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。     

复杂背景下的多人脸检测方法

复杂背景下采用肤色进行人脸检测具有较高的检测率,但同时也具有较高的误检率,而采用AdaBoost算法进行人脸检测从根本上解决了实时性问题,但是检测率不理想。基于上述原因,采用肤色分割与AdaBoost相结合的方法对人脸进行检测：首先采用肤色分割进行人脸粗定位,然后将粗定位后的人脸候选区域作为AdaBoost检测的输入子窗口进行人脸检测。在预处理过程中,采用可调节结构元素,解决了对于不同图像中大小不一的人脸采用固定的结构元素造成的人脸丢失问题。实验结果表明该方法在提高检测率的同时,也降低了误检率。     

一种基于AdaBoost的人脸检测算法

针对常规基于肤色检测的AdaBoost算法的不足, 提出了一种改进的AdaBoost人脸检测算法,算法包括人体肤色模型、人脸运动检测模型、改进的背景提取方法、针对人脸区域的光照增强方法。算法综合利用了人体肤色信息和人脸运动信息,能有效缩小搜索范围。实验结果表明,该方法与常规基于肤色检测的AdaBoost方法相比,在保证检测性能的基础上,有效提高了检测速度。     

基于肤色及AdaBoost算法的改进的人脸检测方法

提出一种结合肤色检测及AdaBoost算法的改进的人脸检测方法。首先利用肤色检测得出可疑的人脸区域,然后由改进的AdaBoost算法检测出人脸并标示,应用于智能监控系统中,并设置报警模块,可将可疑人脸信息记录入视频服务器。实验证明,肤色检测可以检测出复杂背景中的肤色区域,可以减少AdaBoost算法的扫描区域,进而减少检测时间;改进的AdaBoost算法在强分类器训练阶段加入判决函数,提高了人脸检测的准确性。     

基于人脸特征和AdaBoost算法的多姿态人脸检测

基于人脸特征和AdaBoost算法,提出一种改进的多姿态人脸检测算法。首先利用肤色特征快速排除绝大部分背景区域,然后在肤色区域中搜索眼睛和嘴巴区域,根据眼睛和嘴巴区域的几何特征所确定的人脸方向分割出大致正向的人脸候选区域,最后利用AdaBoost算法对候选区域进行分类。实验表明,算法能实现多姿态人脸的快速检测,而且对脸部表情和遮挡有较强的鲁棒性。     

基于肤色和AdaBoost算法的彩色人脸图像检测

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

复杂背景下的三级级联快速正面人脸检测算法

针对复杂背景下的正面人脸检测问题,提出一种三级级联快速正面人脸检测算法：第一级使用 HSV 肤色模型,通过分析最大肤色连通区,快速排除非人脸区域;第二级采用 Haar-like 特征结合 AdaBoost 算法定位人脸区域;最后提出基于局部特征点加权的改进主动形状模型(W-ASM)算法匹配人脸的特征点坐标,通过68个特征点位置判断当前人脸图像是否是正面人脸。实验结果表明,本算法能准确识别出垂直于图像旋转不超过±5°的正面人脸,每幅图像(640×480)平均用时仅52ms,满足实时性要求。     

一种结合肤色及类人脸特征的人脸检测

人脸特征提取是人脸检测的关键环节,有效的人脸特征将使得人脸检测更精确。Haar-Like特征作为一种矩形特征,虽然简单、计算迅速,但只能描述特定方向的图形结构。提出的类人脸特征是一种反映人脸灰度分布模型的矩形特征,更加有效地描述了人脸的特征。所提出的人脸检测算法,应用BP神经网络算法训练肤色区域,进行肤色分割。应用类人脸特征的AdaBoost算法进行人脸检测。实验结果表明,该算法可以提高人脸检测的检测率。     

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。     

基于半监督聚类的人脸检测方法

将肤色与连续AdaBoost算法相结合进行人脸检测,并引入半监督策略指导肤色聚类从而建立肤色模型。在肤色聚类过程中,提出一种基于半监督的SKDK算法引导肤色聚类,依据各个像素簇的概率统计分布特性得到肤色模型。在此基础上利用数学形态学等知识对图像进行处理,得到人脸候选区域,将其作为连续AdaBoost分类器的输入进行人脸检测。实验结果表明,在多人脸的场景下,该方法的检测效果优于直接使用连续AdaBoost方法进行人脸检测的检测效果。     

实时视频中的快速人脸检测方法

提出一种实时视频中的快速人脸检测方法。采用DirectShow获取和回放视频帧,进行前处理。对所得彩色图像进行肤色分割,通过肤色的统计特性得到人脸候选区域,将该区域设置为感兴趣区域。运用基于局部扫描的AdaBoost算法对每个感兴趣区域进行检测。实验结果证明了该方法的有效性。     

一种高性能近红外光人脸检测和眼睛定位算法

提出了一种新型的近红外光人脸检测和眼睛定位算法,该算法先用AdaBoost分类器进行人脸区域定位,然后在人脸区域内进行眼镜检测：若检测为不戴眼镜,使用基于数理形态学的N-Quoit滤波器进行眼睛精确定位;若检测为戴眼镜,采用＂人脸可信值最大＂准则进行眼睛定位。实验结果表明,此算法检测率高而且眼睛定位准确,有效的克服了镜片反射近红外光干扰眼睛精确定位的问题,同时达到了实时性的要求。     

基于肤色检测的AdaBoost人脸检测算法改进

AdaBoost人脸检测算法用于嵌入式实时高清视频时检测速度缓慢.为此,提出一种改进的人脸检测算法.对图像做肤色检测,将检测到的区域进行形态学处理,并作为感兴趣区域,完成AdaBoost人脸检测,以得到检测结果.实验结果表明,该算法在嵌入式系统上运行稳定,能提高检测速度和检测正确率.     

iOS平台下人脸识别系统实现研究

设计了一个基于苹果公司嵌入式操作系统iOS平台下的人脸识别系统。通过对基于Haar-like特征的AdaBoost人脸检测算法的研究,实现了实时人脸检测。提出了一种改进的基于隐马尔科夫模型的人脸识别方法,此方法采用奇异值压缩抽取人脸图像特征作为观察序列,减少了数据的存储量和计算量,解决了嵌入式系统中由于图像处理数据量大造成的低效。实验结果证明,该系统检测速度快,实时性强,识别率高,可以作为iOS平台上其他类型人脸识别应用软件开发的基础。     

基于扩展Haar特征的AdaBoost人脸检测算法

对于常用的基于Haar特征的AdaBoost人脸检测算法存在漏检率与误检率高等不足, 增加了Haar特征的扩展种类, 这些新增Haar特征能够有效减少因眉毛与眼睛灰度值近似而引起的误判, 同时去除一些针对人脸分辨效果不好的特征来提高算法的实时性, 深入分析了利用Haar特征与AdaBoost算法构成的级联分类器的特点. 实验数据结果验证了改进后算法的可行性.