基于肤色分割和AdaBoost算法的彩色图像的人脸检测

文章提出了肤色分割和AdaBoost算法结合的人脸检测算法。首先,对彩色图像进行肤色分割,通过人脸肤色的统计特征得到候选人脸区域：然后,基于AdaBoost算法,使用由强分类器组成的级联分类器对候选人脸区域进行扫描,最终得到精确定位的人脸。实验证明,该方法具有肤色检测快速和AdaBoost算法误检率低的优点,可以有效的运用于多姿态、多人脸和复杂背景的情况。     

基于视频图像的人脸检测与统计

叙述如何在复杂背景下的图像或视频中判断是否有人脸,若有,则统计个数。实现原理是基于AdaBoost算法,提取Haar特征和训练得到的级联分类器对人脸进行识别。改进之处在于动态调整各级联分类器的权重,对识别率高的级联分类器（如正脸级联分类器）加大其权重,识别率低的级联分类器（如侧脸级联分类器）降低其权重。试验结果表明,该方法可以更加快速、更加准确地实现人脸检测,具有较好的实时性。     

基于AdaBoost的人脸检测技术研究

提出了一种基于AdaBoost学习算法的检测技术框架,并以人脸为研究实例来验证框架的可行性。人脸检测技术作为目标检测技术的一个成功典范,在人脸识别、表情分析、人脸跟踪、图像压缩编码、图像/视频数据库检索、生物特征识别、视频会议、自动监控、智能人机接口等,诸多领域有着日益广泛的应用。     

一组用于快速人脸检测的分开Haar特征

本论文提出了一种能快速、精准用于人脸检测的特征即分开Haar特征（Separate Haar，简称Sep-Haar）.本文研究过程中有3个关键贡献，第一是提出"分开Haar特征"，即在Haar特征矩形之间添加了一个不关心的区域，可通过这个算法得到一些更有效的特征.第二是为这个不关心区域选择最好宽度的算法，这个算法用于减少学习特征的总数量，以减少内存的使用.第三是同样通过Adaboost算法应用，采用Sep-Haar特征能使用较少量的特征而得到最好的误报率.基于此研究结果，本文也提出了一种新分类器，每个阶段都有较小的误报率，实验结果表明使用该特征能够在减少检测时间情况下提高命中率.     

一种改进的AdaBoost人脸检测算法

针对传统AdaBoost算法存在的所需样本数量大、训练时间长、分类器检测费时的问题,提出一种快速样本选择和分类器优化算法.首先,提出一个基于SVM的训练样本选择算法,来提高样本的有效率;其次,提出一种将多个分类器组合成一个新的分类器的算法,减少了分类器的总数,且新生成的分类器比原有多个分类器分类能力更强,提高了检测性能.实验结果表明,算法能够用更少的样本与时间达到与传统方法相同的性能.     

基于肤色和AdaBoost算法的彩色人脸图像检测

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

基于Haar特征的人脸识别算法

本文采用基于类Haar特征和AdaBoost分类器的算法,用于检测人脸的区域。实验结果表明,该算法具有运行速度快,识别准确率高的特点。     

一种基于肤色检测和Haar级联分类器的实时人脸检测系统

人脸检测是一种在数字图像中找到人脸位置和大小的技术。常用于人脸识别、人脸追踪、面部动作捕捉、相机自动对焦等应用中。本文设计并实现了一种基于肤色检测和Haar级联分类器的系统来进行实时人脸检测,先通过肤色检测过滤掉图像中的非皮肤像素区域,后通过Haar级联分类器对剩余像素区域中的人脸进行检测。实验结果表明本系统能够实时地对视频画面中的人脸进行检测,且人脸检测算法计算时间明显小于传统的检测算法。     

基于改进AdaBoost+Haar的车辆检测算法

为解决AdaBoost+Haar分类器易发散和检测效率低等问题,对该算法的训练和检测进行改进:在训练阶段对负样本进行分类,训练出的分类器的结构先简单后复杂,这样可以有效避免分类器在训练的时候过早发散,提高检测效率;在检测阶段,提出车宽匹配检测算法,以检测框底边作参考边,调整检测窗口的范围,减少检测窗口数量。实测表明,在白天不同时段、不同场景情况下用该算法来检测车辆,能够在提高检测率的同时,将检测速度提高7倍。     

