基于肤色模型与人脸特征的多姿态人脸检测

传统AdaBoost人脸检测算法使用正面人脸训练分类器,不能检测有任意偏转角度的多姿态人脸。本研究利用各种多姿态人脸中人眼结构变化比较小的性质,使用人眼训练AdaBoost算法的分类器,设计出一种快速的复杂场景下的多人多姿态人脸检测算法。先将图像映射到一种色彩空间,运用皮肤颜色分布特性检测皮肤区域;再运用AdaBoost算法从肤色区域检测出人眼区域;最后根据人眼在人脸中的位置计算出人脸的位置。实验结果表明:该算法对多姿态人脸有很好的检测效果。     

基于Haar特征级联强分类器和肤色模型的人脸检测

提出了基于Haar特征级联强分类器和肤色模型校验的快速人脸检测算法。利用基于人脸Haar特 征的级联强分类器快速检测人脸,得到待判人脸区域,其中可能含有非人脸误检区域;利用肤色聚类模型对待判人 脸区域进行筛选,过滤误检的非人脸区域。实验结果表明,该算法误检率低,检测速度快,在实际应用中有一定的价 值。     

基于AdaBoost和ASM算法的人眼定位

针对人脸识别中眼睛定位不准的问题,提出了一种有效的人眼定位方法。该方法首先计算图像的积分图,然后利用基于Haar-like特征的AdaBoost级联分类器检测出图像中人脸的位置,最后再利用主动形状模型(ASM)算法精确定位出人眼。该方法在JAFFE人脸库和自建人脸库上表现出良好的性能,定位准确率达99%以上。实验结果表明,该方法对人眼的定位准确、快速。     

基于肤色和改进AdaBoost算法的人脸检测

提出了一种基于肤色和改进AdaBoost算法的人脸检测方法。从被检图像中分割出肤色区域从而得到包含一系列人脸静态特征的候选人脸区域。针对传统AdaBoost算法在训练过程中的过增益现象提出了一种新的权重更新方法,同时在训练过程中构建级联分类器。通过级联分类器对候选人脸区域进行扫描来准确定位人脸。大量的实验结果表明,所提出的方法在人脸检测上取得了较好的效果。     

基于DSP的疲劳驾驶实时检测算法实现

针对基于DSP的疲劳驾驶实时检测系统,利用Adaboost算法训练人脸与人眼分类器,在分析了基于Hough找圆法与灰度投影法的人眼状态分析算法各自的优缺点后,提出了一种新的基于区域灰度特征的人眼状态分析算法,该算法不需要精确几何模型,利用基于区域特征的灰度均值,具有很强的鲁棒性。将疲劳驾驶检测算法移植到DSP中后,检测算法的帧速率达到18帧/秒,满足了实时检测的性能要求。     

复杂背景下的人脸检测方法研究

针对复杂背景环境下的人脸检测,提出了一种基于改进AdaBoost的新方法。首先对人脸进行Haar-like特征的提取,然后使用基于最大散度差的鉴别准则对人脸高维特征进行降维。通过预设最大误报率和最小通过率及与前向搜索相结合的方法选择最佳弱分类器。在级联结构后几层的强分类器中,使用PCA、LDA与AdaBoost相融合的方法,去除非人脸区域,有效地检测出人脸。实验仿真结果验证了该方法的有效性。     

基于眼动跟踪的人机交互应用

使用价格低廉的网络摄像头作为视频源,研究基于眼动识别和视线跟踪在计算机上精确交互的方法.提出一种基于外观人眼视线方向估计的人机交互方法:使用一个简单快速的卷积神经网络模型粗略估计人眼在屏幕上的注视点,进而将眼动识别和不精确视线跟踪结果用于实现在计算机上的精确人机交互.在此基础上开发了眼动鼠标与眼动打字的功能以替代鼠标和...     

非接触式眼压计人眼跟踪算法研究

非接触式眼压计测量眼压的前提是对人眼瞳孔进行精确跟踪定位.通过对非接触式眼压测量跟踪系统的研究,提出汇聚式双目视觉的人眼瞳孔跟踪方法,采用结合帧差法和Mean-Shift算法的改进算法进行目标跟踪,解决了Mean-Shift算法对瞳孔进行跟踪过程中,有跟踪目标丢失现象的问题,通过下位机驱动三轴电机进行移动,调整系统与人眼的相对位置,以实现人眼瞳孔的精确跟踪.经在样机上实验,其结果表明:系统跟踪定位误差≤0.1 mm,跟踪过程在1s内完成.     

