改进的Hough与梯度直方图的人眼定位算法

针对民用航空器飞行中,实时监控机组座舱行为的疲劳检测系统的快速、精确、低计算量的需求,提出了一种基于Hough、梯度直方图结合的算法：利用Adaboost算法检测人脸之后,运用Hough变换进行人眼初检测,再利用提出的简化梯度直方图特征进行人眼的精确定位。算法将目标区域的简化梯度直方图特征送入SVM分类器,对Hough检测后存在的多个＆quot;可能圆＆quot;进行筛选,剔除Hough检测中的非人眼圆。实验对比结果表明,改进的人眼定位结合算法能够快速的检测人眼,同时粗定位缩小了Hough圆检测的范围,减小了计算量,缩短了算法运行时间,SVM和改进的梯度信息提高了定位的准确率,并且检测结果稳定、鲁棒性好。     

有背景人脸图像中检测与定位人眼

基于人脸的几何特征和图像分割原理，文章从人脸图像的拍摄要求和人眼的监测与定位等方面系统研究了一种在有背景的灰度人脸图像中自动检测与定位人眼的新算法。实验验证表明，所提出的人眼检测与定位方法在速度和准确性方面具有良好的表现。     

一种基于积分投影的人眼定位算法

提出一种基于积分投影的人眼定位算法.该算法首先根据脸部肤色分割出人脸区域,然后再用积分投影函数定位人眼.实验表明,该算法能比较准确地识别出入眼区域并进行定位,且计算量小、处理速度较快、鲁棒性较好,该算法在实践中具有极大的可行性和较高的准确性.     

基于AdaBoost算法和人眼定位的动态人脸检测

在快速人脸检测算法中,基于AdaBoost算法的人脸检测算法得到越来越多的认可。然而,该算法在复杂环境下常有误检的情况。为了既快速又能提高检测的准确率,提出了以人眼定位的算法作为辅助的人脸检测算法。首先应用AdaBoost算法检测人脸的位置,然后再利用改进的模板匹配算法对人眼进行快速识别与定位。在人眼检测方面,利用金字塔算法加快了检测速度。实验表明,该方法可减少AdaBoost算法的误检率。     

一种新的人脸图像中眼睛定位方法

提出了一种新的图像中人眼检测算法.在一幅已知人脸图像区域中,首先采用中值滤波除去噪声点,然后选取灰度变化最大的几块区域作为眉眼候选区域.最后利用SIFT方法在候选区域中最终定位眼睛的精确位置、尺度和方向.实验结果证明,本文所提出的算法具有准确率高和计算量小的优点.     

有背景人脸图像中人眼的检测与定位

基于人脸的几何特征和图像分割原理,研究了一种在有背景的灰度人脸图像中自动检测与定位人眼的新算法.该算法基于人脸器官几何分布先验知识建立人眼位置判定准则,对人眼的分割阈值范围进行粗估计,采用分割阈值递增法,并结合人眼位置判定准则判定分割图像中双眼黑块是否出现,再利用二维相关系数作为对称相似性测度,检验检测到的双眼的真实性.实验验证表明,所提出的人眼检测与定位方法在速度和准确性方面具有良好的性能.     

基于瞳孔定位的单目测距系统

针对人和机器人在协同工作的过程中,机器人需要对伙伴进行准确的目标定位这个问题,设计了一个以ARM Cotex－A9 i． MX6Q为微处理器处理模块,USB摄像头为采集模块的嵌入式视觉测距系统,实现了单目视觉测距定位。该系统设计大体分为人眼瞳孔定位和单目测距2部分。人眼瞳孔定位通过USB摄像头采集人脸图像,系统对人脸图像进行处理,获取人脸图像中瞳孔的精确位置,获取人脸图像中瞳孔的位置采用Adboost人脸检测算法和灰度投影人眼定位算法;测距采用小孔成像三角形相似原理,根据实际人眼瞳距和图像中人眼瞳距信息计算出目标人物到摄像机镜头间的距离,其中摄像机的内参数标定借助于Matlab工具箱来完成。实验结果表明,该测距定位系统测距精度较高,系统鲁棒性好,具有良好的应用前景。     

