基于眼睛梯度对特征的人脸检测方法

该文提出了一种利用眼睛灰度变化梯度对特征来检测人脸的方法。在分析人脸图像中发现,眼球的灰度级较低,而眼球周围白色区域的灰度级较高,两个区域在其交界处灰度级产生强烈突变。该文利用图像灰度变化梯度值构造梯度和特性值,通过寻找相等的梯度和特性值来实现从图像中找出对应眼睛的位置,定位可能的人脸区域,再计算其对称性后确定人脸特征的存在,更进一步验证检测的人脸区域。实验证明,此方法能迅速准确地从复杂背景图像中检测出人脸,而且对多人脸图像同样有效。     

一种基于肤色模型和眼睛定位的人脸检测方法

提出了一种基于肤色模型和眼睛定位的人脸检测方法。首先利用肤色模型和掩膜进行粗定位,确定人脸可能区域,然后通过基于方向模板的眼睛定位进行人脸存在的确认和精确定位。实验证明了该方法对于复杂背景下人脸检测的有效性。     

基于支持向量机的多姿态人脸特征定位

提出一种多姿态人脸特征定位方法,在Adaboost定位的人脸区域中划分眼、鼻和嘴的搜索区域,利用眉眼和鼻嘴整体特征,通过大规模多姿态五官样本训练的支持向量机在搜索区域中确定候选眼、鼻及嘴区域。对候选眼、鼻及嘴区域进行筛选与合并以确定最佳位置,实现多姿态人脸上五官的准确定位。实验结果表明,该方法具有较好的精确性和鲁棒性,能适应复杂背景下表情变化的多姿态人脸上的眼、鼻及嘴的定位。     

基于外观的人脸检测方法*

系统地分析了基于外观的人脸检测方法,并对其进行了分类和评价,从特征脸方法、基于分布的方法、神经元网络、隐Markov模型和支持向量机等方面介绍了人脸检测方法的优缺点和适用领域。最后提出了人脸检测方法未来的研究方向。     

基于Walsh特征的快速人脸检测方法

通过构造Walsh变换矩阵,得到相互正交且形状丰富的Walsh特征算子,将Walsh特征应用于快速人脸检测。Matlab的仿真实验结果表明,由Walsh特征得到的强分类器比传统的Haar特征得到的强分类器分类速度快,精度高。     

多特征融合的人脸检测①

提出了一种基于多特征融合的人脸检测新方法。该方法首先用肤色分析算法对图像进行肤色分割,得到人脸区域的初步结果;然后根据灰度特征图像用基于GA的方法找到多个模板的人脸区域;最后用基于Adaboost多模板融合算法形成最终检测结果。通过实验表明,该方法与传统方法相比,识别率得到明显提高。     

多模板ASM方法及其在人脸特征点检测中的应用

ASM(active shape model)是目前最流行的人脸对齐方法之一.为提高ASM在非均匀光照下多表情的人脸特征点检测的准确率,提出了一种融入Gabor特征、并将局部ASM和全局ASM结合的多模板ASM方法.人脸有丰富的表情,如微笑、惊讶、生气、发呆等等.就眼睛而言,可分为睁眼和闭眼;就嘴巴而言,可分为张大的嘴、微笑的嘴、O型的嘴(惊讶时)和紧闭的嘴.眼睛的这两种状态以及嘴巴的这4种状态使得形状有较大的非线性变化,不能简单地放在同一个线性模型下处理.分别对眼睛建立两个局部模板,对嘴巴建立4个局部模板,以及对整脸建立全局模板.在给定眼睛两个内眼角和嘴巴两个外嘴角的前提下,新方法首先用全局模板粗略确定眼睛所在区域,然后在此区域用眼睛的两个局部模板以及Hausdorff距离判断眼睛状态,同理可检测嘴巴状态,最后调用相应的全局模板去搜索整脸轮廓.实验表明,提出的方法其检测准确率比标准ASM有明显提高.     

