基于OpenCV的形态处理人脸检测

在表情识别、目标跟踪等领域都有应用,人脸检测是人脸表情识别系统工作的前提和基础。通过比较分析两类人脸检测算法,提出了一种基于OpenCV形态处理检测人脸的方法,所介绍的形态处理既包括前期形态学变换,也包含后续几何约束、椭圆拟合等,并且利用OpenCV提供的函数库,结合VC++进行了测试,测试结果表明该方法可以实现图像中的人脸检测,并能得到较好的识别结果。     

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。     

基于改进的肤色空间和几何特征的快速人脸检测研究

提出一种基于肤色分割和几何特征相结合的人脸检测算法。该算法对图像进行光照补偿预处理,增强图像对比度;采用YCg Cr色彩空间的人脸肤色模型,对图像进行肤色分割,得出肤色轮廓;利用人脸的几何特征筛选出人脸区域。实验结果表明,该算法检测率高,实时性好,误检率低。     

基于肤色检测的AdaBoost人脸检测算法改进

AdaBoost人脸检测算法用于嵌入式实时高清视频时检测速度缓慢.为此,提出一种改进的人脸检测算法.对图像做肤色检测,将检测到的区域进行形态学处理,并作为感兴趣区域,完成AdaBoost人脸检测,以得到检测结果.实验结果表明,该算法在嵌入式系统上运行稳定,能提高检测速度和检测正确率.     

基于肤色及五官特征的人脸检测方法

本文提出了一种基于肤色及五官特征的人脸检测方法，通过对图片进行一系列的处理。提取出人脸的大致框架，然后通过眼睛、嘴巴的建模，最后得到图片中人脸的比较精确的位置。     

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。     

基于肤色信息和主分量分析的人脸实时检测系统

提出了一种基于肤色模型、人脸面部结构和模板匹配的人脸检测算法。该方法首先建立肤色模型来对原始图像进行肤色区域分割,再根据人脸的面部结构特征对分割区域进行过滤,最后用基于主元素分析的模板匹配算法对候选区域进行判断。实验结果表明该算法能够适应复杂背景以及多人脸的检测,而且检测速度快,能够达到实时检测的目的。     

人脸检测方法研究

人脸检测与识别技术是模式识别与机器视觉领域最具挑战性的研究课题之一。近年来出现了大量的人脸检测算法,但由于光照、表情等原因的影响,从实用化角度考虑寻找一种简单快速的检测算法还是比较困难的。本文基于国内外文献,阐述了现有的人脸检测算法,分析了以上各种算法在人脸检测中的发展状况及其优缺点。     

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。     

基于眼睛特征的人脸检测方法*

由于眼球的灰度级较低,而眼球周围白色区域的灰度级较高,因此在其交界处灰度级产生强烈突变。利用这一特征先从图像中找出可能的眼睛对,定位可能的人脸区域,通过计算其对称性来确定各种人脸特征的存在,更进一步验证可能的人脸区域。实验证明,此方法能迅速准确地从复杂背景图像中检测出人脸,而且对多人脸图像同样有效。     

基于人脸尺度约束的人像自动抠图方法

人像抠图算法是许多人像图像处理方法的核心,而人像三分图的准确性直接影响抠图的效果.提出一种通过关键点估计人脸尺度,根据尺度控制三分图生成网络产生标准化的人像三分图,从而提高人像抠图结果的方法.同时构建一个包含19118幅人像的数据集用于训练和测试模型,并提出一种多级微调的方式来训练模型,以降低训练难度并获得更好的效果....     

人脸全局特征识别研究

人脸识别是模式中的一个相当重要却又十分困难的课题。本文利用神经网络（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，简称ＮＮ）及主元分析法（Ｐｒｉｎｃｉｐｌｅ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ），简称ＰＣＡ）不同的特性提出了两种人脸识别的模型：ＮＮ＋ＮＮ模型及ＰＣＡ＋ＮＮ的模型。理论分析和实验结果表示：这两种新的识别模型可以实现优化特征抽取和自适应识别。     

