基于统计的人脸检测方法研究

基于统计理论的人脸检测是利用统计分析与机器学习的方法寻找出人脸样本与非脸样本各自的统计特征,再使用各自的特征构建分类器,使用分类器完成人脸检测。介绍了基于统计理论的人脸检测的主要方法,并对各种方法进行了比较。     

基于分类器联合的表情识别

提出了一种基于分类器联合的人脸表情识别方法。首先采用CKFD算法在双决策子空间中提取两类表情特征并融合;分别利用最近邻、最小距离和神经网络三种子分类器进行识别;最后运用模糊积分对子分类器的识别结果进行融合。基于JAFFE的实验结果表明,它是一种有效的表情识别方法。     

基于模糊集理论的人脸检测

分析了模糊集理论运用于人脸检测的可行性,采用Haar矩形特征和隶属度函数对样本集进行训练,运用特征集的熵和AdaBoost算法选取适当的弱分类器,并构建了分发型人脸检测器。检测时,对于不像人脸的子窗口通过靠前的结构简单的强分类器快速将其淘汰掉;对于像人脸的子窗口,根据其与人脸的相似程度,由分发器动态地选择后面的强分类器进行判定。在MIT+CMU的正面人脸图片集中进行了测试,实验结果表明,此检测器在检测性能降低不大的情况下,可以有效地提高检测效率。     

人脸图像超分辨率的自适应流形学习方法

样本规模与使用方法是基于学习的超分辨率中的一个重要问题.面向人脸图像超分辨率重建,提出一种基于局部保持投影(LPP)的自适应流形学习方法.由于能够揭示隐含在高维图像空间中的非线性结构,LPP是一种可以在局部人脸流形上分析其内在特征的、有效的流形学习方法.通过在LPP特征子空间中动态搜索出与输入图像块最相似的像素块集合作为学习样本,实现了自适应样本选择,并且利用动态样本集合通过基于像素块的特征变换方法有效地恢复出低分辨率人脸图像中缺失的高频成分.实验结果证实:通过在局部人脸流形上自适应地选择学习样本,文中方法可以仅使用相对少量的样本来获得很好的超分辨率重建结果.     

基于表情子空间多分类器集成的非特定人人脸表情识别

针对非特定人人脸表情平均识别率普遍不高（约65%）的问题,提出了一种基于表情子空间和多分类器集成的人脸表情识别新方法。通过局部二进制模式(LBP)与高阶奇异值分解(HOSVD)方法对训练集1中的人脸图像的全脸、眼睛（包括眉毛）和嘴巴三个区域进行特征提取与分解,建立相应的表情子空间;利用支持向量机(SVM)方法对训练集2中的人脸图像在表情子空间训练,得到模糊系统参数;最后结合表情子空间与多分类器集成,对测试集中的图像进行表情分类识别。在JAFFE人脸表情库中实验,获得了71.43%的平均识别率。实验结果表明,该方法有效地减少了人脸外观特征和表情表现方式所带来的影响,具有更好的识别效果。     

半随机子空间的LDA人脸识别方法

小样本问题和对局部变化（如遮挡、表情、光照等）识别的不鲁棒性是线性判别分析（LDA）在处理人脸图像时所常面临的问题。针对LDA的这些不足,提出了一种基于LDA的半随机子空间方法（SemiRS-LDA）。与传统的基于整个人脸样本特征集采样的随机子空间方法不同的是,SemiRS-LDA将随机采样建立在人脸图像的子图像上。该方法首先将人脸图像集划分成若干个子图像集,然后将随机子空间方法应用于每个子图像集上并构建多个LDA分类器,最后使用投票方法将各分类器进行组合。在两个标准人脸数据库（AR、ORL）上进行了实验,结果表明了所提方法不仅能获得较高的识别性能,而且对图像的光线、遮挡等也具有较强的鲁棒性。     

基于模板匹配与支持矢量机的人脸检测

人脸检测是人脸识别与基于内容的图像及视频检索的一项重要任务。由于非人脸样本相对于人脸样本的多样性和复杂性，使得人脸模式分类器的训练十分困难。该文提出了一种将模板匹配与支持矢量机（SVM）相结合的人脸检测算法。算法首先使用双眼－人脸模板对进行粗筛选，然后使用SVM分类器进行分类。在模板匹配限定的子空间内采用“自举”方法收集“非人脸”样本训练SVM，有效地降低了训练的难度，实验结果的对比数据表明，该算法是十分有效的。     

