一种基于轮廓图像的人脸检测方法

提出了一种基于轮廓图像的人脸检测方法。针对人脸的生理结构特征,对人脸的灰度图像进行水平和垂直方向的轮廓分割;在此基础上对轮廓图像进行分块,抽取水平和垂直方向的轮廓特征;将抽取的特征用支持向量机（support vector machine,SVM）进行分类,将分类结果用于人脸检测。实验表明：轮廓特征能较好的反映人的脸部特征,用支持向量机对轮廓特征进行分类的方法来检测人脸是有效的。     

基于相似度计算方法的人脸图分割

结合监督和非监督学习模型实现了人脸图像的自动分割.图像分割中一般常用监督学习模型,这种学习模型受不同分类标志图像数据的限制,结合非监督学习模型,可以有效解决资源有限条件下的图像自动分割.该文首先用监督学习模型SVM(支持向量机)进行人脸图像分割,这种方法需要人工找出SVM中不同类别的支持向量,在实验中发现同一张图像进行...     

复杂背景下的图像文本区域定位方法研究

提出了一种基于YUV颜色空间与支持向量机的复杂背景文本区域定位方法。算法将图像由RGB颜色空间转换至YUV颜色空间;利用最小二乘法对图像的色调直方图曲线进行拟合并确定最佳拟合阶次,利用拟合后的曲线对图像进行颜色分层聚类;对分解出的各颜色图层分别进行处理,得到备选文本连通域;提取备选文本连通域的小波纹理特征并利用SVM进行文本判别。实验结果表明,提出的方法定位准确率在65%以上,可以有效地实现复杂背景下图像文本区域的定位。     

复杂背景中的人脸特征定位与提取

研究了复杂背景中的人脸特征定位与提取 ,补充和改进了已有方法 ,做了中等样本集特征定位 ,提出了用人脸的 4× 4和 5× 5镶嵌二值图求取候选脸 ,8× 8镶嵌图筛选定位人脸 ,增强滤波二值图进一步验证和提取特征 ,并结合线检测窗求取眼角位置 ,实验结果比较令人满意。     

复杂背景下人眼的快速定位

采用基于改进Adaboost算法的级联式人脸和人眼分类器检测人脸和眼睛的候选位置,再用支持向量机（SVM）分类器验证并确定人眼的最佳位置;实现了在复杂背景图像中快速、准确的眼睛定位.与传统的Adaboost算法相比,改进的Adaboost算法构建分类器所需的特征数目大大减少,提高了眼睛定位速度;同时利用人脸几何特征的SVM分类器验证,提高了定位精度.实验结果表明该算法具有很好的精确性和实时性.     

复杂光照条件下的人脸预处理算法

为了提高光照条件下的人脸识别正确率,提出一种复杂光照条件下的人脸预处理算法。对人脸图像进行局部增强处理,用双边滤波对图像亮度进行估计,采用Gamma校正补偿图像亮度估计产生的损失,将反射分量与亮度估计结果融合获得效果更优的人脸图像,并用K近邻算法建立分类器对人脸进行识别。在Yale、PIE和AR人脸库仿真结果表明,该算法提高了光照条件下的人脸识别正确率,其性能优于当前典型人脸识别算法。     

基于支持向量机的复杂背景下的人体检测

常用的人体检测方法多是基于经验风险最小化原理的传统统计理论，其性能只有在样本趋于无穷大时才有理论上的保证，而在实际应用中，学习样本通常是有限的。针对传统统计理论在人体检测中存在的不足，提出了一种基于统计学习理论——支持向量机(SVM)的人体检测方法，利用彩色空间对背景进行自适应建模提取运动目标，然后使用训练好的SVM进行验证是否是人体。为了简化SVM分类器的设计及提高机器学习的效率，提出了一种星形向量表示法用于抽取目标的特征向量，并且用实验方法得到了这种表示法的最优表示。将SVM与ANN进行比较，并且对不同内积函数的SVM的性能也进行了比较。实验结果表明，SVM的性能要优于ANN，并且采用径向基函数的SVM性能最好。该方法鲁棒性强，正确率高，解决了复杂背景下运动人体实时检测的一些关键问题。     

基于Level Set方法的人脸轮廓提取与跟踪

提出一种基于level set方法的图像序列中人脸轮廓提取与跟踪算法，首先利用图像帧间差分快速检测出运动区域，并根据人脸图像的投影映射规则确定人脸所在的外接矩形，然后以此矩形作为初始曲线，采用一种改进的1evelset模型精确提取出入脸轮廓。由于图像序列中人脸是一直运动的，该文引入一阶线性Kalman滤波模型对人脸运动进行估计，从而较好地跟踪了运动中的人脸轮廓，实验结果表明该方法是有效的。     

复杂背景下视频序列中的人脸定位算法

视频序列中的人脸定位是利用视频图像进行人脸识别的关键技术.为提高视频序列中人脸定位的准确性,通过分析彩色视频序列中的人脸特点,提出一种采用背景去除、肤色区域探测、水平亮度投影和垂直梯度运算、特征点拟合等人脸模板特征的方法,对视频序列中的人脸进行定位.实验结果表明,该方法定位的人脸能够满足实际应用,已利用本方法开发了人脸门禁系统.     