基于AdaBoost的人脸检测算法

针对人脸检测的特点,深入分析了基于Haar-Like小波特征和AdaBoost算法构造强分类器的人脸检测算法,并将此算法应用于ORL人脸库.在Visual C++6.0平台下,首先利用AdaBoost算法训练得到用于人脸检测的强分类器H(x),然后利用该分类器进行人脸检测.实验表明,提出的算法在保证检测精度的同时,极大的提高了人脸检测速度,且受光照变化影响小.     

一种人眼瞳孔定位方法

为了提高人脸识别系统识别率和算法的运行效率,提出一种依据阈值变化的自适应定位人眼瞳孔的方法.该方法根据最小极区的思想,利用阈值从低到高的动态变化,借助自然约束条件、相似度分析和灰度重心法来精确定位人眼瞳孔的位置.利用该方法在CAS_PEAL、CVL以及自建的人脸库上进行了大量实验.实验结果表明,该人眼瞳孔定位方法可以有效定位人眼瞳孔,并且对于光照、表情都具有较好的鲁棒性.     

AdaBoost人脸检测定点型优化算法

提出一种AdaBoost人脸检测的定点型优化算法,该算法以AdaBoost人脸检测原型算法为基础,分析了Cascade瀑布式级联分类器中弱分类器与强分类器分类计算的特点,有效分解了弱分类器与强分类器的计算过程,从而现实了强分类器与弱分类器相关模型参数有效分离标定。优化算法进一步利用图像积分图及弱分类器计算特点,完成对弱分类器计算过程及相关模型参数的定点型转化;同时,利用强分类器浮点的计算精度要求,完成强分类器计算过程及相关模型参数的定点型转化。该定点型AdaBoost人脸检测方法计算精度逼近原浮点型算法计算精度,保持了较高的人脸检测正确率,并利于后期的SIMD并行计算方法优化,同时,也利于算法在定点型嵌入式设备上的移植与优化。     

基于约束局部模型的人眼区域检测研究

为了提升人眼区域检测的精确性与稳定性,通过基于统计学习的逻辑回归法和卷积神经网络法2种不同的局部检测器,提出一种基于约束局部模型的人眼区域定位方法。首先,在原始图片中检测出人脸区域;然后,在人脸区域中定位出人眼关键点位置,将关键点的外界矩形作为人眼区域的检测结果。结果表明：基于约束局部模型的人眼区域检测方法不仅对不同肤色、光照及头部姿态的测试者都能精确检测出眼睛区域,基于卷积神经网络的局部检测器的检测结果也更加准确。基于约束局部模型的人眼区域检测方法具有较好的精确性与稳定性。     

基于肤色模型与粒子滤波的人脸自动检测、跟踪算法

首先通过一种基于亮度聚类的肤色模型,检测人脸的初始位置;其次提出了一种基于粒子滤波的特征融合跟踪算法,用颜色直方图和方向梯度直方图来描述目标,在柱子滤波框架下将目标颜色和梯度信息有机结合,并自适应更新来跟踪人脸位置.实验表明,该算法不仅提高了跟踪精度,而且具有较强的鲁棒性.     

基于小波光照归一化和高判别力特征的人眼定位算法

人眼定位是人脸识别、人脸分析等的前提,但是人眼定位的精度极易受到非均匀光照和噪声的影响。针对这一问题,提出一种结合小波变换光照归一化和高判别力特征的人眼定位算法。首先通过小波变换对人脸图像进行光照归一化处理,然后对人眼候选区域提取LTP和LPQ特征,对每个候选人眼区域计算SVR分类响应值得到人眼概率图,最后对人眼概率图进行高斯拟合,完成人眼精确定位。在人脸数据集CMU-PIE、Yale B和AR上的实验结果表明, 该算法能有效克服非均匀光照对人眼进行精确定位的影响,具有光照变化鲁棒性,比同类算法有更高的定位精度。       