弱光照环境下人脸表情图像识别方法研究

对弱光照环境下人脸表情图像进行识别,可以更好地对人类的情感进行分类,有利于人类在现实社会中的沟通。当前方法利用提取人脸表情图像的一维特征完成对弱光照环境下人脸表情图像的识别,该方法无法对人脸表情图像进行详细地描述,导致人脸表情图像在识别时经常出现识别精度低、速度慢的问题。为此,提出一种基于BP神经网络的弱光照环境下人脸表情图像识别方法。该方法首先利用自相似性对带有噪声的图像进行图像区域划分,并依据统计学习获得线性空间,通过对空间的投影获得不含噪声的人脸表情图像区域向量,将人脸表情图像进行重组,得到去噪后的图像,然后利用Cabor变换对人脸表情图像特征进行提取,采用AdaBoost对弱分类器以及人脸表情图像样本进行训练,并通过多次弱分类器的迭代,得到最终的人脸表情图像强分类器,完成对弱光照环境下人脸表情图像的识别。实验结果证明,所提方法可以提高人脸表情图像的识别准确率,加快识别速度,为该领域的研究发展提供强有力依据。     

基于双决策子空间和神经网络的人脸表情识别

提出了一种新的基于双决策子空间和径向基函数（RBF）神经网络的人脸表情识别方法。该方法首先采用KPCA+ FLD算法在双决策子空间（核空间和值域空间）中进行决策分析,提取两类判决特征信息：非常规信息和常规信息,并按一定的规则融合这两类判决信息;再运用RBF神经网络分类器和融合特征信息进行人脸表情的分类识别。基于日本女性表情数据库JAFFE的实验结果表明,它是一种有效的人脸表情识别方法。     

基于自商图像和随机投影的人脸识别方法

针对传统基于自商图像的方法忽略对特征进行选择的问题,提出了一种结合自商图像和随机投影的人脸识别方法。采用自商图像法对人脸图像进行预处理,削弱光照影响;然后通过线性判别分析构造初始样本空间,利用多次随机投影将样本投影到不同的子空间,从而提取更具完备性和判别性的光照不变特征。最后用最近邻分类器对样本进行分类。在Yale B和AR人脸库上的实验表明:所提算法可以提取对光照鲁棒且具有鉴别性的人脸特征,从而提高光照变化条件下人脸识别的准确率。     

Random Sampling for Subspace Face Recognition

Subspace face recognition often suffers from two problems: (1) the training sample set is small compared with the high dimensional feature vector; (2) the performance is sensitive to the subspace dimension. Instead of pursuing a single optimal subspace, we develop an ensemble learning framework based on random sampling on all three key components of a classification system: the feature space, training samples, and subspace parameters. Fisherface and Null Space LDA (N-LDA) are two conventional approaches to address the small sample size problem. But in many cases, these LDA classifiers are overfitted to the training set and discard some useful discriminative information. By analyzing different overfitting problems for the two kinds of LDA classifiers, we use random subspace and bagging to improve them respectively. By random sampling on feature vectors and training samples, multiple stabilized Fisherface and N-LDA classifiers are constructed and the two groups of complementary classifiers are integrated using a fusion rule, so nearly all the discriminative information is preserved. In addition, we further apply random sampling on parameter selection in order to overcome the difficulty of selecting optimal parameters in our algorithms. Then, we use the developed random sampling framework for the integration of multiple features. A robust random sampling face recognition system integrating shape, texture, and Gabor responses is finally constructed.     

Haar-like特征双阈值Adaboost人脸检测

目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT（Massachusetts Institute of Technology）标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL（Olivetti Research Laboratory）、FERET（face recognition technology）以及CMU Multi-PIE（the CMU Multi-PIE face database）这3种标准人脸库中,分别与SVM（support vector machine）、DL（deep learning）、CNN（convolutional neural networks）以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处（如球场等地）对多人脸同时检测的实际需求。     

Face detection in gray scale images using locally linear embeddings

The problem of face detection remains challenging because faces are non-rigid objects that have a high degree of variability with respect to head rotation, illumination, facial expression, occlusion, and aging. This paper employs a novel technique, known as locally linear embedding (LLE), for solving the face detection problem. The LLE method performs dimensionality reduction on data for learning and classification purposes. Proposed by Roweis and Saul, the intent of LLE is to determine a locally linear fit so that each data point can be represented by a linear combination of its closest neighbors. The first objective of this research is to apply the LLE algorithm to 2D facial images to obtain their representation in a sub-space under the specific conditions stated above. The low-dimensional data are then used to train support vector machine (SVM) classifiers to label windows in images as being either face or non-face. Six different databases of cropped facial images, corresponding to variations in head rotation, illumination, facial expression, occlusion and aging, were used to train and test the classifiers. The second objective was to evaluate the feasibility of using the combined efficacy of the six SVM classifiers in a two-stage face detection approach. Experimental results obtained demonstrated that the performance of the proposed method was similar and sometimes better when compared to other face detection methods, thus indicating a viable and accurate technique.     