复杂背景下人眼定位及人脸检测

人眼定位和人脸检测是人脸识别的重要环节,复杂背景下,人眼定位及人脸检测容易受到光照以及其它物体的影响。在没有检测到人脸的情况下,对原始图像用sobel算子得到灰度边缘图像,进而得到边缘灰度加强图像,估算分割双眼的阈值范围。对边缘灰度加强图像二值化后,结合人脸的几何特征以及双眼的二维相关系数自动确定双眼候选点,利用人脸模板检验双眼及人脸的真实性。大量实验结果表明,该算法在复杂背景下进行人眼定位及人脸检测是有效的。     

复杂背景中的人脸检测与定位

基于人类视觉机制,描述了一种由粗到细的复杂背景中的人脸检测方法。其基本思想是首先粗略定出人脸可能存在的区域,然后在可能的区域内进一步细致匹配,以证实人脸的存在并对其进行准确定位。在粗略检测中利用人脸的肤色分布统计模型将人脸从背景中分割出来;在准确定位中联合人脸的肤色分布统计模型、发色分布统计模型以及不同方向的头部模型,用模糊模式匹配的方法进行准确定位。实验结果表明该方法比在复杂背景中直接利用肤色信息检测人脸的方法速度快,准确率高,鲁棒性好。     

复杂景物中人面的定位

人面是常见的复杂模式.在复杂景物图片中自动找出人面是一个困难但有重要意义的课题.这是自动人面识别的第一个重要步骤.该文提出了一个在复杂背景中找出不同尺寸人面的方法,能在较大的尺寸范围内在复杂背景的黑白图片中找到人面.     

复杂背景中人脸检测与眼睛定位

本文对Viola等人提出的基于类Haar特征及AdaBoost的人脸检测算法进行了改进,将原来的单一阈值弱分类器改为输出几乎可模拟任意概率分布的特征查找表(FST)弱分类器,构建出人脸检测模块;同时,训练左、右人眼分类器对输入图像进行眼睛定位,并且利用ROC曲线对改进算法收敛速度、人脸检测器和人眼检测器的性能与Viola-Jones算法进行了比较分析。结果表明,改进后的算法具有较高的检测率和较低的误警率。     

实时视频图像中的人脸检测与跟踪

视频图像目标检测与跟踪是远程协作系统中感兴趣的研究课题之一。文中提出了一种协同系统中视频序列图像人脸检测及实时跟踪的方法。该方法根据用户选定的目标(如人脸)的颜色分布特点,用多幅训练样本图像建立人脸肤色模型,然后根据该模型和人脸特征对待检测的彩色图像进行分割与匹配,从而确定候选区域是否人脸。在视频图像跟踪中用此方法可实现人脸的实时检测跟踪,为了提高跟踪速度,提出了改进的基于运动预测的快速跟踪法。该方法充分利用运动连续性规律,能较好地处理多干扰目标同时出现的情形。实验表明所提出的方法执行效率高,检测跟踪正确率高．对有旋转的非正面人脸图像也有较好的适应性。     

基于肤色和人脸特征的人眼定位方法

描述了一种能够对不同背景下彩色图像快速定位人眼的框架。首先,对图像进行光照补偿,然后,根据Ycbcr颜色空间肤色聚类的特点分割图像,检测人脸区域,并利用基于像素＂密度＂的滤波方法去除大面积的噪声。最后,利用人脸的结构特征和对称信息准确定位人眼。实验结果表明,该方法能够准确定位人眼,并且对于具有不同背景、带眼镜的、表情变化的图像都能有很好的鲁棒性。     

基于多模型及SVM的单人脸跟踪系统

针对彩色视频中的人脸检测与跟踪问题，使用运动模型和自适应肤色模型，从图像中快速提取出人脸候选区，然后利用基于先验规则和SVM的方法进行确认。对于被确认的人脸，建立一个人脸状态记录表，通过位置预测，使用三步搜索法进行人脸区域色度特征匹配跟踪。实验表明，本文提出的方法，在复杂的环境中，能实时地、精度较高地跟踪自由运动的人脸。     

视频序列图像中的人脸检测与跟踪

目标检测与跟踪是计算机视觉领域最普遍和关键的问题之一。基于级联结构的AdaBoost算法和基于色彩的Camshift算法,目前被认为是较有效的检测和跟踪算法,结合AdaBoost、Camshift算法和Kalman滤波器实现,对视频序列图像中多角度人脸的实时检测与跟踪,并针对AdaBoost训练耗时问题提出了改进。     

基于视频的运动人脸检测与跟踪算法研究

提出了一种自适应调整帧间时间差的方法来检测运动目标,并结合采用YCbCr空间及非线性分段色彩变换的肤色检测模型,对视频图像中的运动目标检测候选肤色区域,采用人脸的特征检测方法检测候选人脸区域.最后,根据在前后几帧中采用融合运动目标与肤色模型的人脸检测算法启动跟踪,获得初始运动信息,后继帧中提出一种新的运动区域预测与肤色边缘拟合椭圆匹配的算法,试验表明该算法实时、有效.     

压缩域人脸检测与跟踪技术

多媒体技术的迅猛发展要求对海量的信息数据进行有效的处理,压缩域图像/视频处理技术得到了广泛的关注,在压缩域开展人脸检测与跟踪技术的研究是这一领域的一种新动向,值得关注.笔者对这一课题提出的背景和研究现状进行了分析,并提出了该课题中有待解决的问题.