基于主分量分析和支持向量机的人脸检测

提出了一种基于主分量分析(PCA)和支持向量机(SVM)相结合的人脸检测方法。该方法首先利用计算复杂度较低的PCA粗分类器对输入图像遍历检测,滤除大部分非人脸窗口,再由SVM分类器进行精确判断,从而加快了检测过程。实验证明。本方法能够有效的检测出复杂背景下的人脸图像,并且处理时间比单纯使用SVM大大缩短。     

基于2DPCA和支持向量机的人脸检测研究

提出一种基于二维主分量(2DPCA)分析和支持向量机的层叠人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先采用2DPCA分析方法滤去大量非人脸窗口,之后用支持向量机对通过的窗口进行检测。由于在通过2DPCA分析方法的子空间内训练SVM,降低了分类器的训练难度。并且和传统的PCA方法相比,2DPCA直接采用二维图像矩阵表示人脸,进行特征提取,提高了计算效率。实验对比数据表明该算法大大提高了检测速度,降低了虚警率。     

基于主分量分析与支持向量机的人脸检测研究

提出一种基于主分量分析和支持向量机的层叠人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先用主分量分析方法进行粗筛选,滤去大量非人脸窗口,之后用支持向量机对通过的窗口进行分类。由于在通过主分量分析方法所限定的子空间内训练SVM,有效地降低了训练的难度。实验对比数据表明,该方法降低了分类器的训练难度,计算复杂度较低,大大提高了检测速度。     

利用PCA进行快速人脸检测

本文提出了一种改进的快速人脸检测方法。训练阶段节约了训练支持向量机（SVM）的时间;检测阶段利用肤色在YCbCr空间的聚类性和肤色符合高斯分布的特点,建立肤色模型并分割皮肤颜色。分割区域进行连通域体态分析后,用PCA方法将待检测样本降维处理再用SVM检测。实验结果表明,这种方法的检测效果令人满意。     

基于层次支持向量机的人脸检测

针对彩色图像人脸检测,提出了肤色模型和层次支持向量机相结合的人脸检测方法。检测时首先利用调节的肤色模型提取出人脸候选区域,然后对这些候选区域用线性支持向量机和主成分与非线性支持向量机相结合的层次支持向量机进行验证,获得真正的人脸区域。实验表明,该方法对图像偏色有一定的鲁棒性并可以用于灰度图像的人脸检测,而且检测正确率和速度比基于肤色和模板匹配的方法有了一定的改进。     

一种基于自生成检测窗方法的人脸检测技术

本文基于图像区域扫描的人脸检测,提出了一种新的自生成检测窗方法,大大缩减了检测窗口的数量,使检测速度显著提高：采有再学习能力和较高的检测正确率。     

基于SVM和AdaBoost的人脸检测算法

提出了一种结合SVM和AdaBoost的人脸检测算法。该算法首先根据训练样本中的人脸和非人脸区域训练作为分量分类器的支持向量机（SVM）,然后通过AdaBoost算法把这些训练好的分量分类器组合成一个总体分类器;再利用该总体分类器来区分测试样本中的人脸和非人脸区域。实验结果表明,该算法不但提高了识别的正确率,而且大大提高了检测速度。     

基于高斯模型和支持向量机的人脸检测方法

针对目前人脸检测方法速度与精度难以兼有的问题,本文提出了一种结合高斯模型和支持向量机的人脸检测方法.先利用皮肤颜色在YCbCr空间的聚类性,对肤色建立高斯模型以分割出可能的人脸区域,再将这些区域输入到支持向量机检测并标记出检测结果.实验结果证明,本文提出的方法检测效果令人满意.     

基于层叠支持向量机的人脸检测研究

提出一种基于层叠支持向量机的人脸检测算法,用于复杂背景灰度图像的人脸检测。算法首先用线性支持向量机进行粗筛选,滤去大量非人脸窗口,之后用非线性支持向量机对通过的窗口进行分类。实验对比数据表明,该方法降低了分类器的训练难度,计算复杂度较低,大大提高了检测速度。     

人脸检测与检索

研究了将人脸作为一种特殊的图像内容进行检索的问题；采用基于Adaboost统计学习方法的层叠分类器检测人脸，再用非线性SVM分类器验证人脸；实现了在大规模的复杂背景图片集合中高速准确的人脸定位；为了将找到的人脸规范化，借鉴直接表观模型(direct appearance model)，提出了一种新的特征检测和人脸校正方法．该方法基于对大量数据的统计学习过程，具有良好的扩展性和稳定性；在此基础上．采用SVM分类器实现了人脸检索；最后，通过实验说明了整个方法的有效性．     

基于PCA的最小二乘支持向量机人脸识别研究

人脸识别是模式识别的一个重要分支,主要由特征提取和分类识别两个阶段决定,由于其小样本,高维数的特点,传统的分类器容易导致过学习问题,首先使用主成分分析法对人脸图像进行降维表示,然后将最小二乘支持向量机用于识别阶段,仿真实验显示的方法取得了较好的识别效果和识别效率。     