一种疲劳驾驶检测系统中快速人眼检测方法

疲劳驾驶是导致交通事故的主要原因之一,因此,以人眼检测为核心的疲劳驾驶检测受到了普遍地关注。目前传统的疲劳驾驶检测方法采用"人脸-人眼"模型,即先定位人脸,随后再进行人眼检测。在Ada Boost算法的基础上,使用变模板匹配方法进行人眼检测,并改进了"人脸-人眼模型",采用多特征的分类器来有选择的跳过人脸检测步骤,从而快速准确地定位人眼。在DM642芯片上进行实验,人眼识别率达到了90%以上,且平均每秒能处理40帧图片,证明了该方法的高效性和实用性。     

人眼快速检测技术

人脸检测定住中首先要处理人眼定位的问题,快速定位人眼的位置是实现对人脸实时性定位的关键问题.因此.在人脸检测已检测出人脸图像的基础上,对人眼瞳孔位置进行了检测定位.采用形态学滤波的方法快速对眼睛位置粗略定位.再用精确眼睛区域二次定位算法就可在0.3 s内找出眼睛位置.     

一种结合分离滤波器与局部二进模式的快速人眼定位方法

为了解决低质量人脸图像中的快速人眼定位问题,提出一种结合分离滤波器与局部二进模式(LBP)的快速人眼定位算法,该方法快速有效地计算多尺度局部二进模式(LBPs)值,并且利用串级的思想,结合分离滤波器与LBP,进行快速精确的人眼定位.仿真实验表明,与一般的LBP方法相比,该方法在保证人眼定位精度的同时,具有更快的计算速度,在BiolD人脸库中,在两个尺度上计算,平均每幅人脸图像的计算时间下降近40%.     

大角度平面旋转人眼定位方法

提出一种解决平面大旋转角度人脸眼睛精确定位算法,首先根据圆周旋转不变性,建立基于圆周块子矩阵的标准人脸旋转模板.使对旋转角度的判定转化为对圆周块子矩阵移位距离的估计;然后用基于人脸结构关系的方法粗定位时,提出自适应的最优阈值方法去除噪声点,减少匹配误差,减少运算量,提高运算速度;最后对候选区域提取gabor特征,进行精确定位.在FRVT库上的实验结果表明,该算法适用于360°内的平面旋转的人眼定位,算法简单,运算速度快,准确率可达到87.67%.     

基于时空上下文和随机森林的人眼跟踪定位算法研究

为了得到人眼跟踪过程中更好的鲁棒性和实时性以及跟踪精度,提出一种基于自适应增强分类算法(AdaBoost)、随机森林(RF)和时空上下文(STC)的重定位跟踪算法。该算法结构分为3层,分别为AdaBoost人脸检测、STC人脸跟踪和RF人眼定位。首先,利用AdaBoost在第一帧识别出人脸,从而提取出人脸窗口。接着,使用时空上下文跟踪算法进行人脸跟踪。然后,联合定向梯度直方图(HOG)算法进行相似度判断,以达到目标丢失后继续跟踪的目的。最后,采用随机森林算法进行人眼定位。实验结果表明,与传统的随机森林人眼跟踪算法相比,该算法在跟踪速度达到原方法的2倍左右,并在跟踪精度和鲁棒性上和原算法相同。基本满足在裸眼3D显示时人脸跟踪和人眼定位的精度高、实时性快、鲁棒性好的要求。     

基于改进深层网络的人脸识别算法

目前的人脸识别算法在其特征提取过程中采用手工设计（hand-crafted）特征或利用深度学习自动提取特征.本文提出一种基于改进深层网络自动提取特征的人脸识别算法,可以更准确地提取出目标的鉴别性特征.算法首先对图像进行ZCA（Zero-mean Component Analysis）白化等预处理,减小特征相关性,降低网络训练复杂度.然后,基于卷积、池化、多层稀疏自动编码器构建深层网络特征提取器.所使用的卷积核是通过单独的无监督学习获得的.此改进的深层网络通过预训练和微调,得到一个自动的深层特征提取器.最后,利用Softmax回归模型对提取的特征进行分类.本文算法在多个常用人脸库上进行了实验,表明了其在性能上比传统方法和普通深度学习方法都有所提高.     

