一种基于特征模型的人脸检测方法

特征提取是基于特征的人脸检测的关键。提出了一种利用眼睛和鼻子的灰度特征和几何特征的人脸检测方法。选取眼睛和鼻子作为特征点,构造一个三角的特征模型。另外,此方法对候选特征图像采用逐步改变分块大小的方法进行搜索,得到独立的特征点,并利用人脸结构特点的先验知识建立模型的搜索策略。实验证明,此方法能迅速准确的从复杂背景中检测出人脸,而且对多人脸同样有效。     

一种基于人脸核心区域灰度分布的人脸检测方法

提出了一种基于人脸核心区域(眉毛、眼睛、鼻子、嘴等)灰度分布特征的人脸检测方法:首先在多维阈值下对人脸图像进行分析和处理得到可能包含人脸的一些区域,然后从这些区域中检索特殊的灰度特征,最后综合多维阈值下的灰度特征及特征之间的分布关系确定出人脸的大小和位置.实验证明,此方法能迅速准确地从背景图像中检测出人脸.     

一种基于颜色和形状的人脸检测方法

提出了一种层次式的人脸综合检测方法。结合肤色和人脸椭圆形状来检测彩色图像、复杂背景中人脸区域。最后通过人脸区域的内部灰度信息提取人脸特征,从而达到成功检测人脸的目的。。     

一种基于Adaboost的分层特征空间人脸检测的方法

Viola和Jones的人脸检测方法在分类器训练后期,基于Haar-like特征的弱分类器分类能力变弱.针对此问题,提出一种基于Adaboost的分层特征空间的人脸检测方法.该方法让弱分类器在局部和全局特征空间中进行训练,增强弱分类器的分类性能.实验表明,本文方法提高系统的正确检测率,降低错误报警数,与当前人脸检测系统相比性能更优越.     

人脸遮挡区域检测与重建

提出一种基于模糊主分量分析技术(FPCA)的人脸遮挡检测与去除方法.首先,有遮挡人脸被投影到特征脸空间并通过特征脸的线性组合得到一个重建人脸.计算重建图与原图的差图像,加权滤波后并归一化作为被遮挡的概率,以此概率为权重由原图和重建图合成新的人脸.在后续迭代中,根据遮挡概率使用模糊主分量分析进行分析重建,并使用累积误差进行遮挡检测.实验结果表明,算法可精确定位人脸遮挡区域,得到平滑自然的重建人脸图像,优于经典的迭代PCA方法.     

一种人脸检测方法①

通过定义曲线的平均斜率（Curve Avage Slope）,利用灰度投影曲线和曲线平均斜率在图像中寻找出人脸的左右边界,然后根据人脸的其他特征,比如头发颜色,皮肤颜色,眼睛特征,寻找出人脸的上下边界,从而检测出图像中的人脸区域。     

一种人脸检测方法①

通过定义曲线的平均斜率（Curve Avage Slope）,利用灰度投影曲线和曲线平均斜率在图像中寻找出人脸的左右边界,然后根据人脸的其他特征,比如头发颜色,皮肤颜色,眼睛特征,寻找出人脸的上下边界,从而检测出图像中的人脸区域。     

一种基于肤色的复杂背景人脸检测方法

针对复杂背景下的彩色人脸图像,利用肤色信息,从图像中分割出具有肤色的区域,整理得到待检测人脸区域,从中进行人脸特征的提取和验证,最终确定人脸。     

一种快速、鲁棒的人脸检测方法

根据特征脸思想，提出了一种新的基于特征肤色的人脸检测方法。首先从RGB彩色空间转换到HSI彩色空间中，然后训练肤色点样本集得到特征肤色，最后在特征肤色构成的肤色空间中检测人脸，实验表明，该方法是快速的，鲁棒的。     

一种基于Real AdaBoost算法的EOM人脸检测方法

提出一种基于Real AdaBoost算法的边缘方位匹配(EOM)人脸检测方法.该方法提取人脸图像的边缘方位特征,一定程度上克服光照等干扰因素的影响.采用Real AdaBoost算法通过多次迭代学习过程获取人脸的整体模式(全局特征点集).在每次迭代学习过程中,采用区域选择策略获取人脸的局部模式(局部特征点集).与传统的EOM方法相比,本文方法所获取的人脸模式更精确.正面人脸检测实验证实这一点.     

