基于肤色和器官定位的实时人脸检测

基于肤色和器官的人脸检测是视觉监控领域中广泛应用的经典方法,但是辨别每个肤色像素和提取候选区域非常耗时且对噪声敏感,很多时候不能满足实时人脸检测的需要。通过引入肤色单元的概念,提高了该方法的快速性和鲁棒性,最终将其应用于实时视频序列中。首先,采用单元化的方法进行肤色分割,提取出人的肤色部分;接着,根据人脸长宽比例的范围,确定出候选人脸;然后,再对候选人脸区域分别进行眼睛和嘴巴的定位;对眼睛和嘴巴定位之后,我们可以利用眼睛和嘴巴呈倒三角关系的几何特征反过来进行人脸的精确定位。实验结果表明,该方法的识别率较高,并能满足实时视频人脸检测的快速性要求。     

快速人脸检测与特征定位

人脸检测与特征定位是人脸分析技术的一个重要组成部分,其目标是在图像中搜索人脸特征(如眼、鼻、嘴、耳等)的位置。虽然人们可以毫不费力地完成这些工作,但对于机器来说,这依然是一件极其困难的任务。近几年来该项技术已有了长足的发展,已成功地应用于诸如人脸识别、姿态识别、表情识别、脸部动画等诸多领域。本文利用David Cristinace和Tim Cootes提出的一个多阶段人脸特征检测方法实现了一个实时人脸特征定位系统。同时也对原算法本身作了一些改进,在对精度影响极小的情况下,大大提高了原算法的速度。     

基于肤色分割和AdaBoost算法的彩色图像的人脸检测

文章提出了肤色分割和AdaBoost算法结合的人脸检测算法。首先,对彩色图像进行肤色分割,通过人脸肤色的统计特征得到候选人脸区域：然后,基于AdaBoost算法,使用由强分类器组成的级联分类器对候选人脸区域进行扫描,最终得到精确定位的人脸。实验证明,该方法具有肤色检测快速和AdaBoost算法误检率低的优点,可以有效的运用于多姿态、多人脸和复杂背景的情况。     

基于肤色分割的人脸检测算法研究

介绍了目前人脸检测领域检测速度最快的Boosted Cascade人脸检测算法。该算法在进行人脸检测时没有考虑到肤色因素,在具体识别过程中,有些可利用肤色信息很快排除的区域,在Boosted Cascade算法中却没有被排除掉。针对该算法的缺陷提出了一种改进算法,即利用Boosted Cascade人脸检测算法,检测出人脸的候选区域,通过人脸肤色模型进行验证,如果候选区域的像素符合人脸的肤色模型的程度到达某一数值,则接受该区域,即认为该区域是人脸;否则排除该区域。改进后的算法能够有效地提高检测的正确率,减小出现检测错误的几率,在不影响识别速度的情况下,提高了检测效率。     

基于肤色和AdaBoost算法的人脸检测

本文介绍了一种将肤色信息和AdaBoost算法相结合的人脸检测方法。先用肤色分割法排除掉非肤色区域的干扰,然后用AdaBoost算法训练的分类器对肤色区域进行检测,该方法在保证检测率的同时,大大减少了目标区域的误检率,提高了人脸检测准确率。     

基于肤色模型和中线定位的人脸检测算法

由于外貌、肤色、表情等不同,会导致较高的人脸检测漏检率和误检率。为此,提出一种基于肤色模型和中线定位的多姿态人脸检测算法。利用肤色特征快速排除大部分背景区域,根据人脸的显性特征分割出人脸候选区域,并对边缘检测后的图像进行投影,使用中线定位法实现多姿态人脸的检测与定位。实验结果表明,该算法能实现多姿态人脸的快速检测,黑发单个人脸检测的检测率达93.3%,鲁棒性较强。     

基于彩色分割的人脸检测算法的研究

针对复杂彩色背景下的人脸检测问题,主要研究基于色彩信息的人脸检测算法,通过对RGB,HSV,YChCr空间色彩模型分别做实验对比,选取在YCbCr空间进行人脸建模;提出了一种快速非线性阈值估计方法,减小了色度值对亮度值的依赖;并设计出基于YCbCr模型的人脸跟踪系统,该系统根据检测出的人脸大小和位置,将其作为控制信息调整云台的转动方向和相机焦距,从而实现目标的自适应跟踪,并能给出大小基本一致的目标;在PC机上的实验结果表明,该算法的准确率及实时性都能达到预期要求。     

综合利用人脸特征和活动轮廓技术的人脸检测及跟踪算法

把基于静态图像分割的人脸检测技术同活动轮廓技术相结合，提出了一种在视频序列中检测和跟踪人脸的算法．它在Y、U、V联合梯度的基础土实施分水岭运算，并利用人脸的宽高比、颜色、结构等特征进行人脸逐级判别，从而确定人脸住置，然后用基于骨架的活动轮廓进行精确定位和帧间跟踪，从而较好地实现了视频序列中的人脸检测与跟踪问题。算法具有较强的鲁棒性，对于运动比较平缓、脸部轮廓比较清晰的情况，可以进行长时间跟踪。本算法在面向内容的可伸缩视频压缩编码系统中得到应用。     

基于肤色分割的人脸检测算法研究

提出一种自适应光照补偿算法对图像进行补偿,根据肤色点在YCbCr色彩空间中的聚类性分别建立了肤色的区域模型和简单高斯模型,利用区域模型分割结果消除高斯似然图中类人脸的影响,采用自适应阈值对图像进行肤色分割,得到肤色候选区域.对分割出来的二值图像进行形态学处理后用基于先验知识的检测算法对肤色候选区域进行筛选,确定出人脸的位置.实验结果表明,提出的方法综合检测效果好.     

