求.     

基于肤色模型和FloatBoost的多姿态人脸检测

多姿态人脸检测是人脸识别系统必须解决的关键问题之一。利用光照鲁棒的肤色模型来搜索待检图像的可能人脸区域并进行肤色分割,结合分割区域的几何信息确定最终的候选人脸区域,然后对人脸的关键特征进行定位,按规则计算重要特征块的中心,将这些中心点确定的符合条件的候选区域利用FloatBoost进行分类,最终实现了快速准确的多姿态人脸检测。     

基于彩色人脸模板的人脸检测算法

针对目前基于色彩的人脸检测只能用于人脸区域的粗检这一不足,提出一种利用人脸的五官位置及色彩信息建立彩色人脸模板的算法。采用光照补偿对图像进行预处理,利用YCbCr空间中的肤色模型进行粗检,确定出人脸候选区域,利用建构好的模板进行搜索比对定位出人脸。实验结果表明该方法对不同光照环境和复杂背景的图片均有较好的适应性,检测精度也得到了提高。     

较强光照下肤色结合发色检测人脸的方法研究

研究了基于不同颜色空间的人脸检测算法,并在此基础上针对较强光照条件下或肤色与背景色比较接近时检测算法可能会将人脸检测为背景的情况,提出了一种新的基于肤色和发色的人脸检测自适应算法。实验结果表明,即使在较强光照条件下或肤色与背景比较接近时,该算法一样能准确地检测到正面或略有倾斜的人脸。     

一种基于肤色模型和眼睛定位的人脸检测方法

提出了一种基于肤色模型和眼睛定位的人脸检测方法。首先利用肤色模型和掩膜进行粗定位,确定人脸可能区域,然后通过基于方向模板的眼睛定位进行人脸存在的确认和精确定位。实验证明了该方法对于复杂背景下人脸检测的有效性。     

基于肤色和唇色信息的人脸检测方法的研究

提出一种综合利用肤色和唇色信息的人脸检测方法。把经过光线补偿处理后的彩色图像从RGB转换到YES颜色空间,根据实验获得的最佳阈值进行肤色区域的提取,得到人脸候选区域。根据嘴唇颜色在YIQ色度空间中最佳阁值分布范围在人脸候选区域中提取唇色,最终确定人脸区域。实验结果表明,该方法具有实时性好、检测和定位精度较高的特点。     

基于三维肤色模型的人脸检测预处理方法

为了改善在光照变化和复杂背景影响下的人脸检测效果,在预处理阶段提出一种基于直接最小二乘拟合的三维肤色聚类模型算法。该算法首先将肤色在CbCrCg空间中的三个平面投影分布作为拟合对象,然后使用中值滤波和Sobel算子获取平滑边缘,最后通过直接最小二乘拟合法获取最佳三维肤色模型。在实验中分别将公共人脸库和户外拍摄的人脸图像作为实验对象,实验结果表明,该算法较传统肤色预处理算法具有更好的肤色分割效果,并且能够有效地提高人脸检测率。