人脸检测中基于自适应ICA的特征提取算法

如何从图片中提取出有效特征来区分人脸与非人脸一直是一个难题.文中提出了利用自适应独立成分分析(Self-Adaptive ICA)算法对图像结构信息非常敏感的特点,有效地从大量正面人脸图片中分离出人脸的局部特征,从而利用这些局部特征基底有效地表示人脸图片.自适应ICA算法的优点是能自适应的拟合图像数据的统计性质,而不用预先设定.通过比较待检测的人脸图片与非人脸图片在这组特征基底上的投影系数,可以较好的区分二者.实验结果也表明这种特征提取方法可以找到一组很好的人脸特征基底.使用这种方法构造的弱分类器的分类准确率在相同的误检率下比Boosted Cascaded方法中的弱分类器高1% ～ 1.5%.     

人脸检测方法的研究

目前人脸识别技术已广泛应用于政府、军队、银行、杜会福利保障、电子商务、安全防务等领域,而人脸检测是人脸识别系统中需要解决的一个关键问题,由于人脸模式的多样性和复杂性,导致大量不同的人脸检测方法,总结了人脸检测中遇到的关键问题与难点,并对各种人脸检测方法进行整理归纳,从基于特征的方法和基于图像的方法两个角度介绍了相关算法...     

基于眼睛特征的人脸检测方法*

由于眼球的灰度级较低,而眼球周围白色区域的灰度级较高,因此在其交界处灰度级产生强烈突变。利用这一特征先从图像中找出可能的眼睛对,定位可能的人脸区域,通过计算其对称性来确定各种人脸特征的存在,更进一步验证可能的人脸区域。实验证明,此方法能迅速准确地从复杂背景图像中检测出人脸,而且对多人脸图像同样有效。     

基于Adaboost算法的多角度人脸检测

文中提出了一种基于Adaboost算法的多角度人脸检测方法.多角度人脸检测问题的研究与正面人脸检测相比,相对薄弱,离实际应用的需求还比较远.首先使用Haar特征设计并构造弱分类器空间,用Adaboost算法学习得到基于视图的多分类器级联的人脸检测器;然后将多角度人脸划分成三类:全侧脸,半侧脸及正面人脸,并为不同角度的人脸建立不同的检测器分别用于检测.在CMU侧面人脸检测集合上,用基于Adaboost的方法对多角度人脸图像进行仿真实验,检测正确率为89.8%,误报数为243个.相比Schneiderman等人的方法,该方法具有更好的性能.     

基于小波变换的人脸检测系统的实现

本文以Gabor小波变换理论为基础,采用模板匹配法定位人脸图像的眼睛,弹性匹配法对其余特征点进行搜索,最后利用弹性图簇的数据结构求得特征点的精确位置,提出了一种更优的人脸检测方法。通过MATLAB软件仿真结果表明,该方法能有效提高人脸的识别率。     

人脸检测与识别技术综述

人脸的自动识别是模式识别、图像处理等学科的研究热点,并在商业和法律方面有广阔的应用前景(如身份证、信用卡、护照等身份认证以及智能小区管理、电视监控系统等等),近年来关于人脸自动识别的研究取得了很大的进展。但是,这些研究成果离这一问题的彻底解决还有很大的距离,这一课题仍然是当前研究的热点问题之一。本文重点对现有的人脸检测与识别的方法及研究进行总结,并比较了各种方法的优缺点。并在最后指出了进一步工作的方向。     

一种基于改进LBP算子的人脸识别算法研究

提出了一种基于改进LBP算子的人脸识别算法。局部二元模式（LBP）是一种灰度范围内的纹理描述方式,它从一种纹理局部近邻定义中衍生出来。然而,LBP算子本身还不够完善,在人脸识别的应用中还存在许多问题亟待解决。文章在此基础上,对其特征的组合方式等方面作了一些改进,并将改进后的LBP算子用于人脸识别。通过改进前后在YALE人脸库的实验比较,该方法在识别率上取得了较好的结果。     

基于肤色及五官特征的人脸检测方法

本文提出了一种基于肤色及五官特征的人脸检测方法，通过对图片进行一系列的处理。提取出人脸的大致框架，然后通过眼睛、嘴巴的建模，最后得到图片中人脸的比较精确的位置。     

一种基于KL变换和镶嵌图模型的人脸检测方法

提出了一种基于KL变换和镶嵌图模型的人脸检测方法。该方法首先采用KL变换将整个图像空间划分为主元子空间和次元子空间,利用人脸图像大部分能量集中在主元子空间、小部分能量分散到次元子空间这一特点,将人脸从复杂背景中初步检测出来。在此基础上,采用符合人脸生理结构特征的人脸镶嵌图模型,并在分析足够多的人脸图像样本的基础上,针对人脸图像的灰度和边缘信息,建立了一种较为合适的知识库。实验结果表明,该方法能够较好地解决复杂背景下的正面人脸的检测问题。     

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法。 Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征。结合Haar-Like 矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测。人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果。