一种快速多人脸跟踪算法

提出一个基于肤色的快速多人脸跟踪算法.利用多个CAMShift跟踪器实现多人脸跟踪,提出最优排序法和目标消除法解决多人脸跟踪过程中目标发生粘连重叠的问题;引入多辅助信息和表决制解决了相邻两帧中人脸的对应问题.为进一步提高整个算法的跟踪速度和鲁棒性,引入卡尔曼滤波器对目标进行预测.实验结果表明,该算法可实时稳健地实现多人脸跟踪.     

基于模板匹配与人工神经网确认的人脸检测

本文提出了一种基于模板匹配与人工神经网确认的人脸检测算法.算法使用一组双眼-人脸模板对搜索侯选人脸,并在搜索过程中使用多层感知器进行确认,以减少错误报警.大量实验证明了该算法的有效性.     

人脸考勤系统中人脸视觉特征融合跟踪算法

基于人脸考勤系统提出了一种人脸视觉特征融合的跟踪算法,并将其扩展到多人脸跟踪场合.该算法充分利用了人脸的颜色信息和轮廓梯度信息,实现了两种特征的互补.最后,给出了人脸跟踪仿真结果.仿真结果表明,该人脸跟踪算法有效且稳健性较好,能够很好地处理人脸旋转、遮挡等问题,具有很好的应用前景.     

基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.     

一种用于人脸识别的新PCA算法

在主成分分析法(PCA算法)的基础上提出了一种新算法,该算法采用了小波预处理的方式.通过该联合算法,在人脸图像采样环境不好的情况下,仍然保证人脸图像较高的识别率.与传统的算法相比,该算法识别率提高了近10%,扩大了PCA算法的应用范围,从而提高了人脸图像的识别率.     

一种鲁棒的均值漂移与彩色特征点提取相结合的面部跟踪算法

针对复杂背景中的多人脸跟踪问题,提出一种均值漂移与彩色特征点提取相结合的面部跟踪算法.手动选取要跟踪的面部区域,并利用彩色Harris探测器进行特征点提取,然后根据肤色的色度信息,利用均值漂移算法粗略定位人脸的位置,之后对这个区域提取特征点,与其前提取的特征点进行匹配,满足约束条件的区域即为要跟踪的人脸区域.实验表明,该算法可以排除近肤色物体的干扰并可以在多人脸发生重叠的情况下保持稳定跟踪.     

一种动态视频流实时多人脸检测算法

针对传统的AdaBoost人脸检测算法对侧面及多姿态人脸检测误检率较高且检测速度较慢等问题,提出了一种动态视频流实时多人脸检测算法。仿真实验表明,通过使用该算法对静态图像以及动态视频流中的多个人脸实时检测,其结果比传统算法具有更低的误检率和更快检测速度。     

基于小生境技术的人脸分类算法

提出了一种基于小生境技术的人脸分类算法,通过基于小生境技术的算法实现人脸图像的自动分类识别.实验数据分析表明,该方法能对人脸进行有效分类.     

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。     

基于连续型Adaboost算法和Cascade结构的红外人脸检测

自由立体显示技术中,人脸位置的探测与跟踪是关键之一.由于光照变化等因素的影响,对多人的脸部位置的探测很难达到快速、准确的目的.提出一种基于连续型Adaboost算法和Cascade结构的新方法.该方法采用红外主动照明模式,通过隔离可见光照,基本消除了光照变化对人脸检测造成的影响.新检测算法中Adaboost检测速度很快,Cascade结构可以检测那些难以识别的人脸,大大地提高了人脸检测的速度和鲁棒性.对视频流图像进行的检测实验中,没有出现人脸"漏检",极少出现非人脸的"误检".检测速度在Windows XP,Pentium IV,图片分辨率为640×480的条件下,可达25 f/s,完全达到了实时性的要求.另外,实验证明该方法对于人脸表情变化和人脸小角度倾斜也具有鲁棒性.     

基于Gabor小波与Memetic算法的人脸识别方法

提出一种基于Gabor小波与Memetic算法的人脸识别方法MA-Gabor(Memetic Algorithm-Gabor).算法使用一组特定的Gabor小波滤波器对人脸图像重要区域进行针对性的特征提取运算,可在较短处理时间内获得更具区分能力的识别数据.为提升识别性能,MA-Gabor引入Memetic算法用于Gabor小波滤波器组的优化设计.实验结果表明,Memetic算法可获得比传统优化方法更佳的设计效果.通过将优化设计的Gabor小波滤波器组用于人脸图像的特征提取,MA-Gabor算法可取得比现有人脸识别方法更高的识别率.     