基于人脸检测和关键点识别的快速人体组件划分

人体组件划分用来检测视频帧或静态图像中的人体,并将其划分为头部和四肢等独立区域,是人体精确三维重建和动作识别等后续研究的重要基础。提出一种新的人体组件划分算法,算法主要针对无肢体重叠的人体图像,首先利用人脸检测技术快速定位人体大致范围,再通过边缘检测获取准确的人体轮廓,最后设计并使用高效的十字链表存储和检索方法,完成基于轮廓关键点查找的人体组件划分。实验表明该方法具有较好的实时性和准确率。     

基于图像的人脸美感初探

在关系数据库中,为了实现以人脸图像为关键字段进行升序或降序排列,对计算机自动评析人脸的漂亮程度进行了初步探讨。采用主动表观模型提取人脸特征,将提取到的特征分为公共特征及私有特征两部分,公共特征用于识别性别,私有特征完成两块功能:计算三庭五眼比例值,获取人脸纹理信息。利用私有特征评析人脸的漂亮程度,用BP神经网络分类器在自建的OID人脸库中进行了实验,取得的效果与人类视觉审美相一致。不仅实现了对于单一测试者能输出确切的结果,而且对于多个测试者,能实现首先按性别分类,相同性别的测试者可依漂亮程度自动排序。     

基于多特征融合的人脸识别研究

近年来人脸识别技术得到了迅速的发展和广泛的研究。利用公开的Pub Fig人脸数据集样本,针对人脸识别框架中3种常用特征的提取算法进行理论分析,并采用lib SVM分类器和感知器算法,对于不同样本容量进行单特征方法和特征融合方法的分类训练、测试以及性能比较。实验结果表明,当各类别训练样本数大于180时,特征的分类能力趋于稳定。单特征分类能力SIFT>HOG>GIST;特征融合的分类能力要高于单特征最大值的1%~2%;它比SIFT、HOG、GIST的平均值分别高出1.2%、4.9%、11.7%。     

基于多尺度LBP的人脸识别

提出一种基于多尺度LBP(Local Binary Pattern)的人脸识别算法。建立人脸图像高斯差分尺度空间,计算尺度空间图像的LBP特征,将LBP特征图像划分为互不重叠的特征区域,然后分别进行直方图统计,最后将所有区域的LBP直方图序列连接起来得到多尺度LBP特征,采用最近邻分类器对人脸图像分类识别。实验分析表明,多尺度LBP特征具有较强的人脸图像描述能力,能够提取到更加丰富的全局信息,鲁棒性强,在识别率和识别速度上均比SIFT算法高。     

基于LSVM算法的人脸识别方法研究

对于人脸识别的关键技术进行了深入研究.提出了一种PCA(Principal Component Analysis)和LSVM(Lagrangian Support Vector Machine)相结合的人脸识别方法.首先使用PCA算法对人脸图像进行特征提取和降维处理,然后设计了一种比传统SVM更易于实现而且效率更高的LSVM算法分类器,最后针对ORL人脸图像库的识别结果表明,该方法的识别率比自联想神经网络高.     

基于Gabor-RSC的人脸识别算法

为了提高人脸识别的准确率,提出一种基于Gabor特征和鲁棒稀疏表征相融合的人脸识别算法(Gabor-RSC)。首先采用Gabor滤波器提取人脸图像的多尺度和多方向特征,并采用主成分分析降低特征维数,然后采用鲁棒稀疏编码算法对人脸进行识别,最后采用Yale和ORL人脸库进行仿真测试。结果表明,Gabor-RSC算法提高了人脸的识别正确率,鲁棒性更高。     

基于改进LDP的人脸识别

针对基于局部方向模式LDP(Local Directional Pattern)人脸识别方法识别率较低的问题,提出一种基于改进LDP的人脸识别方法。该方法对LDP编码进行方向归一化处理,选取结构对比信息对各LDP人脸分块进行加权处理,提取人脸的LDP直方图特征,最后计算加权卡方距离得到人脸识别的结果。实验结果表明,该方法应用于FERET和CMU PIE人脸图像库,相对于PCA、LBP和LDP算法,识别率均有了明显的提高。     

基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法

提出了一种基于分块小波变换与奇异值阈值压缩的人脸特征提取与识别算法.该方法首先对人脸图像进行分块小波变换,并根据图像块的位置分布选取不同的频率分量,然后对该分量进行奇异值阈值压缩与特征融合,最后在ORL人脸库上利用最近邻分类器对该特征进行分类识别,验证了算法的有效性.