基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间,然后利用肤色在CbCr上的聚类性对图像进行预处理,最后,使用Adaboost算法对候选人脸集进行细化,最终得到人脸集合。实验证明该方法的有效性。     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间，然后利用肤色在CbCr上的聚类性对图像进行预处理，最后，使用Adaboost算法对候选人脸集进行细化，最终得到人脸集合。实验证明该方法的有效性。     

复杂背景彩色图像中的人脸分割技术

主要介绍了如何在含有复杂背景的彩色图像中进行人脸分割的技术。首先根据人的肤色在色度空间的聚类特性,寻找合适的色彩空间建立肤色模型。计算图像中所有像素的颜色与肤色的相似度值,并将其转换成0到255之间的灰度值,以得到图像的相似度灰度图,接着通过大津阈值分割进一步得到二值图,将人脸肤色区域与背景分离,从而定位了人脸区域。最后,利用人脸的结构特征,进一步缩小人脸区域范围,最终找到包含人脸主要特征部位(眼睛、鼻子、嘴巴)的人脸区域。     

肤色信息在人脸检测中的应用

基于肤色信息的人脸检测方法能快速获得所有可能的候选人脸,把经过光线补偿处理后的彩色图像从RGB转换到YCbCr色彩空间,根据实验获得的最佳阈值进行肤色分割,快速获得所有可能的候选人脸。对候选人脸作形态学处理及人脸区域标定,最终确定人脸区域。实验结果表明,基于肤色的人脸检测方法能快速的区分人脸区域和背景区域,将人脸区域标定在一个白色的矩形框内,具有良好的检测效果。     

基于肤色的人脸检测研究

对于有背景的彩色图像,肤色是人体表面最显著的特征之一,所以肤色特征是人脸检测中一个重要的特征[1～2]。肤色特征主要由肤色模型描述,检测方法可以分为颜色选择,肤色区域分割和人脸检测三个步骤。文章提出的肤色模型可以较好的适应光照变化,采用肤色分割的方法,可以快速检测不同大小,不同平面以及一定侧面旋转角度的人脸。对简单背景下的人脸检测的检测率达到95.65%,复杂背景下的人脸检测的检测率达到85.22%。     

基于肤色分割的复杂背景图像的人脸检测

提出了一种基于肤色分割和KL变换相结合的检测人脸的方法。首先利用肤色模型将彩色图像分割成肤色区域和非肤色区域，然后对肤色区域进行预处理，剔除一些不包含人脸的区域，最后对肤色区域进行KL变换，通过椭圆面积；位则．确认人脸区域。实验结果表明这种方法能较好地在复杂背景中检测出人脸。     

一种复杂背景下的快速人脸检测算法

提出了一个由粗到细的多阶段人脸检测算法,介绍了检测工作的三个部分:肤色区域分割预处理、应用人脸基本特征检测和定位的人脸细检、平均脸模板匹配的人脸验证。实验证明该算法能有效检测出复杂环境中的人脸。该算法对于人脸的平移、缩放、适度旋转都能很好地适应。     

复杂背景不同光照条件下彩色图像中人脸检测

提出一种有效的在复杂背景和不同光照条件下从彩色图像中检测出人脸的方法.该方法由两个阶段组成:第一阶段利用彩色信息和基于等腰三角形分割的方法找到可能的人脸区域.第二阶段利用二维相关系数作为对称相似性测度进行人脸认证.提出的方法能够处理各种尺寸、不同光照条件、不同的姿态及表情变化的人脸,在复杂背景的彩色图像中提高了人脸的检测速度.实验结果显示该方法获得良好的效果.     

