复杂背景中人脸检测与眼睛定位

本文对Viola等人提出的基于类Haar特征及AdaBoost的人脸检测算法进行了改进,将原来的单一阈值弱分类器改为输出几乎可模拟任意概率分布的特征查找表(FST)弱分类器,构建出人脸检测模块;同时,训练左、右人眼分类器对输入图像进行眼睛定位,并且利用ROC曲线对改进算法收敛速度、人脸检测器和人眼检测器的性能与Viola-Jones算法进行了比较分析。结果表明,改进后的算法具有较高的检测率和较低的误警率。     

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。     

基于PCA特征提取和距离哈希K近邻分类的人脸表情识别

使用PCA降维,提取人脸表情特征,并结合基于距离的哈希K近邻分类算法进行人脸表情识别。首先使用类Haar特征和AdaBoost算法进行人脸检测,并对人脸图像进行预处理;接着使用PCA提取人脸表情特征,并将特征加入到哈希表;最后使用K近邻分类算法进行人脸表情的识别。将特征库重构为哈希表后,很大地提高了识别效率。     

基于小训练样本的AdaBoost人脸检测

AdaBoost算法已被广泛地应用于人脸检测系统中,但往往需要大量的训练样本。针对其训练过程复杂冗长的缺陷,选择研究基于少量训练样本的人脸检测问题。采用协方差特征代替图像统计的直方图进行特征提取。为达到更好的分类效果,应用基于Fisher判别式分析的线性超平面分类器,通过AdaBoost算法构成多层级联分类器进行人脸检测。在小数据库里可以看到,与目前用于多数人脸检测系统的类Haar特征相比,该算法在减少训练样本的同时能获得更好的检测效果。     

基于肤色特征的AdaBoost人脸检测方法①

针对人脸检测准确率和实时性问题,提出了一种基于肤色特征的AdaBoost检测方法。通过将肤色特征应用到AdaBoost检测算法中,提高AdaBoost算法的检测率。实验结果表明,该算法能更好地实现多人脸检测,且减少计算量,保障了实时性的要求。     

基于改进AdaBoost算法的人脸检测

研究人脸识别实现自动化检测,针对实时定位准确识别人脸,采用传统AdaBoost算法构建人脸检测器时存在的过拟合现象和特征冗余缺欠,提出一种自适应样本权重更新规则和遗传算法的改进AdaBoost人脸检测方法.可把正负样本错分率引入样本权重更新过程,将分类效果反馈给分类器,实现对分类器结构的有效控制.用遗传算法进一步优化所选特征及其参数,达到使用较少的弱分类器实现高检出率和低误判率的双重要求.仿真结果表明,与传统AdaBoost算法相比,采用文中算法训练人脸检测器可有效避免样本权重扭曲现象,消除分类器冗余,在保证较高检出率的同时降低误检率,使人脸检测更加快速和精确.     

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.     

基于人脸检测的安保监控系统

论文提出了一种新的基于人脸检测的安保监控系统。采用Haar矩形作为特征,运用AdaBoost算法选取适当的分类器进行人脸检测,将检测到的人脸信息,以系统时间为标签存入到数据库中,并提供了查询和检索等功能。实验证明,该系统能够在各种特殊的环境有效地检测到人脸信息,并将检测到的信息以时间为标签存入数据库,极大地方便了监控录像的查询与检索。     

基于DSP的AdaBoost人脸检测算法实现

为解决人脸检测实时性问题,提出了基于DSP实现人脸检测算法.改进了AdaBoost人脸检测算法,在层次型AdaBoost检测算法的基础上,改进了特征定义方式,提出模糊层次型人脸检测器结构.介绍了TI公司的DSP芯片及其外围电路,描述了系统中各个模块的工作流程.最后,阐述了利用CCS对DSP程序进行优化.实验结果表明,在输入图像大小为256×256像素的条件下,检测速度达到每秒26帧,误检率只有0.9%,实现了实时人脸检测的要求.     

基于肤色与改进的Adaboost的人脸检测

针对传统的Adaboost算法检测速度块,准确率低的问题,提出一种基于肤色与改进的Adaboost算法以提高人脸检测的正确率。该算法首先利用肤色特征快速排除绝大部分背景区域,然后在肤色区域中利用快速积分图提取人脸的Haar特征,接着使用阈值设定的方法对传统的Adaboost算法进行改进,并将每次检测的最优分类器级联形成最终的强分类器,通过强分类器对Haar特征判别,检测出人脸部分。实验证明该算法有效的提高了人脸检测的准确率。     

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.     