基于CBP-TOP特征的人脸表情识别*

针对人脸表情时空域特征信息的有效提取,本文提出了一种CBP-TOP（Centralized Binary Patterns From Three Orthogonal Panels）特征和SVM分类器相结合的人脸表情识别新方法。该方法首先将原始图像序列进行图像预处理,包括人脸检测、图像截取和图像尺度归一化,然后用CBP-TOP算子对图像序列进行分块提取特征,最后采用SVM分类器进行表情识别。实验结果表明,该方法能更有效提取图像序列的运动特征和动态纹理信息,提高了表情识别的准确率。和VLBP特征相比, CBP-TOP特征在表情识别中具有更高的识别率和更快的识别速度。     

一种基于特征模型的人脸检测方法

特征提取是基于特征的人脸检测的关键。提出了一种利用眼睛和鼻子的灰度特征和几何特征的人脸检测方法。选取眼睛和鼻子作为特征点,构造一个三角的特征模型。另外,此方法对候选特征图像采用逐步改变分块大小的方法进行搜索,得到独立的特征点,并利用人脸结构特点的先验知识建立模型的搜索策略。实验证明,此方法能迅速准确的从复杂背景中检测出人脸,而且对多人脸同样有效。     

基于区域分割的复杂背景中人脸检测与定位

基于区域分割和特征验证，提出了一种复杂背景下的人脸检测和定位方法。在粗略定位人脸的基础上，提出了一种新颖简单的区域分割方法，有效地定位出人脸的候选区域，通过检测眼睛和嘴唇完成对人脸的确认。实验证明该方法检测速度快，准确率高，具有较好的鲁棒性。     

基于PCA方法的人脸特征提取和检测

本文介绍了PCA的原理,并利用了PCA方法完成了人脸的特征提取和人脸检测。     

基于PCA方法的人脸特征提取和检测

本文介绍了PCA的原理,并利用了PCA方法完成了人脸的特征提取和人脸检测。     

基于人眼特征的多姿态人脸检测

在运用Adaboost算法检测出人眼区域前提下．再根据人眼部特征的知识结构来排除掉非人眼区域,而提出一种由人眼在人脸中的位置特性计算出人脸位置的检测方法。     

一种基于特征融合的人脸识别新方法

提出了一种基于特征融合的人脸识别新方法。首先采用两种不同的K-L变换分别降低原始图像空间的维数，避开人脸识别小样本集的局限，然后利用复向量将同一样本的两组特征向量合并在一起，通过运用具有统计不相关性的复线性鉴别分析来抽取人脸图像的有效鉴别特征，最后在ORL人脸库上实验结果表明所提出的方法不仅识别性能优于经典的Fisherfaces，而且仅用14个特征识别率就达到96％。     

一种基于可疑人脸区域发现的人脸检测方法

本文提出了一种基于可疑人脸区域发现的人脸检测算法,利用通常情况下眼睛区域比周围区域暗的事实发现可疑人脸区域,然后使用到特征空间的距离(DFFS)方法验证人脸。实验表明本算法具有较高的检测精确度。文中重点介绍了该人脸检测算法,给出了实验结果。     

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法。 Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征。结合Haar-Like 矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测。人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果。     

多尺度人脸特征提取*

介绍了一种新的人脸特征提取的方法,首先在原始图像中找出人脸所在大致区域,然后对已经找出的人脸所在区域进行小波分解,并利用方块效应找出人眼及嘴部所在大致位置,最后提取眼、嘴的特征。试验结果表明,该方法对于人脸特征的提取具有较好的效果。     

一种基于多特征融合的人脸检测技术实现

基于模板匹配的人脸检测方法,提出了两种方法来提高人脸目标的检测的精度。一种方法是利用人脸重要特征肤色,建立肤色的HSV颜色直方图模型,通过与目标区域的特征匹配,在视频序列图像中检测和定位人脸;另一种方法是利用了人脸的轮廓信息特征,建立人脸的矩特征,来解决人脸在比例、姿态和形状变化情况下的检测效率低的问题。改进的算法分别通过了人脸尺寸、形状和相似肤色实验验证,实验表明新的人脸检测方法可以有效实现对运动人脸目标的检测。     

人脸检测中基于自适应ICA的特征提取算法

如何从图片中提取出有效特征来区分人脸与非人脸一直是一个难题.文中提出了利用自适应独立成分分析(Self-Adaptive ICA)算法对图像结构信息非常敏感的特点,有效地从大量正面人脸图片中分离出人脸的局部特征,从而利用这些局部特征基底有效地表示人脸图片.自适应ICA算法的优点是能自适应的拟合图像数据的统计性质,而不用预先设定.通过比较待检测的人脸图片与非人脸图片在这组特征基底上的投影系数,可以较好的区分二者.实验结果也表明这种特征提取方法可以找到一组很好的人脸特征基底.使用这种方法构造的弱分类器的分类准确率在相同的误检率下比Boosted Cascaded方法中的弱分类器高1% ～ 1.5%.     

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。