基于差分和肤色图像的人脸检测算法

提出并实现了一种基于差分和肤色图像的人脸检测算法。该算法利用视频图像的运动信息,在帧间差分的基础上进行二值图像边缘提取,确定目标在原图像中坐标位置,然后设计肤色模型表征人脸颜色,采用彩色图像的色系坐标变换进行人脸的准确定位。该算法的优点是可将运动信息序列图像中与人脸肤色相似的固定区域删除,在目标跟踪和运动检测上,不仅能有效地抑止背景噪声,减少误检率,而且还能缩小人脸检测范围,加快检测速度。实验表明,该算法可行、有效。     

基于卡尔曼滤波的人脸跟踪算法

针对实时视频监控领域中传统的Camshift算法不能自动跟踪人脸和容易受到肤色相近遮挡等问题,采用Ad-aboost算法实现了人脸的自动检测,同时对于跟踪丢失等情形,通过卡尔曼预测对跟踪偏差进行实时改进。实验表明跟踪的准确性有较大提高,具有较好的实时性;在相近肤色遮挡时仍能实现正确跟踪,并对侧脸也有较好的效果;算法具有较好的鲁棒性。     

基于深度学习辅助的动态人脸跟踪方法

动态人脸跟踪过程中,现有的跟踪算法存在快速运动、遮挡和频繁进出摄像机视野下无法及时判定跟踪漂移导致跟踪失败,而目标再出现时作为新的目标进行跟踪.针对以上难题,提出一种融合跟踪校验和深度学习识别辅助的动态人脸跟踪算法(Kernelized correlation filter with verification and recognition,KCFVR).跟踪算法核心是结合核相关滤波框架,通过跟踪校验算法判定人脸目标是否跟踪漂移导致跟踪失败;在目标重新出现时,结合深度学习网络识别辅助方法判定是否为新目标.实验结果表明:跟踪校验算法及时减少跟踪误差积累,识别辅助算法在跟踪成功率及识别精度上,都取得较优的实验结果,实现同一人脸目标的实时、持续跟踪.     

彩色图像中的人脸检测方法

综合了肤色检测、眼睛定位和支持向量机人脸验证方法,实现了彩色图像中的人脸检测.提出了一种基于区域的皮肤检测算法.将像素局部特征引入模糊C均值法,用其分割图像,根据肤色像素的数量判断分割区域是否为肤色区域.在肤色区域中利用眼睛的亮度图和色度图定位人脸样本,最后利用训练好的支持向量机预测人脸样本是否为人脸.     

基于肤色与边缘特征的人脸定位检测算法

针对由于外貌、表情、肤色等不同,给人脸检测带来很大困难的问题,提出一种基于肤色特征与边缘检测相结合的人脸检测方法,将归一化后的RGB空间转换为YCbCr空间,再对图像进行光线补偿等预处理;在对肤色区域进行判决的过程中,采用自适应阈值的方法.本文算法实验结果证明具有一定的可靠性和有效性,而且计算速度快、方法简单、定位率高、检测效果好.     

基于肤色信息的快速人脸检测

讨论了人脸检测问题中精度和速度在此基础上结合眼睛的定位算法,最终精确得到人脸的位置.实验结果表明,本算法能较为准确快速地定位出彩色图片中正面人脸以及小角度偏转的人脸.     

基于支持向量机的无穷维AdaBoost算法在人脸检测中的应用

用支持向量机建立新的核函数,使得该函数集集成无穷多个AdaBoost算法的弱分类器,最终形成强分类器。应用该强分类器进行人脸检测。实验结果表明,该方法的人脸检测率优于有限维AdaBoost算法,提高了检测精度。     

基于肤色分割与改进Adaboost算法的人脸检测

针对低分辨率的视频监控图像在复杂环境中不能有效地将人脸检测出来,提出结合BP神经网络的肤色训练和肤色分割,形成一个检测兴趣区域,利用改进的Adaboost算法来完成人脸检测。实验结果表明,改进的方法提高了人脸检测的准确率,降低了视频监控图像的误检率。     

基于均值平移的输液可见异物检测方法

针对输液可见异物检测问题,提出了一种基于图像序列的多个可见异物检测算法。首先利用归一化的互相关系数和自适应迭代求解阈值获得图像的二值图像,然后在传统的均值漂移（meanshift）算法的基础上引入带宽自适应核函数和自适应变步长因子,解决可见异物可能发生形状变化和算法收敛速度慢的问题。实验结果表明,基于该算法的检测方法可以快速且较准确地同时检测出输液中的多个异物。     

基于KSVM决策树法的人脸检测与定位

传统的SVM直接在线性条件下训练SVM分类器完成人脸与非人脸的分类,分类器训练困难,计算量大且速度慢.为构造一个复杂背景下人脸检测与定位的新方法,本文用核函数把SVM推广到非线性SVM,再与二叉树相结合,可以解决多类识别问题,此即KSVM决策树人脸检测方法.在此基础上,人脸面部特征被进一步确认.本文提出了改进的四边界Prewitt边缘算子提取人眼,进而定位五官.实验结果表明该方法检测率较高,虚警率较低,定位准确.     

