基于人脸检测和多线索融合的实时人脸跟踪系统

在分析和总结国内外对人脸检测与跟踪的相关研究成果的基础上,研究提出了在Viola-Jones人脸检测算法中引入运动区域检测和人脸肤色检测以缩小人脸检测的搜索区域,有效地提高了人脸检测的帧处理速度,并降低了人脸检测的误检率。对基于Meanshift算法和基于光流法的人脸跟踪方法进行了研究与分析,分析了各算法的优缺点,利用各算法之间性能上的互补性,通过各模块之间的协同合作设计并实现了一个实时人脸检测与跟踪系统,并设定了相应的评价参数,通过实验室录制视频和NRC-IIT视频人脸数据库对系统进行了性能测试。     

基于视频的人脸检测算法研究

针对传统AdaBoost算法在视频中检测人脸误检率较高的问题,文中提出了一种结合运动分析和肤色检验的改进型人脸检测算法。该方法通过运动检测来提取运动前景,并选择肤色模型对人脸肤色进行相似度求取,利用几何特征进一步缩小检测范围;采用增加新Haar特征和改进权重更新方式的改进型AdaBoost算法对人脸候选区域进行实时检测。实验结果表明,与传统AdaBoost方法和增加肤色检验的AdaBoost方法相比,该方法的误检率分别降低了18.68%和8.79%,检测时间则分别缩短约800 ms和250 ms。     

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。     

基于区域特征的视频序列人脸快速检测

提出了一种基于区域特征的快速人脸检测算法.采用瞬时差分和背景差分获取并跟踪运动目标.消除了运动目标引起的背景模型更新误差.在检测到的运动目标区域内.通过基于区域特征的马赛克三分图模型检测人脸区域,并利用频率直方图方法合并所检测区域,最终获得人脸位置.实验结果表明,平均检测时间为30ms/帧,检测准确率可达95.7%,算法复杂度低、检测效果好,适合各类视频图像的人脸实时检测.     

人脸自动定位及其系统实现

人脸自动定位技术在智能视频通信、视频监控以及娱乐等领域有着广泛的应用。通过将基于肤色的人脸检测和基于人工神经网络的控制策略相结合,提出一种新的人脸自动定位算法。该算法简单有效,克服传统跟踪算法中需要利用帧间相关信息和需要标定摄像机的缺点,只需通过人脸检测程序给出人脸特征点在计算机图像中的坐标,就可直接得出摄像机水平调整量和垂直调整量,根据调整量控制摄像机运动即可将人脸自动定位在图像中心。最后利用面向对象的方法实现了系统,并且取得了满意的效果。     

基于肤色分割的改进Camshift人脸跟踪算法

针对Camshift算法在对人脸跟踪时,容易受到肤色背景的影响,且当跟踪环境中背景较为复杂时,易失败的问题,提出一种基于肤色分割的改进Camshift人脸跟踪算法。在YCbCr空间中进行肤色分割,提取每一帧的肤色区域,排除帧图像中非肤色背景的干扰;引入人脸几何特征,对潜在的人脸肤色区域进行约束;使用Camshift算法跟踪人脸。同时为了提高算法的性能,文中引入改进的Adaboost算法。实验结果表明,该算法对视频帧中的特定人脸可以获得出色的跟踪结果,具有实时性强、跟踪稳定的优点。     

基于Boosted Cascade算法的人脸检测和跟踪系统

将基于Boosted Cascade的人脸检测算法运用到视频图像当中,并结合图像序列中的运动信息,提出并实现了一种实时的人脸检测跟踪系统.首先根据图像的运动信息提取出可能存在人脸的候选区域,然后在候选区域中用Boosted Cascade算法进行检测.实验结果表明该系统能够实时地对于人脸进行检测跟踪,可以被应用在智能视频监控方面.     

基于人脸检测的新闻视频主持人帧识别技术研究

本文首先阐述了新闻视频中主持人帧检测的重要意义,然后重点介绍了一种基于人脸检测的自动的主持人帧识别算法。该方法首先利用人脸检测器过滤出具有人脸的候选帧,然后利用补充的背景匹配算法从候选帧中筛选出主持人帧。实验结果表明,该方法适用于各种不同种类的新闻节目视频,可以应用于新闻视频分析。     

基于DM6446的人脸检测与跟踪系统设计

将Adaboost人脸检测算法与Camshift跟踪算法相结合,以Adaboost人脸检测算法作为人脸的初始定位,以Camshift作为后续帧的跟踪,实现对视频序列的自动人脸检测与跟踪。系统所有算法均使用C和汇编语言混合编程并在TMS320DM6446上开发实现。实验结果表明,系统的算法简单、快速、鲁棒性强。     