采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。     

基于多数据融合的快速人脸检测与特征定位算法

针对彩色图像提出了基于肤色和特征验证的人脸检测算法,由肤色分割、排除假区域、特征验证3部分组成。在肤色分割部分,提出自适应阈值法,再通过几何特征排除一些假区域,运用边缘检测、模板匹配和投影法精确定位眼睛和嘴巴,从而验证确认人脸,最后通过投影法定位出鼻子。实验证明该算法检测速度快、准确率高,具有较好的鲁棒性。     

自适应局部综合特征加权的单样本人脸特征提取

为了有效地提取单训练人脸样本的特征,提出了一种新的人脸局部特征描述方法,改进了局部二进制模式的方向性描述单一的问题,并且加入了像素间变化趋势幅度的描述,称之为局部综合模式(Local Comprehensive Patterns,LCP).首先对人脸样本图像进行分块,然后每个的分块子图像进行改进LCP算子运算;其次考虑到每个子块的特征对整幅人脸图像的贡献度不一致,提出了贡献度图谱(Contribution Map,CM);最后根据贡献度图谱对每个子块的改进LCP描述进行自适应加权融合形成最终的人脸描述特征,最后在ORL和Yale B库上进行了有效性的测试,与现有的多种算法进行比对,所提出的算法对于非限定环境下人脸的识别有良好的效果.     

视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

基于肤色分割和改进AdaBoost算法的人脸检测

为解决当被检测图像中具有复杂背景或者含有多人脸时,不能够快速准确的进行人脸检测的问题,本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理,排除样本图像的复杂背景和人体非肤色区域,简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法,以减少弱分类器个数,提升训练速度;改进权值更新规则,防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明,两种算法结合后在训练速度上提升,在检测速度和检测率上有明显提高。     

Face detection and tracking using a Boosted Adaptive Particle Filter

A novel algorithm, termed a Boosted Adaptive Particle Filter (BAPF), for integrated face detection and face tracking is proposed. The proposed algorithm is based on the synthesis of an adaptive particle filtering algorithm and the AdaBoost face detection algorithm. An Adaptive Particle Filter (APF), based on a new sampling technique, is proposed. The APF is shown to yield more accurate estimates of the proposal distribution and the posterior distribution than the standard Particle Filter thus enabling more accurate tracking in video sequences. In the proposed BAPF algorithm, the AdaBoost algorithm is used to detect faces in input image frames, whereas the APF algorithm is designed to track faces in video sequences. The proposed BAPF algorithm is employed for face detection, face verification, and face tracking in video sequences. Experimental results show that the proposed BAPF algorithm provides a means for robust face detection and accurate face tracking under various tracking scenarios.     

复杂背景下的人脸分割

针对复杂背景下人脸位置的不确定性和人脸轮廓边缘点的不连续性,本文提出一种新的人脸分割算法,能够在复杂背景下将人脸快速分割出来。本文算法包括三部分:首先设计了特征与模板相结合的人脸定位算法,在复杂背景中以双眼和嘴的坐标为基准确定人脸位置;其次,设计了自适应搜索算法,提取真正的人脸轮廓点,去除“假”轮廓点;最后利用人脸轮廓的平滑性通过曲线拟合来补充不确定轮廓点,完成人脸分割。本文算法综合利用了人脸的肤色、表面结构、轮廓边缘以及轮廓的平滑性等特征完成人脸分割,实验结果证明了算法的有效性。     

基于LLE与Fisher线性判别的人脸识别算法

为了提高基于流形学习理论人脸识别算法的识别率,采用一种将非线性降维与Fisher线性判别相结合的方法。首先利用邻域嵌入算法,将人脸图像测试和训练集的维数降低到合适维度,然后使用Fisher线性判别进行人脸数据集特征的提取,最后将测试集人脸图像特征和训练集人脸图像特征,使用最近邻分类器进行分类。在公开的Olivettifaces和ORL人脸图像数据库上,分别将该算法与几种经典基于流形学习理论的人脸识别算法进行了对比实验,实验结果表明当近邻数比较大时本算法识别率是最高的。     

基于肤色模型的人脸检测算法研究

利用一种基于肤色的2D Gaussian模型和一定的先验知识实现了人脸快速检测。首先对一幅图像进行去噪、光线补偿等预处理,然后根据颜色空间特性建立适宜的肤色模型,检测出大致的肤色轮廓,对面部特征根据先验知识实现定位,从而剔除非脸部区域,最后对该算法进行实验验证。实验表明,该算法可以实现人脸的快速检测,降低了误报率,具有一定的优越性。