一种结合肤色及类人脸特征的人脸检测

人脸特征提取是人脸检测的关键环节,有效的人脸特征将使得人脸检测更精确。Haar-Like特征作为一种矩形特征,虽然简单、计算迅速,但只能描述特定方向的图形结构。提出的类人脸特征是一种反映人脸灰度分布模型的矩形特征,更加有效地描述了人脸的特征。所提出的人脸检测算法,应用BP神经网络算法训练肤色区域,进行肤色分割。应用类人脸特征的AdaBoost算法进行人脸检测。实验结果表明,该算法可以提高人脸检测的检测率。     

两层级联卷积神经网络的人脸检测

目的 传统人脸检测方法因人脸多姿态变化和人脸面部特征不完整等问题,导致检测效果不佳。为解决上述问题,提出一种两层级联卷积神经网络（TC_CNN）人脸检测方法。方法 首先,构建两层卷积神经网络模型,利用前端卷积神经网络模型对人脸图像进行特征粗略提取,再利用最大值池化方法对粗提取得到的人脸特征进行降维操作,输出多个疑似人脸窗口;其次,将前端粗提取得到的人脸窗口作为后端卷积神经网络模型的输入进行特征精细提取,并通过池化操作得到新的特征图;最后,通过全连接层判别输出最佳检测窗口,完成人脸检测全过程。结果 实验选取FDDB人脸检测数据集中包含人脸多姿态变化以及人脸面部特征信息不完整等情况的图像进行测试,TC_CNN方法人脸检测率达到96.39%,误检率低至3.78%,相比当前流行方法在保证算法效率的同时检测率均有提高。结论 两层级联卷积神经网络人脸检测方法能够在人脸多姿态变化和面部特征信息不完整等情况下实现精准检测,保证较高的检测率,有效降低误检率,方法具有较好的鲁棒性和泛化能力。     

融合显著性因子的行人纹理提取

针对基于纹理信息的行人特征提取算法中存在特征信息冗余度大,无法刻画人眼视觉敏感性的不足,提出一种融合人类视觉感知特性的基于显著性局部二值模式(SF-LBP)的行人纹理特征提取算法.该算法首先采用显著性计算方法提取感兴趣区域得到各部分的显著性因子;然后将显著性因子权值与行人纹理特征根据核函数相融合,生成基于SF-LBP算子的特征向量;接着统计不同区域的特征向量,形成特征直方图;最后结合自适应AdaBoost分类器构建实验平台进行实验.INRIA数据集中的实验结果显示,SF-LBP特征在检测准确率上比梯度直方图(HOG)特征、Haar特征高出2%~3%,达到97%,召回率达到90%,提高了2%左右,表明SF-LBP算子能够准确描述行人的纹理特征,提高行人检测系统的准确率.     

融合全局和局部特征并基于神经网络的表情识别

在表情中含有最多特征信息的是面部眉毛、眼睛和嘴巴这三个区域,为充分利用这些特征,减少图像中无用信息在识别过程中对计算机内存的占用,提高人脸表情识别系统的准确率和速度,首先采用haar 和 adaboost人脸检测算法,对图像中的人脸进行识别,获得人脸图像并提取眉毛、眼睛和嘴巴,生成局部(眉毛、眼睛、嘴巴)二值化图,利用PCA方法对人脸图像降维,降维后的全局和局部灰度特征值组成一个列向量。样本由表情数据库产生,经过神经网络样本训练后,进行表情识别。结果表明,该系统对人脸表情识别速度明显快于Gabor 小波算法;识别的准确率高于单独使用PCA算法和神经网络算法;消耗内存比用Gabor 小波算法少,运行较流畅。得出结论：因为提取出包含表情特征信息集中区的眉毛、眼睛和嘴巴,尽可能地多保留了这些局部特征信息,因而提高了表情识别准确率,同时,采用PCA方法对原始图像进行降维处理,有效的减少了信息冗余。     

