基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.     

基于肤色及改进的Adaboost算法的人脸检测

为提高人脸检测的实时性和准确率,提出一种基于肤色与改进的Adaboost算法结合的人脸检测新方法。首先在YCbCr色彩空间下建立混合高斯肤色模型处理待检测图像,分割出肤色区域得到候选人脸区域。然后通过Harr矩形特征扩展与样本权值更新改进Adaboost算法,进行人脸检测。实验表明,该方法较好地处理了复杂背景下彩色图像人脸检测的漏检、错检问题,提高了检测速度和精度。     

基于肤色模型和改进Adaboost算法的人脸检测

为提高人脸检测的精度,提出一种基于YCbCr肤色模型和Adaboost算法的人脸检测方法。利用YCbCr颜色空间的肤色阈值模型确定待检测区域。再利用Adaboost算法准确定位出人脸位置,并对Adaboost算法的训练过程提出一种新的权值更新方法,防止权值过分增大,避免了Adaboost算法训练过程中出现的“退化”现象。     

基于肤色特征和Adaboost算法的人脸检测方法探析

针对采用基于肤色特征的人脸检测方法和基于Ada Boost算法的人脸检测,单一方法的人脸检测系统在检测率和误检率方面不能同时达到比较好的效果。因此结合上述两种算法各自的优点,将两种方法相结合并加以改进,主要思想是基于肤色特征的人脸检测作为预人脸检测,得到含有人脸的肤色区域,运用级联分类器检测这些肤色区域。利用matlab仿真软件进行了大量的仿真探析并进行了统计与分析,探析表明改进算法在误检率和检测率方面明显优于两种单独算法,同时对于人脸姿势方面,也能够达到很好的检测效果。     

基于HS-CbCrCg肤色模型的人脸检测算法

传统的人脸检测方法对于复杂背景彩色图像中人脸区域检测效果不理想。本文首先对不同光照条件下的输入图像进行光补偿和图像增强的预处理,然后利用HS-CbCrCg颜色空间建立肤色模型对图像进行肤色判别,之后用改进的Adaboost算法检测肤色区域的人脸信息,最后对重点区域重检测判别出确信人脸。实验数据表明,此方法对比传统的人脸检测方法,处理速度更快同时能够降低人脸漏检率和误检率。     

基于肤色模型的人脸检测算法研究

利用一种基于肤色的2D Gaussian模型和一定的先验知识实现了人脸快速检测。首先对一幅图像进行去噪、光线补偿等预处理,然后根据颜色空间特性建立适宜的肤色模型,检测出大致的肤色轮廓,对面部特征根据先验知识实现定位,从而剔除非脸部区域,最后对该算法进行实验验证。实验表明,该算法可以实现人脸的快速检测,降低了误报率,具有一定的优越性。     

基于Adaboost的人脸检测算法研究

Paul Viola和Michael Jones曾提出的基于积分图象和Adaboost算法构建层叠式(cascade)人脸检测器,是人脸检测算法上的里程碑事件。先利用积分图象在常数时间内快速计算矩形特征,再用Adaboost算法训练这些矩形特征组成强分类器,从而使分类器的速度大大提高。此外,构造层叠分类器,首先简单的强分类器排除大多数非人脸窗口,减轻复杂分类器的负担,进而提高速度。     

基于Adaboost算法的人脸检测技术的研究与实现

随着信息安全,人机交互等领域的发展,人脸检测作为人脸识别的一个重要前期步骤,开始作为一个独立技术越来越受到关注。根据Adaboost算法的基本原理,生成简单的矩形特征为人脸特征（Haar—like特征）,然后由多＆Harr-hke特征构成一个简单的弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态的人脸检测中,从截取的每一帧图像进行检测。实验证明应用本算法有良好的实时性和准确性。     

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,N-I~T来的人脸识别提供了前提条件。     

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。     

Adaboost人脸检测算法的改进

AdaBoost人脸检测算法是该领域中比较成功的算法之一。当被检测图片中人脸大小缩放至与分类器尺寸左右时,才能够正确地判定人脸,而其他缩放下的检测造成了冗余。验证了人脸检测速度的影响因素,针对分辨率为640×480的图片,建立了人脸尺寸高斯模型以及单幅人脸权重模型,提出了依据这两个模型的人脸检测的缩放方式。实验显示基于该方法,在稍有降低识别率的情况下,大幅提高了检测速度。     

一种基于肤色和边缘信息的人脸检测

人脸的检测是一个非常复杂的问题,对它的许多规律和规则进行显性的描述是相当困难的.文中提出一种基于肤色和边缘信息的人脸检测方法.该方法充分利用了人脸肤色的统计知识,首先利用肤色模型和边缘信息对人脸进行初定位,形成肤色区域,然后利用区域的特性例如紧凑性、坚固性、长宽比等来验证该肤色区域是否存在人脸.实验证明,该方法可以有效地运用于多人脸、不同尺寸、表情姿态和复杂背景的情况,具有较好的检测结果,还可以用于实时的人脸跟踪中.     

Face Detection under Complex Background and Illumination

For face detection under complex background and illumination, a detection method that combines the skin color segmentation and cost-sensitive Adaboost algorithm is proposed in this paper. First, by using the characteristic of human skin color clustering in the color space, the skin color area in YCbCr color space is extracted and a large number of irrelevant backgrounds are excluded; then for remedying the deficiencies of Adaboost algorithm, the cost-sensitive function is introduced into the Adaboost algorithm; finally the skin color segmentation and cost-sensitive Adaboost algorithm are combined for the face detection. Experimental results show that the proposed detection method has a higher detection rate and detection speed, which can more adapt to the actual field environment.     

融合多特征的人脸检测方法

针对复杂环境下基于肤色模型的人脸检测误检率较高以及Adaboost算法对高分辨率图像时间效率低,提出了一种新的结合肤色模型和皮肤纹理特征以及Adaboost级联分类器的人脸检测方法,并改进了基于纹理刷色阶偏差法的皮肤纹理特征提取方法。该算法充分融合了肤色模型简单快捷、皮肤纹理突出的特性以及Adaboost级联分类器检测率高等优点。实验表明,该方法检测率高且有较好的鲁棒性。     

基于肤色模型与模板匹配的人脸检测探究

本文提出了一种基于肤色模型与模板匹配的人脸检测方法。基于YCbCr色彩空间的高斯概率模型,对肤色进行相似度计算和二值化分割,采用形态学对二值化后的图像去噪处理,随后又利用人脸先验知识进一步排除非人脸区域,最后结合人脸模板进行匹配,最终确定并标记出图像中人脸的位置。实验表明,该方法能够在复杂背景图像中较准确地检测出人脸。     

Real-time Face Detection using Skin Color Model

1　Introduction　Facedetectionandrecognitionarestilltoughtasksofpatternrecognition ,in particularinreal timeapplica tions ,e .g .,securitysystems ,humanandmachinein teraction ,smartmediasystems,andsoon .Thediffi cultiesaremainlyduetothevariationsofilluminationconditions,viewpoints,pose ,imagesize ,etc ..Facedetectionisthecrucialstepinfacerecognition .Ifthepresenceofhumanfaceisdetected ,thelocationandsizeofthefaceregionarereturned .Overthelastthreedecades,manyfacedetectionmethodshavebeendevel …