基于ELM与Mean Shift的抗遮挡目标跟踪算法

针对目标跟踪过程中发生遮挡时跟踪出现偏差的情况,在传统Mean Shift跟踪算法的基础上引入极限学习机(extreme learning machine,ELM),提出了基于ELM与Mean Shift的目标跟踪算法。该算法根据过去3个时刻的目标位置信息,利用ELM预测出目标当前可能位置,代替目标前一时刻位置作为Mean Shift迭代起始点,并在邻域范围内进行迭代,得到目标的真实位置.实验结果表明,与现有的改进算法相比,新算法减少了迭代次数和运算时间,同时在遮挡情况下能够准确定位目标位置并进行跟踪,提高了跟踪系统的实时性和鲁棒性.     

基于张量梯度直方图的Mean Shift跟踪算法

使用基于颜色直方图的Mean Shift跟踪算法,当目标在相似颜色背景、光照变化的情况下,视频跟踪性能迅速下降.文章提出了一种基于张量梯度直方图的Mean Shift跟踪算法,该算法使用张量梯度将RGB三维空间融合为一维空间,在有效地保护原向量方向性的前提下降低了维数.实验结果表明,基于张量梯度直方图的Mean Shift跟踪算法耗时少,对光照变化不敏感,且对颜色变化依赖程度低,适合背景混淆和光照变化场合下跟踪.     

基于粒子滤波/Mean Shift的改进跟踪算法

针对单一特征所带来的跟踪不稳定问题,该文提出一种基于纹理特征粒子滤波/Mean Shift的改进目标跟踪算法。该算法中建立一种选择反馈机制,首先对目标同时进行基于纹理信息的粒子滤波和基于颜色信息的Mean Shift两种算法的跟踪,然后对两种算法的跟踪结果进行比较,选择结果较好的输出,并把结果反馈到粒子滤波与Mean Shift中作为下一帧处理的初始值。实验结果表明,该方法克服了单一特征所带来的跟踪不稳定问题且具有较强的鲁棒性。     

基于模糊背景加权的Mean Shift目标跟踪算法

针对Mean Shift跟踪算法在复杂背景下跟踪效果不佳的问题,该文提出了基于模糊背景加权的Mean Shift算法。引入基于差分的模糊隶属函数,利用目标模型和背景模型的差分,更加细化地表示各个像素对目标准确描述的贡献度,提高了目标描述的准确性。同时利用背景信息对原始的尺度增减法进行改进,更好地适应了目标尺度变化。实验验证该算法在一定程度上解决了尺寸增减法的小尺度游荡和跟踪滞后问题,提高了Mean Shift算法在复杂背景干扰下的鲁棒性。     

基于有效特征筛选的Mean shift运动目标跟踪算法

针对现有Mean shift跟踪算法在目标被遮挡、跟踪场景变化时,跟踪误差变大甚至丢失目标的问题,提出了一种基于有效特征筛选的Mean shift运动目标跟踪算法。首先通过对目标特征的优化筛选,改善了现有Mean shift算法因目标特征多而造成计算时间较长,在目标发生较大变化时跟踪精度降低的情况。更能有效地表征目标特征,减少跟踪误差,增强特征集对目标的描述能力。同时给出目标模板更新的方法,在目标发生明显变化时,能自适应地更新特征集,进一步提高跟踪精度。仿真结果表明:文中方法具有更好的跟踪精度,计算时间较小,对遮挡、场景变化有更好的鲁棒性。     

基于均值漂移采样调整和积分直方图表达的粒子滤波跟踪算法

粒子滤波跟踪算法是对视频目标跟踪常用算法的改进。通过对采样粒子的均值漂移调整,使采样粒子集中于其邻近的局部极大值区域,加快了粒子收敛的速度;通过图像的积分直方图表达方式,对原算法中低效的直方图的统计工作,用粒子所在矩形区域的4个顶点的积分直方图的加减运算代替,运算速度得到较大程度的提高。对实际图像的跟踪和分析表明,本算法和传统的粒子滤波算法相比,具有更快的收敛速度,更短的计算时间,且粒子数越多,粒子所在区域面积越大,本算法的优势越明显。     

基于Mean Shift和随机游走的图像分割算法

提出了一种改进的随机游走算法。首先,采用Mean Shift算法对图像进行预处理,将图像划分成一些同质区域,用同质区域作为节点进行随机游走,在降低节点数的同时也抑制了噪声对分割的影响;其次,利用马氏距离定义区域之间的权值;对种子点进行了改进,增加了辅助种子点,利用辅助种子点和用户标记的种子点进行随机游走,实现同质区域的合并,实现图像的最终分割。实验结果表明,该算法提高了图像分割的精度。     

一种快速人脸目标检测和跟踪算法

以人脸为运动目标,利用图像的YUV模型和颜色检测算法在小范围内搜索,即时获得人脸的模板图像．在对序列图像进行目标搜索时,将金字塔方法和序贯相似匹配方法相结合,并采用粗精结合的两步匹配算法,获得运动目标的准确轨迹．实验证明,与传统的模板匹配算法相比,该算法的计算量大大降低,较大程度地提高了运动目标检测的速度．     

一种正则粒子滤波的人脸跟踪算法

本文针对人脸运动的非线性非高斯的特点,引入正则粒子滤波算法来进行运动预测估计,且根据预测精度对预测过程中目标运动速度和过程噪声方差进行自适应更新。实验结果表明,在人脸的旋转、肤色和部分遮挡影响下跟踪精度较高,抵抗光照环境变化,以及人脸大小变化等的鲁棒性较强。