基于SOPC的人脸检测系统的设计

以Zynq-7000为核心的处理器,设计了一种基于SOPC的人脸检测系统,实现了图像采集、处理、检测及结果显示等功能。采用了人脸检测Adaboost算法,该算法的人脸检测具有高速性和高准确性。最后搭建了人脸检测的硬件平台,经过实验验证,在输入图像大小为640＊480像素条件下,该系统的检测速度为每秒17.8帧,检测率达到93%,误检率2%,基本实现了实时人脸检测的要求。     

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SVM的疲劳驾驶人脸图像特征检测算法

针对传统图像识别算法对疲劳驾驶检测精度差、准确率低的缺陷,提出了一种利用人脸图像特征提取的疲劳驾驶检测方法。首先将实时采集到的车辆驾驶员面部图像进行预处理,借助Dlib检测出图像中的人脸区域并进行人脸图像特征点的标注,然后使用基于眼睛纵横比(Eye Aspect Ratio,EAR)的方法进行图像中人眼疲劳特征的识别,基于嘴唇纵横比(Mouth Aspect Ratio,MAR)的方法进行图像中嘴部疲劳特征的识别,最后利用支持向量机(SVM)的方法将两种特征融合起来进行疲劳驾驶检测。实验表明,该方法可以准确地定位出特征点,疲劳检测的识别率达84.29%,可以有效地识别出疲劳状态。     

一种复杂背景下快速人脸检测算法

论文针对彩色图片的人脸检测在复杂的背景下检测难度大、检测时间长的问题,提出一种将非线性分段色彩变化的肤色模型、Gabor特征提取和多层感知机MLP分类决策相结合的人脸检测算法。该算法首先对输入图像进行自适应的光照补偿,根据非线性分段色彩变化建立的YCb＇Cr＇肤色模型筛选出潜在的人脸区域;然后对潜在人脸区域进行Gabor小波特征分析,利用MLP网络进行分类判别。通过计算机仿真得出此算法计算复杂度低、检测时间短。     

基于无线数据传输的远程人脸追踪

在此提出了一个有效的无线远程人脸追踪系统实现方案,将人脸检测技术、人脸识别技术和窄带通信技术有效结合,采用AdaBoost追踪算法获取图像中可分辨的人脸,把各个点摄像终端的数据进行压缩后采用GPRS/CDMA无线传输发送至处理中心,采用Gabors特征提取算法和SVM分类算法对人脸数据库进行筛选,对实时传输的人脸进行识别,从而达到辅助寻找和追踪特定人的目的。该方案通过实验证明是可行的。     

Android平台实时人脸检测和性别识别的研究与实现

提出一种基于开源计算机视觉库OpenCV(Open Source Computer Vision Library)实现Android平台中实时人脸检测和性别识别的方法,阐述了在运行Android系统的嵌入式平台中采用AdaBoost算法实现人脸检测以及FisherFace算法实现性别识别的原因和具体实现方法,并分别在基于ARM和X86构架的两个嵌入式平台中进行了大量实验和测试数据对比。实验结果表明Android平台中能够实时地进行人脸检测和性别识别,且获得96.35%的人脸检测准确率和82.64%的性别识别准确率。     

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。     

一种稳健的人脸检测算法

人脸检测是人脸识别系统的重要组成部分,对于安全级别较高或特殊场合的门禁系统而言,高准确率的人脸识别技术尤为重要。为提高门禁系统的安全性,采用了多种特征相结合的人脸识别算法,融合了背景分离、肤色检测、人脸五官特征检测、运动物体轮廓分析、人体运动跟踪等多种技术进行人脸检测测试,有效地解决了单一特征的人脸检测方法对人脸进行漏检和误检的问题。实验结果表明,该算法在复杂背景和光照条件不足以及有遮蔽物的情况下,均能快速准确地检测出人脸,误检率低。     

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BitBP特征的多重级联人脸检测器

结合Haar和MB-LBP特征,提出了一种采用BitBP特征描述图像局部信息的方法,该特征可有效描述图像局部区域的灰度像素分布情况,具有比Haar和MB-LBP特征更强的分类能力。且可有效地克服Haar特征数目巨大、训练时间长的缺点。根据BitBP特性,提出一种多重级联的分类器。该分类器的每层均由单一BitBP特征的次级级联分类器构成。而次级级联分类器中的每层分类器均是一个小型的联分类器。利用多重级联结构,可获得更快的检测速度。