一种复杂背景下的人脸检测方法

针对在复杂背景下现有人脸检测算法存在检测率低和误检率高等问题,提出了一种基于改进AdaBoost算法和肤色校验相结合的彩色图像人脸检测方法.首先对传统AdaBoost算法进行了改进,通过改进样本权值参数和弱分类器加权参数,有效地抑制了困难样本权值的过分增大,加强了分类器对样本的识别能力,并提高了系统的检测率;然后将Ad...     

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。     

改进的肤色提取法在人脸检测中的应用

研究了人脸检测中的肤色提取问题,针对常用的肤色模型提取法提取效果较差、去除背景较少的缺点,逐个分析常用肤色模型的优缺点,提出综合肤色模型提取法(CCM),并结合AdaBoost算法进行人脸检测.试验论证,上述方法去除复杂背景效果好,使肤色区域能够准确的从非肤色背景中分离出来.人脸检测过程中,通过调整AdaBoost人脸检测算法中的检测窗口的放大倍数和移动步长,加快了检测速度.检测数据表明,该方法有效地提高了检测率,减少了检测时间.     

基于块分类器和SVM的人脸检测方法

针对彩色图像中人脸检测问题，文中提出一种由“块分类器 SVM分类器”组成的快速算法。它的主要特点是利用肤色点在YCrCb色度空间的分布概率模型，实现二值分割，然后利用面部区域双眼的典型非肤色特征，构造一个“块分类器”，从待检测图像中实现人脸候选窗的快速粗选，再用SVM分类器作进一步确认，最后对检测出来的窗口进行综合，从而实现人脸的精确定位。通过在相同测试集上的对比实验，在不影响正检率的情况下，该算法不但可以降低虚警率，而且极大地提高了检测速度。     

一种新的快速多人脸检测算法

提出一种基于改进的肤色分割和距离变换的快速人脸检测算法。该算法对传统肤色分割进行了改进,使得肤色分割更加可靠,而且能够对图像中的多个人脸进行快速定位。实验证明该方法是有效的。     

一种基于AdaBoost的人脸检测算法

针对常规基于肤色检测的AdaBoost算法的不足, 提出了一种改进的AdaBoost人脸检测算法,算法包括人体肤色模型、人脸运动检测模型、改进的背景提取方法、针对人脸区域的光照增强方法。算法综合利用了人体肤色信息和人脸运动信息,能有效缩小搜索范围。实验结果表明,该方法与常规基于肤色检测的AdaBoost方法相比,在保证检测性能的基础上,有效提高了检测速度。     

一种基于肤色与边缘轮廓的人脸检测方法

本文提出了一种基于肤色和边缘轮廓相结合的人脸检测算法。其算法首先采用人脸肤色模板对图像当中的类人脸肤色区域进行初定位,再利用以人脸边缘轮廓为特征训练得到的支撑向量机对这些区域进行分类,最终得到人脸区域。实验证明,此算法保证了检测率的基础上获得了较好的检测速度。     

一种基于肤色和主元分析的人脸检测方法

提出一种基于人脸肤色统计模型和主元分析(PCA)的人脸检测和定位方法。对现有的高斯肤色模型进行改进，并提出一种新的简便有效的候选人脸区域定位方法，最后采用基于主元分析的人眼检测算法完成对候选区域的检验。实验证明该方法可以有效地运用于多人脸，不同尺寸和复杂背景的情况，具有良好的检测效果。     

基于双肤色模型和改进的SNoW算法的人脸检测方法

针对环境与光照对面部肤色提取的影响,提出一种基于双肤色模型和改进的SNo W算法相结合的人脸检测方法。首先,利用自适应光照补偿方法对图像进行预处理,减少光照变化导致的色彩偏差;然后,综合利用YCbCr和HSI肤色模型提取预处理后图像中的人脸信息;最后,结合改进的SNoW算法检测人脸位置。实验结果表明,在复杂背景和光照变化的情况下,该方法可以准确检测和定位人脸,提升了检测效率和提高了算法对于复杂背景、光照、表情的鲁棒性。     

一种基于视频流的快速人脸检测算法

人脸检测广泛用于计算机视觉和模式识别领域。结合肤色检测和镶嵌图方法,提出一种对视频流中人脸进行快速检测的算法。该方法首先根据肤色信息和人脸的几何规则初步得到可能的人脸区,然后在候选区中利用改进的镶嵌图方法准确定位人脸。实验表明,该方法能快速而且准确地在视频流中进行人脸检测。     