基于两级分类器的人脸检测系统设计

人脸识别技术拥有广泛的应用前景,但是目前不少实现方式存在一些不尽人意之处。在对OPENCV与SVM分类器进行分析的基础上,阐述了基于两级分类器的人脸检测方法的原理和实现过程,首先分析了两级分类器的构建,引入人脸图像的矩形特征向量,将图像的矩形特征作为分类的依据,随后论述了系统设计与实现,包括灰度变换过程、直方图均衡过程、图像平滑过程以及金字塔序列化的实现。这种检测模式能够加快处理速度,提升效率。     

基于SVM的三阶段人脸检测方法的研究与应用

为了提高人脸的检测速度,描述了一种基于SVM的三阶段人脸检测方法,加速了复杂背景下人脸的检测。在该方法中,通过前两个阶段的瀑布型分类器将大量的简单非人脸模块快速过滤掉,并在最后的第三个阶段采用了非线性SVM分类器来更高效地区分24*24像素的人脸或者非人脸图像。     

基于肤色信息和主分量分析的人脸实时检测系统

提出了一种基于肤色模型、人脸面部结构和模板匹配的人脸检测算法。该方法首先建立肤色模型来对原始图像进行肤色区域分割,再根据人脸的面部结构特征对分割区域进行过滤,最后用基于主元素分析的模板匹配算法对候选区域进行判断。实验结果表明该算法能够适应复杂背景以及多人脸的检测,而且检测速度快,能够达到实时检测的目的。     

基于Adaboost算法的人脸检测研究

随着计算机科学的发展,人脸识别研究受到越来越多的重视。而作为人脸识别的一个重要步骤的人脸检测直接影响到识别的速度和精度。深入分析了基于扩展的Haar-Like特征和Adaboost算法构造的分类器的人脸检测算法。实验证明,以这种算法设计的检测器的准确度高,实时性好。     

基于Adaboost与Clifford代数的人脸检测

Adaboost算法在光照不均、背景复杂的条件下进行人脸检测时误检率较高。为解决该问题,提出一种基于Adaboost算法与Clifford代数矢量积性质的人脸检测方法。利用Adaboost算法初步定位人脸可能存在的区域,对该区域进行基于知识的校验,如果校验失败,根据Clifford矢量积性质,寻找与待验证区域相似度较高的人脸,当相似度大于阈值时,判断其为人脸。实验结果表明,与Viola-Jones方法相比,该方法在保持较高检测率的同时,降低了误检率,且鲁棒性较好。     

基于支持向量机的人脸检测训练集增强

根据支持向量机(support vector machine,简称SVM)理论,对基于边界的分类算法(geometric approach)而言,类别边界附近的样本通常比其他样本包含有更多的分类信息.基于这一基本思路,以人脸检测问题为例,探讨了对给定训练样本集进行边界增强的问题,并为此而提出了一种基于支持向量机和改进的非线性精简集算法IRS(improved reduced set)的训练集边界样本增强算法,用以扩大训练集并改善其样本分布.其中,所谓IRS算法是指在精简集(reduced set)算法的核函数中嵌入一种新的距离度量——图像欧式距离——来改善其迭代近似性能,IRS可以有效地生成新的、位于类别边界附近的虚拟样本以增强给定训练集.为了验证算法的有效性,采用增强的样本集训练基于AdaBoost的人脸检测器,并在MIT CMU正面人脸测试库上进行了测试.实验结果表明,通过这种方法能够有效地提高最终分类器的人脸检测性能.     

基于SVM的人脸检测研究

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习算法。依据SVM良好识别和泛化能力,实现了一种基于支持向量机的图像人脸识别方法。利用Opencv提取样本类的低层特征,训练具有径向基核函数的SVM分类器,在VS2008和Qt平台下实现识别软件开发。运行结果表明,软件具有良好的图像人脸检测能力。     

优化特征提取的互动式人脸活体检测研究

针对人脸识别系统中出现的通过照片或视频“欺诈”解锁问题，提出一种活体检测方法，通过随机指令判断被检测对象是否为真人。利用HOG特征和随机森林算法对摄像头采集的图像进行人脸检测，预测脸部68个特征点位置，把68个特征点位置和脸部位置的相对位置归一化后作为姿态的特征，提取的姿态特征与SVM分类器相结合，训练出分类效果较好的头部姿态估计分类器。通过多次实验，对特征提取方法进行优化，进一步提高检测准确率。最后，使用随机互动式命令序列对被检测人发出指令，实现活体检测。该方法对头部姿态估计具有较高的鲁棒性，并且可以有效地防范照片和视频认证攻击。     

人脸检测系统研究及实现

人脸检测识别因其广阔的应用前景而成为当前模式识别与人工智能领域的研究热点之一。文章对带有人脸信息的24住真彩色BMP文件,通过基于肤色信息的彩色图像分割方法,利用预定的肤色建模知识进行人脸区域检测及区域标定。在此基础上,利用给定的眼、嘴先验信息进行眼、嘴的匹配捡测,并最终实现双眼中心以及嘴的标定,从而实现人脸及其特征信息的检测。