基于肤色和几何特征的人脸检测算法

本文提出了一种可变先照条件下的人脸检测算法,该算法利用人脸的肤色和几何特征,首先对输入图像进行光照补偿,然后在YCrCb颜色空间中,分割出肤色候选区域,最后利用人脸面部的几何特征精确定位出人脸。实验结果表明,该算法可适用于较广范围的光照条件,可应用于复杂环境下的人脸检测。     

基于肤色分割和改进Gabor滤波相结合的人脸检测

针对人脸检测问题,提出了一种基于肤色分割和改进Gabor滤波相结合的方法;该方法首先基于YCbCr空间对图像中的背景区域和人脸肤色进行分割,以消除大量的背景区域提高运算速度;接着利用改进的Gabor滤波对提取出来的人脸肤色区域进行卷积得到人脸的特征向量,并和通过训练样本获得的特征向量进行比较以验证是否为人脸;最后通过实验分析,验证了所提方法能够在保证检测精度的基础上有效提高运算速度。     

基于颜色信息和几何不变性的人脸检测定位

由先验知识我们知道,2D人脸正面图像几何对称;然而,当姿态发生变化时,对于人脸这样的不规则3D几何体,不同的视角、不同的摄像机参数使得在透视成像下得到的图像也不同,并且发现正面人脸具有的对称特性也消失了,因此3D人脸的识别是十分困难的;提出一种从人脸特征的结构特殊性出发,利用2D人脸形状、面部特征等内在的几何约束关系构造射影不变的特征参数、特征关系的射影不变性,同时结合颜色物理信息的人脸检测定位方法,有效地避免了构造3D人脸模型的难题,增强了实验结果的效率、可靠性和稳定性.     

基于肤色信息的人脸检测和人眼定位方法

提出的人脸检测和人眼定位方法利用人类肤色在YIQ颜色空间分布的稳定性,检测出图像中的皮肤区域,然后利用人脸的特征知识来判断人脸的存在,通过计算脸部特征的对称性,从而精确定位。实验结果证明了方法的有效性。     

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%。     

基于肤色分割、区域分析和模板分布的人脸检测研究

提出了一种基于肤色分割、区域分析和模板分布的彩色图像人脸检测算法。首先对输入的彩色图像利用混合高斯模型和亮度模型进行分割,然后根据人脸五官的结构特征对得到的区域进一步分析处理,获得所有可能的候选人脸。接着构造了一种基于双眼和人脸模板的概率模型并利用其对候选人脸进行最终检测。实验结果表明,文章提出的算法具有较高的检测正确率和自适应能力;同时具有快速的检测速度。     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间，然后利用肤色在CbCr上的聚类性对图像进行预处理，最后，使用Adaboost算法对候选人脸集进行细化，最终得到人脸集合。实验证明该方法的有效性。     

基于肤色和模板的人脸检测

针对彩色图像提出了一种基于肤色和模板的人脸检测方法,由肤色分割、模板匹配和人工神经网验证3部分组成.首先使用HSI空间的肤色统计模型分割出可能包含人脸的区域,然后使用平均脸模板匹配和人工神经网验证的方法在这些区域中搜索人脸.该方法将彩色图像的肤色信息和灰度图像的模板匹配及人工神经网分类模型综合起来,既极大地提高了速度,又具有较强的鲁棒性.实验结果表明,该算法是快速而有效的.     

基于肤色特征的人脸检测算法的研究

通过对比面部识别技术的各种算法,本文重点研究了基于肤色特征的人脸检测算法。首先通过两种方法实现人脸的区域分割：基于相似度的方法和基于皮肤区域、头发区域的方法。前者通过相似度计算、二值化之后标记出人脸区域,后者利用颜色来检测人脸区域。人脸区域检测完毕之后再对其进行人脸特征的标注,最终实现面部检测。     

基于自适应光线补偿的人脸检测算法

人脸检测是计算机视觉、模式识别、人机交互中一个很受关注的研究热点。一般的肤色检测算法假定待测图像是在均匀光照下获得的,环境光照变化、光照不均必会影响图像的柔和度,进而影响人脸的正确检测。针对这一问题,提出一种自适应光线补偿的人脸检测算法,应用不同光照情况下拍摄的69幅彩色图像进行对比实验研究。实验结果表明：该方法有效可行,检测率达96．64％,比单纯应用肤色模型法提高检测率7个百分点,降低误检率5个百分点。