疲劳驾驶检测中的快速人眼定位方法

为了减少因疲劳驾驶所引发的交通事故的发生,人眼定位在疲劳驾驶检测技术中起着重要的作用．对人眼定位的过程中,采用多摄像头获取图像并对这些图像进行筛选,将检测到的人脸面积最大,将能够完整检测到双眼状态的图像做为最佳输入图像,采用Adaboost（迭代级联分类器）算法对其进行人脸定位以减小检测区域,再对其进行灰度投影将检测范围缩小在眉眼区域,然后进行一种新的LMS（最小均方误差）模板匹配,精确定位眼睛区域．在人脸成功定位的基础上,该算法经过二次眼睛定位,较传统的模板匹配方法,平均模板匹配检测时间提高到了30．5ms,准确率提高到了97％．实验表明：将灰度投影法和改进的LMS（最小均方误差）模板匹配两种人眼定位的方法相结合来进行人眼的定位,与传统的模板匹配相比,提高了检测的效率和检测的准确率,使得疲劳驾驶检测系统能更准确地进行实时检测,该方法能适用于疲劳驾驶检测等需要快速人眼定位的场合．     

复杂背景的人脸检测方法

由于原始的Adaboost方法在复杂图片上检测人脸效果不够理想,所以提出了一种能够处理复杂背景图片的人脸检测方法,即基于肤色的Adaboost检测方法。该方法具有肤色分割的检测率高、适应性强和AdaBoost算法检测速度快等优点。首先,通过人脸肤色的统计特征对图像进行肤色分割,得到候选人脸区域;然后使用经过训练的AdaBoost算法级联分类器对候选人脸区域进行检测,最终得到精确定位的人脸。经过实丐令证明,基于肤色分割的Adaboost人脸检测方法比原始的Adaboost方法在鲁棒性上有了很大提高。     

基于边缘与灰度梯度的人眼特征定位分析

根据由粗到精的思路,综合利用了眼睛在人脸面部特征中所特有的边缘与灰度分布信息,进行人眼特征定位.首先用横向Sobel算子对人脸图像进行边缘检测,获取人脸区域的横向边缘特征,然后采用图像形态学的方法框定人脸主要特征的大致区域,最后用计算灰度梯度密度的算法,快速精确地定位人眼区域.试验表明,本方法能快速而精确地实现人眼特征的定位.     

基于多点对齐的年龄估计方法

针对两眼对齐的人脸图像归一化只能做到不同图像的两眼位置对齐,而其他特征点如鼻子、嘴巴、下巴等的位置不同,提出一种基于多点对齐的人脸图像归一化算法.该算法首先标注或检测人脸图像中眼睛、鼻子、嘴巴等附近的一些特征点,利用双眼位置进行归一化操作;然后计算图像各个特征点的平均位置进行Delaunay三角剖分得到平均形状;对于双眼对齐的每幅图像,将特征点按照平均形状的连接关系连接成三角形,再通过仿射变换将每个三角形中的图像映射到平均形状对应的三角形中,即得到多点对齐的人脸图像.将该方法与基于两眼对齐的支持向量机回归年龄估计方法在FG-NET数据库上进行实验,对于常用的一些人脸特征,包括BIF,Gabor,HOG,LPQ,平均绝对误差分别降低了0.52,0.66,0.16,0.12.实验结果表明,基于多点对齐的年龄估计方法均优于基于双眼对齐的年龄估计方法.     

基于新Haar-like特征的Adaboost人脸检测算法

为解决基于Haar-like特征的Adaboost人脸检测方法存在的特征计算复杂度较高的问题,提出两组Haar-like特征扩展集;利用积分图给出特征组的计算方法;采用Adaboost算法在正脸和侧脸样本库分别训练出正脸和侧脸级联分类器,并将其组成双通道分类器。在开源视觉库OpenCV上的实验结果表明,本方法具有较少的弱分类器数,检测效率高、计算速度快,对于多角度人脸检测具有较好的鲁棒性。     

融合肤色模型与小波变换的人脸检测算法

针对目前人脸检测误检率高的问题,提出了一种融合肤色模型与小波变换的新算法．该算法采用肤色模型确定人脸的可能位置,然后分别对人眼和嘴巴进行检测,最终确定人脸位置．其中眼睛位置在小波变换后根据几何位置进行检测,嘴巴位置采用Fisher分类器检测．这一新算法实现了在复杂背景中单人脸快速、准确定位．与传统的YC_bC_r肤色模型检测算法相比,新算法将颜色空间与小波变换、Fisher分类相结合,提高了检测精度．实验表明,该算法的正确检测率为91％,误检率仅为2％．