基于多特征Mean Shift的人脸跟踪算法

该文把局部三值模式(Local Ternary Patterns, LTP)纹理特征引入Mean Shift跟踪算法,提出了基于多特征的Mean Shift人脸跟踪算法以解决Mean shift跟踪算法的鲁棒性问题。通过对LTP纹理特征的分析、研究,提出了一个LTP关键纹理模型,既增强了目标的关键纹理信息,又简化了LTP纹理模型。在此基础上,提出一种基于LTP关键纹理特征和肤色特征的Mean Shift人脸跟踪算法,有效地解决了Mean Shift算法的鲁棒性问题。为进一步提高对快速运动目标的跟踪速度和跟踪性能,该文引入了卡尔曼滤波器对目标进行预测。实验结果表明,该文的算法在目标定位的准确性和跟踪性能上比Mean Shift算法均有明显的提高。     

基于统计学习优化SIFT的面部遮挡人脸识别

针对传统的人脸识别算法受面部遮挡的影响导致很难兼顾鲁棒性和保持原始图像核心信息的问题,本文提出了一种基于统计学习优化尺度不变特征变换的面部遮挡人脸识别算法。首先,利用SIFT将所有给定训练图像用一组局部特征描述符表示出来;然后,通过执行统计学习获得正常脸部图像SIFT特征的概率分布函数,利用获得的概率分布函数在新观察到的测试图像中检测异常SIFT特征;最后,计算测试图像与训练图像之间的相似度,并利用K近邻分类器完成人脸识别。在AR人脸数据库上的实验验证了本文算法的有效性及可靠性,实验结果表明,相比其它几种较为先进的人脸识别算法,本文算法取得了更强的识别鲁棒性。     

驾驶员疲劳检测中的眼睛定位算法

人眼状态与疲劳程度有很好的相关性,眼睛定位在驾驶员疲劳检测中有十分重要的地位。目前眼睛定位算法都是针对睁开的眼睛,不能定位闭合的眼睛。为了能够定位任意状态下的眼睛,提出了Adaboosting算法与几何模板融合的眼睛定位算法。在眼睛粗定位区域中用Ada-boosting算法检测睁开的眼睛,修改几何模板。对于Adaboosting算法中不能检测到眼睛时则用几何模板法进行眼睛定位。实验表明该算法有较好的检测率和运算速度。     

Multi-label feature selection algorithm based on joint mutual information of max-relevance and min-redundancy

Feature selection has played an important role in machine learning and artificial intelligence in the past decades.Many existing feature selection algorithm have chosen some redundant and irrelevant features,which is leading to overestimation of some features.Moreover,more features will significantly slow down the speed of machine learning and lead to classification over-fitting.Therefore,a new nonlinear feature selection algorithm based on forward search was proposed.The algorithm used the theory of mutual information and mutual information to find the optimal subset associated with multi-task labels and reduced the computational complexity.Compared with the experimental results of nine datasets and four different classifiers in UCI,the proposed algorithm is superior to the feature set selected by the original feature set and other feature selection algorithms.     

基于双层异构深度神经网络模型的人脸识别关键技术研究

伴随着人工智能的快速发展,人脸识别技术在社会领域和工业领域都呈现出较广泛的应用潜力空间,但由于传统人脸识别技术识别率低,识别速度慢,对环境要求非常高,迫切需要革新方法.本文旨在研究如何将深度学习算法引入人脸识别领域,通过构建双层异构深度神经网络模型,模拟神经网络进行学习,使用CNN与DBN等众多模型让计算机逐渐根据大量数据特征学会识别图像与人脸,并对人脸识别领域关键技术难点进行深入研究,从而大幅度提升人脸识别技术的识别率与鲁棒性.     

基于梯度向量流场的眼睛特征提取

根据人脸图像的边缘梯度图提出了一种新的基于梯度向量流场的眼睛特征提取方法。该算法改进原有的梯度向量流迭代方程求解梯度向量流场,以梯度向量流场中的汇点作为候选点,通过人脸器官的几何位置关系等方法评价候选点以定位眼球。该算法能较好地容忍一定的光照变化、人脸的小角度倾斜和旋转、闭眼和眼镜等干扰。在具有以上干扰的ORL人脸库的400幅图像上的实验证明,该算法具有较好的眼睛特征抽取能力。