AdaBoost算法在人脸检测中的应用

AdaBoost方法是目前较流行的一种图像检测方法．它是基于统计模型的检测方法。针对目前一些人脸检测方法误检率高、检测速度慢的问题,详细介绍AdaBoost算法的基本原理,并应用OpenCV程序的开发．实现检测速度快、检测率和鲁棒性高的人脸检测。     

AdaBoost算法在人脸检测中的应用

AdaBoost方法是目前较流行的一种图像检测方法,它是基于统计模型的检测方法。针对目前一些人脸检测方法误检率高、检测速度慢的问题,详细介绍AdaBoost算法的基本原理,并应用OpenCV程序的开发,实现检测速度快、检测率和鲁棒性高的人脸检测。     

基于AdaBoost的眉毛检测与定位

文章利用Haar-Like小波及其扩展特征,把AdaBoost算法应用于眉毛的自动检测与定位。实验数据包括114人的228幅眉毛图像,每人闭眼和睁眼各一幅,分别用于训练和测试,大小均为768×586。通过把这些图像缩小1/10后进行AdaBoost训练,解决了其速度较慢和对内存需求较高的问题。实验结果表明,AdaBoost级联分类器的训练耗时约2.7s,测试耗时每幅图像约24ms,对眉毛检测和定位测试的精度达到了97.4%。     

基于级联框架下的多特征融合人脸检测算法

针对AdaBoost人脸检测方法在高分辨率彩色图像上定位速度慢和误检率高的问题,提出一种多特征融合的人脸检测方法。该方法使用级联策略将多种特征分类器有效地组合起来,高效地利用各种特征之间的互补性,形成一种新型的高性能分类器。实验结果显示,该方法提高了检测速度、降低了误检率。     

基于特征数期望最小化的人脸检测分类器构建

目前Boosting训练算法已被广泛地应用于人脸检测中级联分类器的构建,而Boosting及其大量改进算法都主要关注于检测率而不是分类器的性能.文中提出了一种新的基于检测特征数期望值最小化的级联分类器构建方法使得分类器的各层特征数组合达到最佳性能.实验结果表明最优组合的检测特征数期望值比已发表的组合要小将近2倍,从而获得了比已发表的特征数组合高出近80%的性能提升.因此该方法适用于使用Boosting及其变形算法构建具有最佳性能的级联分类器.     

基于Haar-NMF特征和级联AdaBoost的脱岗检测算法

针对值班室人员的岗位执勤情况进行实时检测的需求,设计了一种脱岗检测系统,它使用低维的Haar-NMF特征代替Haar特征的方法以减少计算量,同时采用级联分类器代替单一的分类器结构以提高检测的准确性。该系统分为训练和测试两个部分,训练部分包括利用非负矩阵分解对Haar特征进行降维生成Haar-NMF特征和级联AdaBoost分类器的训练,经过数次训练后得到的各弱分类器根据训练过程中的权值加权组成一个强分类器,该分类器具有较高的学习效率,检测速度有明显提升。测试部分根据实际检测效果中存在的误检情况对检测算法进行修正和优化。实验验证了该系统具有相当高的检测率和较低的误检率,有助于避免在岗位无人值守时发生意外及损失财产。     

基于级联结构AdaBoost的入侵检测算法

根据级联结构的特征,针对入侵检测问题改进AdaBoost算法。改进的AdaBoost算法对参数求解方法、初始权值和判决阈值都进行调整,使弱分类器的加权参数不但与错误率有关,还与其对异常样本的识别能力有关。该算法能够有效地降低分类器的误警率,使其更适用于入侵检测,仿真实验证明了该算法的有效性。     

基于AdaBoost算法的彩色图像人脸检测研究

在彩色图像中,不同的颜色所对应的灰度值可能相同,因此在灰度图像中检测不到的信息可能在彩色图像中被检测到。本文提出一种彩色积分图概念,在AdaBoost算法的分类器训练过程中分别得到彩色图像的人脸信息,并在分类器的后五层使用融合彩色信息的分类器分类。实验表明,本文方法增强了分类器的分类能力,提高了系统的正确检测率,降低了错误报警率。