复杂背景基于肤色的人脸检测

本文针对复杂背景的彩色静止图像的人脸检测提出了一种基于肤色检测和分块面部特验证方法,。先在类肤色区域内提取出面部特征,然后用分块验证的方法来确定人脸。本算法可以快速检测不同大小,不同平面及一定侧面旋转角度的人脸,而且可以适应一定程度的表情变化。     

复杂背景下基于模糊集的快速人脸检测

针对如何在复杂背景下快速定位人脸并对其进行确认的问题,提出了一种基于模糊集的快速人脸检测方法.该方法利用肤色模型对图像进行肤色检测,获得肤色分割区域后,并利用数学形态学算子对分割区域进行处理并获得人脸候选区域,再结合模糊集理论,融合人脸的特征进行模糊事件的判断,确定人脸候选区域是否包含真正的人脸.实验结果表明,该算法具有较强的鲁棒性和高的正确检测率,并能满足实时应用的要求.     

基于彩色分割和特征定位的实时人脸检测算法

论文提出了一种新的彩色人脸图像实时检测算法。该算法利用皮肤颜色在YCbCr彩色空间的分布特性进行人脸皮肤区域的分割,利用人脸特征在灰度图像灰度映射极小值特性进行人脸特征定位。实验证明该算法对彩色人脸图像的检测有很好效果。     

实时视频图像中的人脸检测与跟踪

视频图像目标检测与跟踪是远程协作系统中感兴趣的研究课题之一。文中提出了一种协同系统中视频序列图像人脸检测及实时跟踪的方法。该方法根据用户选定的目标(如人脸)的颜色分布特点,用多幅训练样本图像建立人脸肤色模型,然后根据该模型和人脸特征对待检测的彩色图像进行分割与匹配,从而确定候选区域是否人脸。在视频图像跟踪中用此方法可实现人脸的实时检测跟踪,为了提高跟踪速度,提出了改进的基于运动预测的快速跟踪法。该方法充分利用运动连续性规律,能较好地处理多干扰目标同时出现的情形。实验表明所提出的方法执行效率高,检测跟踪正确率高．对有旋转的非正面人脸图像也有较好的适应性。     

复杂背景下多姿态人脸快速检测算法

通过对图像进行预处理(似眼物检测),不但缩小了人脸检测的搜索空间,而且将复杂背景下多姿态多人脸检测简化为在候选区域内,已知大致的人脸尺度情况下正面端正单人脸检测问题,并结合多模板匹配与规则验证完成了人脸区域的最后确定．实验结果表明该算法具有较高的速度和检测成功率。     

正向人脸定位方法

本文考虑带旋转的人脸检测方法,提出了一种基于颜色空间以及模板匹配的快速人脸定位方法。首先从常用的颜色空间中选择出对光照因素稳健的肤色子空间,然后基于该子空间进行肤色检测方法得到人脸大致区域,最后采用模板匹配的方法确定人脸区域。实验结果表明,该方法速度快,对于带角度旋转的人脸定位有很好的效果。     

正向人脸定位方法

本文考虑带旋转的人脸检测方法，提出了一种基于颜色空间以度模板匹配的快速人脸定位方法。首先从常用的颜色空间中选择出对光照因素稳健的肤色子空间，然后基于该子空间进行肤色检测方法得到人脸大致区域，最后采用模板匹配的方法确定人脸区域。实验结果表明，该方法速度快．对于带角度旋转的人脸定位有很好的效果。     

基于肤色和模板的人脸检测

针对彩色图像提出了一种基于肤色和模板的人脸检测方法,由肤色分割、模板匹配和人工神经网验证3部分组成.首先使用HSI空间的肤色统计模型分割出可能包含人脸的区域,然后使用平均脸模板匹配和人工神经网验证的方法在这些区域中搜索人脸.该方法将彩色图像的肤色信息和灰度图像的模板匹配及人工神经网分类模型综合起来,既极大地提高了速度,又具有较强的鲁棒性.实验结果表明,该算法是快速而有效的.     

微粒群算法在人脸检测预处理中的应用

微粒群算法是一种新型的智能优化算法,有较强的发现最优解的能力,且算法简单,易于实现。将微粒群算法应用于人脸检测的预处理中,运用该算法寻优阈值,旨在提高人脸检测的效率和精度。实验数据表明,该算法准确清晰地分割了人脸的皮肤区域与非皮肤区域,且分割效率和效果比单纯使用常用的二维最大熵分割算法更优化。