Multi-view face and eye detection using discriminant features

Multi-view face detection plays an important role in many applications. This paper presents a statistical learning method to extract features and construct classifiers for multi-view face detection. Specifically, a recursive nonparametric discriminant analysis (RNDA) method is presented. The RNDA relaxes Gaussian assumptions of Fisher discriminant analysis (FDA), and it can handle more general class distributions. RNDA also improves the traditional nonparametric discriminant analysis (NDA) by alleviating its computational complexity. The resulting RNDA features provide better accuracy than the commonly used Haar features in detecting objects of complex shapes. Histograms of extracted features are learned to represent class distributions and to construct probabilistic classifiers. RNDA features are subsequently learned and combined with AdaBoost to form a multi-view face detector. The method is applied to both multi-view face and eye detection, and experimental results demonstrate improved performance over existing methods.     

基于几何特征与新Haar特征的人脸检测算法

针对普通Adaboost算法训练时间长,对复杂背景下(暗光、多角度、多姿态等)人脸检测识别率较低的问题,提出了一种改进的结合肤色检测及几何特征的Adaboost算法.采用肤色粗检筛选出候选人脸区域,同时采用新的非对称的Haar特征来训练分类器,进一步加强检测性能,提升鲁棒性和复杂背景下的宽容度实验将此算法应用到一个嵌入式系统中,结果表明:在各种复杂背景下的人脸检测中鲁棒性和宽容度均提升很多,误识率进一步降低,并且在嵌入式人脸检测的系统中具有很好的可移植性和实用性.     

人脸检测级联分类器快速训练算法

目前AdaBoost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AdaBoost算法训练级联分类器的周期却十分漫长.为了减少训练时间,文中提出了一种基于AdaBoost的改进训练算法.该算法通过对弱分类器的阈值选择进行一趟处理来降低运算时间复杂度,并根据AdaBoost训练迭代中只改变样本权值而不更新样本的特点对特征值和排序结果进行缓存来提高训练算法的性能.实验结果表明,该算法大幅提高了人脸检测分类器训练系统的性能,使得分类器的训练时间缩短了60多倍.由于AdaBoost算法的通用性,该改进算法不仅适用于人脸检测,也适合所有进行权值更新迭代训练的Boosting算法.     

结合运动特征的AdaBoost层次增强算法

随着高分辨率传感器成为视频获取的主流,AdaBoost算法所面临的主要问题是置入级联分类器待检测窗口数过多。提出一种AdaBoost人脸检测层次增强算法,以加快人脸检测速度。从整体目标运动与局部人脸运动两个层次出发,以矩形块为计算单位,根据相关性原则,提取运动目标区域;以运动特征为基础,结合主成分分析获得运动特征子空间;通过子空间投影得到候选人脸窗口集合。对比实验表明,在640×480以及1?280×720视频帧中,该算法具有较高的子窗口置入率和稳定的检测精度,平均检测速度分别为28?f/s和6?f/s,适用于实时人脸检测。     

基于Haar特性的改进HOG的人脸特征提取算法

现有的大多数特征提取算法在提取人脸特征时,容易受到光照等外界因素的影响,从而导致后期人脸识别率下降。而方向梯度直方图(Histogram of Oriented Gradient,HOG)具有较强的光照鲁棒性,能够很好地减少由光照带来的干扰,但传统HOG在计算梯度幅值和方向时只计算水平和垂直方向上4个像素点对中间像素的影响,当外界环境变化时不能保证稳定性,因此提出一种基于Haar特性的改进HOG的人脸特征提取算法。该算法在计算梯度幅值和方向时考虑水平、垂直以及对角线上8个像素点对中间像素的影响,由于增加计算量导致特征提取时间也随之增加,因此引入Haar,借助Haar型特征运算简单、快捷的特点设计4组Haar型特征编码模式,按照改进的HOG特征计算方式提取人脸特征。在有光照等外界因素影响的FERET人脸数据库和Yale B扩展的人脸测试库中进行实验,实验结果表明,与GFC,LBP和其他文献中的HOG算法相比,该算法对光照具有更好的鲁棒性,能够在光照变化的环境下提高人脸识别率。该算法在FERET探测集fb,fc,dup1和dup2上的识别率分别为95.1%,80.9%,70.1%和63.2%,在Yale B中的识别率为89.1%。