基于人脸检测的人脸跟踪算法

文章提出了一种基于人脸检测技术的人脸跟踪算法。该算法利用前一帧的人脸检测结果预测当前帧中人脸可能的尺度与位置范围,在限定的范围内采用模板匹配与人工神经网分类的方法定位人脸,从而实现快速而可靠的人脸跟踪。由于使用了人脸检测技术,该方法可以自动定位初始人脸。实验表明该方法在具有复杂、动态变化背景的图象序列中是很有效的,速度为5－11Hz,可用于实时性系统。     

嵌入式疲劳驾驶监测系统的设计与实现

疲劳驾驶是引发恶性交通事故的重要原因之一,驾驶员疲劳监测技术近年来已逐步成为图像处理领域的一个研究热点。基于改进的和提出的新算法,设计了一个嵌入式驾驶员疲劳监测系统。由可见光/近红外摄像头采集视频,首先采用Haar特征的级联分类器从图像中检测出人脸区域,并用钻石搜索法跟踪人脸区域;然后提取一个新的图像差分统计特征,并结合3个准则判断疲劳状态;最后采用全变分模型消除图像中的非均匀光照,以便实现鲁棒的人眼定位和人脸识别。实验测试结果表明,本系统的疲劳状态监测准确率达到95%以上。     

基于改进随机森林算法的文本分类研究与应用

传统随机森林分类算法采用平均多数投票规则不能区分强弱分类器,而且算法中超参数的取值需要调节优化.在研究了随机森林算法在文本分类中的应用技术及其优缺点的基础上对其进行改进,一方面对投票方法进行优化,结合决策树的分类效果和预测概率进行加权投票,另一方面提出一种结合随机搜索和网格搜索的算法对超参数调节优化.Python环境下的实验结果表明本文方法在文本分类上具有良好的性能.     

结合运动特征的AdaBoost层次增强算法

随着高分辨率传感器成为视频获取的主流,AdaBoost算法所面临的主要问题是置入级联分类器待检测窗口数过多。提出一种AdaBoost人脸检测层次增强算法,以加快人脸检测速度。从整体目标运动与局部人脸运动两个层次出发,以矩形块为计算单位,根据相关性原则,提取运动目标区域;以运动特征为基础,结合主成分分析获得运动特征子空间;通过子空间投影得到候选人脸窗口集合。对比实验表明,在640×480以及1?280×720视频帧中,该算法具有较高的子窗口置入率和稳定的检测精度,平均检测速度分别为28?f/s和6?f/s,适用于实时人脸检测。     

Quantitative analysis of human facial beauty using geometric features

Perception of human facial beauty is an important aspect of human intelligence and has attracted interests of researchers from diverse fields such as psychology and computer science. Previous studies, however, have the following limitations. First, they did not well quantify the facial feature space. Second, they seldom consider the transformation occurring to faces or the physical sizes of faces. Third, most of them require intensive manual work, e.g. marking landmarks. To overcome these limitations, this paper maps faces onto a human face shape space, and then quantitatively analyses the effect of facial geometric features on human facial beauty by using a similarity transformation invariant shape distance measurement and advanced automatic image processing techniques. With the proposed methodology, we experiment on tens of thousands of female and male faces, revealing that human face shapes lie in a very compact region of the geometric feature space and that female and male average face shapes are very similar. Further, we demonstrate that a face can become more beautiful by making its geometric feature getting obviously closer to the average face shape, but if its distance to the average face shape is already relatively small, deforming it further toward the average face shape cannot effectively improve its attractiveness.     

自适应搜索目标的快速彩色复合人脸检测方法

针对AdaBoost人脸检测方法搜索时间较长,不利于在手机等嵌入式平台上应用的现状,提出了一种结合肤色分割、人脸几何特征和AdaBoost的自适应搜索窗口和搜索步长的快速人脸检测方法。该算法在HSV颜色空间对图像进行分割,结合人脸几何特征对分割后的灰度图像进行面积滤波。最后提取滤波后的图像轮廓,结合经验系数得到自适应搜索窗口和搜索步长。实验结果表明,自适应算法不仅能检测出不同尺寸的人脸,而且检测速度快,能节省51.17%的搜索时间。     

Face localization using fuzzy classifier with wavelet-localized focus color features and shape features

This paper proposes a new fuzzy classifier (FC)-based face localization approach. The FC used is a self-organizing TS-type fuzzy network with support vector learning (SOTFN-SV). The SOTFN-SV learns consequent parameters using a linear support vector machine to improve generalization ability. The FC is first applied to segment human skin pixels in scaled hue and saturation (hS) color space, after which connected skin-color regions are regarded as face candidates. The FC is then applied to detect and localize faces from the candidates. The proposed FC-based face localization approach uses shape and wavelet-localized focus color features. A best fitting ellipse of each face candidate is found to obtain shape features. Focus color features are extracted from four focus regions, including the two eyes, the mouth, and the face skin-color region. To find these focus color regions, the Haar-wavelet transformation is first applied to the face candidates in the YCb color space to localize all possible pairs of eye candidates. The mouth region is then localized according to its geometric relationship with the eyes. The hS color features of the located eyes, mouth, and face skin are extracted. These focus color features, together with shape features, serve as inputs to another FC for final face localization. Comparisons with various classifiers and face detection methods demonstrate the advantage of the FC-based skin color segmentation and face localization method.