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。     

基于结构分类器和SVM的人脸检测

本文提出一种’结构分类器 SVM”相结合的快速算法。用以从采色图像中快速检测出可能存在的人脸，它的主要特点就是充分利用人脸的肤色信息和器官的分布规则，构造一个“结构分类器”，从待检测图像中快速排除绝大部分的背景窗口，然后对剩下的候选窗用SVM分类器作进一步确认，最后对检测出来的窗口进行综合，从而定位人脸的最佳位置。通过在相同的测试集上的对比实验，本算法在不影响正检率的情况下，可降低虚警率和极大地提高检测速度。     

基于ICA/SVM的混合学习方法及在人脸检测中的应用

从基于样本学习的方法框架出发,该文提出了一种基于独立元分析和支持向量机的混合的学习方案,并用于人脸检测中。该方法通过独立元分析方法进行特征提取,然后采用SVM进行分类。该文做了大量的实验,以确定如独立元个数等参数问题对该分类器的影响,并与单独的支持矢量机方法、其它的人脸检测方法进行了比较分析。实验结果表明,该文的方法具有较好的检测效果,是一种很有效的方法。     

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。     

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。     

一种提高模糊人脸图片识别率的方法

介绍了一个通过人脸检测程序对模糊人脸图片进行识别的方法：先对图片修改其灰度阈值,以使Haar能够对模糊人脸信息进行快速分辨,再使用0pencv人脸检测程序对模糊人脸图片进行检测。实验结果表明,该方法能够提高对模糊人脸的识别率。     

基于SVM的人脸精确验证

人脸检测系统包括了人脸检测粗筛选和人脸精确验证两个阶段,人脸精确验证是在人脸检测粗筛选的基础上所做的工作,目的是通过精确验证去除粗筛选阶段所得到的候选区域中的非人脸部分.精确验证阶段采用了线性鼻子SVM分类器和非线性特征脸SVM分类器相结合的策略.实验结果表明,这种精确验证的方法基本上可以精确地检验出粗筛选阶段所得图片中的人脸区域.     

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。     

基于级联支持向量机融合多特征的人脸检测

人脸图像中包含丰富的特征信息,不同特征具有其各自的优势。基于此,提出一种基于级联支持向量机有效融合多种特征的人脸检测算法。该算法首先利用肤色模型对待检图像进行预处理,筛选出疑似人脸区域。然后在疑似区域中提取图像的HOG(Histogram of Oriented Gradients)和LBP(Local Binary Patterns)特征,并分别对这两种特征集进行特征选择,训练两个SVM(Support Vector Machine)分类器,最后将两个SVM分类器级联起来实现人脸检测。在多个人脸图像数据库上的实验结果表明,该人脸检测算法提高了人脸检测率,降低了误检率,并且对多种光照条件、姿态、表情以及部分遮挡的情况都具有较好的鲁棒性。     

基于SVM的彩色人脸识别研究

人脸识别是模式识别、图像处理等学科的研究热点,有广阔的应用前景。简单介绍人脸识别的概念、过程及其技术发展和研究现状,重点对颜色模型、支持向量机的原理及在人脸识别中的应用进行概述,分析人脸识别过程中存在的困难,展望人脸识别技术今后的研究方向。     

基于支持向量机的人脸分类

提出了一种基于支持向量机的人脸分类方法,首先对人脸图像作二维离散余弦变换,取离散余弦变换系数作为特征,然后用支持向量机进行分类。用Essex人脸图像数据库进行性别分类,取得了很好的分类效果。     

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.     

基于统计的人脸检测方法研究

基于统计理论的人脸检测是利用统计分析与机器学习的方法寻找出人脸样本与非脸样本各自的统计特征,再使用各自的特征构建分类器,使用分类器完成人脸检测。介绍了基于统计理论的人脸检测的主要方法,并对各种方法进行了比较。     

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。     

人脸检测方法的研究

目前人脸识别技术已广泛应用于政府、军队、银行、杜会福利保障、电子商务、安全防务等领域,而人脸检测是人脸识别系统中需要解决的一个关键问题,由于人脸模式的多样性和复杂性,导致大量不同的人脸检测方法,总结了人脸检测中遇到的关键问题与难点,并对各种人脸检测方法进行整理归纳,从基于特征的方法和基于图像的方法两个角度介绍了相关算法...     

基于支持向量机的跌倒检测方法研究

跌倒是老年人常见的意外伤害事故,为了能够及时检测跌倒事件的发生,设计了一种基于三轴加速度传感器的跌倒检测装置,该装置佩戴在使用者的腰部或者腹部,用于实时检测老年人在正常活动和跌倒状态下的加速度信号,采用支持向量机(SVM)方法对加速度信号进行数据处理,判断人体是否跌倒。通过实验测试验证,该方法对跌倒行为识别具有较高的准确性和可靠性。