基于颜色的皮肤区域探测

提出了一种新的色系坐标系r'g'b',在这种坐标系下,无须对色度信息进行经验公式修正;并推导说明了在无法估计非肤色条件样本的概率分布情况下,用肤色分布先验概率来表征肤色点后验概率的原理。     

基于连续Adaboost算法的多视角人脸检测

提出了一种基于连续Adaboost算法的多视角人脸检测方法.人脸按其三维姿态被划分成若干个视点子类,针对每个子类使用Haar型特征设计了具有连续致信度输出的查找表型弱分类器形式,构造出弱分类器空间,采用连续Adaboost算法学习出基于视图的瀑布型人脸检测器.为了提高检测速度,使用了多分辨率搜索和姿态预估计策略.对于正面人脸检测,在CMU+MIT的正面人脸测试集合上检测的正确率为94.5%,误报57个;对于多视角人脸检测,在CMU侧面人脸测试集合上检测的正确率为89.8%,误报221个.在一台Pentium Ⅳ 2.4GHz的PC上,处理一幅大小为320×240的图片平均需80ms.实验结果表明该方法十分有效,具有明显的应用价值.     

基于多通道图判别投影HAAR特征的多视角人脸检测

提出了一种基于多通道图判别投影HAAR特征的多视角人脸检测算法。该算法首先将人脸图像提取多通道图,降低图像中的光照和噪声影响;其次基于正负训练样本集利用线性判别投影学习增强HAAR特征,提高特征判别能力;然后计算训练样本的增强HAAR特征在多通道图中的响应,并利用非对称GentleBoost算法进行特征选择生成一组弱分类器;最后利用线性非对称分类器重新调整强分类器的权重和阈值。该方法不仅提高了特征的判别能力,而且实现了非平衡正负样本空间的合理划分。实验结果表明：该方法与当前经典方法相比具有更快的检测速度和更高的检测精度。     

一种新的基于肤色模型的人脸检测算法

人脸检测是计算机视觉、模式识别、人机交互研究中一个很受关注的研究热点。人脸模式错综复杂、易受干扰,常见的人脸检测算法一般都具有计算量大、速度慢、误报率高的弱点。文章基于肤色模型,研究了基于非线性变换技术的方法,并且融合几何特征进行人脸及其特征点的检测。实验证明,该算法十分有效,速度快、误报率低,相对其它算法具有优越性。     

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YCbCr肤色模型和SNOW分类器的人脸检测

人脸检测是人脸识别的首要步骤,在人脸识别领域有重要的应用价值。基于YCbCr彩色空间,提出一种RGB彩色图像的人脸检测方法。该方法利用YCbCr肤色模型进行肤色分割,得到类肤色区域作为侯选人脸区域;结合split up Sparse Network OfWinnows（SNOW）分类器准确定位人脸的位置应用matlab编程技术对多组图像进行实验,结果表明,该方法适用于复杂条件下的人脸检测,并且不受人脸表情的限制,对于多人脸检测同样适用。     

基于肤色模型和区域特征的人脸检测方法

精度和速度是人脸检测系统的两个衡量标准。针对传统人脸检测方法两者不能兼优的问题,该文提出一种结合颜色空间和特征区域的人脸检测方法。该方法采用肤色模型提取肤色像素,利用拓展的马赛克方法获取人脸区域,构建模型并提取嘴唇和眼睛,结合区域特征定位中心点。实验结果表明,该方法简单易行、定位精确。     

基于肤色的人脸检测研究

对于有背景的彩色图像,肤色是人体表面最显著的特征之一,所以肤色特征是人脸检测中一个重要的特征[1～2]。肤色特征主要由肤色模型描述,检测方法可以分为颜色选择,肤色区域分割和人脸检测三个步骤。文章提出的肤色模型可以较好的适应光照变化,采用肤色分割的方法,可以快速检测不同大小,不同平面以及一定侧面旋转角度的人脸。对简单背景下的人脸检测的检测率达到95.65%,复杂背景下的人脸检测的检测率达到85.22%。     

基于半监督聚类的人脸检测方法

将肤色与连续AdaBoost算法相结合进行人脸检测,并引入半监督策略指导肤色聚类从而建立肤色模型。在肤色聚类过程中,提出一种基于半监督的SKDK算法引导肤色聚类,依据各个像素簇的概率统计分布特性得到肤色模型。在此基础上利用数学形态学等知识对图像进行处理,得到人脸候选区域,将其作为连续AdaBoost分类器的输入进行人脸检测。实验结果表明,在多人脸的场景下,该方法的检测效果优于直接使用连续AdaBoost方法进行人脸检测的检测效果。