基于肤色及AdaBoost算法的自动调焦人脸检测

提出一种结合肤色检测和AdaBoost算法的自动调焦实时人脸检测方法。采用肤色信息定位皮肤区域,针对AdaBoost算法对待检人脸尺寸小于训练样本人脸尺寸时检测率低的缺陷,并采用自动调焦算法调整图像大小后再利用AdaBoost算法进行人脸检测。实验结果表明,结合肤色信息和自动调焦后的AdaBoost算法性能较传统AdaBoost算法有明显提高,同时对小人脸图像也有更好的检测效果。     

一种基于改进的AdaBoost、肤色和2DPCA的人脸检测方法

为了提高复杂背景下多人脸检测率以及人脸检测速度,提出了一种基于改进AdaBoost、肤色检测和二维主成分分析法（Two-dimensional Principal Component Analysis,2DPCA）的人脸检测方法.该方法首先利用金字塔结构快速检测人脸,得到人脸检测区域,然后利用肤色检测对待判人脸区域进行过滤,过滤误检的非人脸区域,最后根据人脸的几何位置进行人脸关键部位的2DPCA检测.仿真结果表明,该方法实现了复杂背景下多人脸图像快速检测和精确定位,有效降低了误检率,使检测结果更加精确.     

基于综合肤色检测和二值形态学的人脸定位研究

针对人脸定位检测中存在的速度慢、精度低及噪声干扰问题,提出了一种基于综合肤色检测和二值形态学的人脸定位检测算法.该算法将YCrCb(明亮度-色调-饱和度)模型与HSV(色相-饱和度-色调)模型用于人脸综合肤色检测,在YCrCb与HSV空间中根据待检测图像每点的颜色值进行人体区域或背景区域的判断;然后,将检测图像转换为二值图像,对图像进行形态学处理;最后,选用人脸几何特征对筛选后连通区域进行判别,实现人脸的准确定位和检测.实验结果表明,该算法对于简单、中等、复杂三种情况下人脸图像的检测正确率分别达到了99%、92%和85%.另外,由于二值形态学消噪算法的使用不仅提高了人脸检测的准确率,而且加快了检测速度.     

基于肤色分割和改进AdaBoost算法的人脸检测

为解决当被检测图像中具有复杂背景或者含有多人脸时,不能够快速准确的进行人脸检测的问题,本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理,排除样本图像的复杂背景和人体非肤色区域,简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法,以减少弱分类器个数,提升训练速度;改进权值更新规则,防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明,两种算法结合后在训练速度上提升,在检测速度和检测率上有明显提高。     

基于肤色和Adaboost算法的人脸检测

人脸检测是人脸识别的第一环节,也是非常关键的环节。试验中主要针对静态彩色图像进行人脸检测,研究肤色在人脸检测中的应用。不同图像背景、人脸的可变性和光照条件变化都增加了人脸检测的难度。因此,从一幅图像中检测人脸是一项具有挑战性的任务。采用Adaboost的人脸检测,并提出肤色与Adaboost算法相结合的人脸检测方法。对输入的彩色图像进行从RGB空间到YCbCr空间的转换,然后进行肤色分割,排除背景干扰,最后用Adaboost算法对可能区域进行检测,得到人脸位置。实验表明,该方法误检率低,鲁棒性好,对人脸检测有较强的实用性。     

基于视频的人脸检测算法研究

针对传统AdaBoost算法在视频中检测人脸误检率较高的问题,文中提出了一种结合运动分析和肤色检验的改进型人脸检测算法。该方法通过运动检测来提取运动前景,并选择肤色模型对人脸肤色进行相似度求取,利用几何特征进一步缩小检测范围;采用增加新Haar特征和改进权重更新方式的改进型AdaBoost算法对人脸候选区域进行实时检测。实验结果表明,与传统AdaBoost方法和增加肤色检验的AdaBoost方法相比,该方法的误检率分别降低了18.68%和8.79%,检测时间则分别缩短约800 ms和250 ms。     

基于YCgCr色彩空间的人脸检测技术研究

讨论一种复杂背景下彩色图像的人脸检测方法。在RGB色彩空间对输入图像进行光照补偿,采用YCgCr色彩空间的高斯肤色模型来分割肤色区域,对肤色分割后的二值图像进行数学形态学和连通区域的分析和处理,尽可能去除大部分非人脸区域,最终定位出人脸区域。实验证明,该方法对不同光照条件和复杂背景下的图像有较好的适应性和检测效果。     

一种采用混合高斯模型与贝叶斯判别的彩色图像人脸检测方法

介绍了一种采用混合高斯模型与贝叶斯判别的彩色人脸检测方法。该方法首先利用图像的彩色信息以及人脸的基本特征信息来进行人脸粗检测,得到图像中的多个候选人脸区域;然后对训练图像集中的全部候选人脸区域进行判别特征分析和混合高斯建模;最后采用贝叶斯判别方法对候选人脸区域进行判决,得到人脸检测结果。实验结果显示该方法具有较好的推广效率和工程应用前景。     

基于肤色特征和Adaboost算法的人脸检测方法探析

针对采用基于肤色特征的人脸检测方法和基于Ada Boost算法的人脸检测,单一方法的人脸检测系统在检测率和误检率方面不能同时达到比较好的效果。因此结合上述两种算法各自的优点,将两种方法相结合并加以改进,主要思想是基于肤色特征的人脸检测作为预人脸检测,得到含有人脸的肤色区域,运用级联分类器检测这些肤色区域。利用matlab仿真软件进行了大量的仿真探析并进行了统计与分析,探析表明改进算法在误检率和检测率方面明显优于两种单独算法,同时对于人脸姿势方面,也能够达到很好的检测效果。     

基于特征点定位与肤色分割的胡子检测算法

针对具有一定程度偏转和模糊的人脸图像难以实现胡子检测的问题,提出基于人脸特征点定位与肤色分割的胡子检测算法.该算法的设计思路是首先使用主动形状模型(ASM)算法定位人脸特征点进而获取下巴区域,然后利用提出的自动选择聚类中心(ASCC)的肤色分割算法分离出下巴的非肤色区域,最后在下巴非肤色区域中使用胡子颜色判别法检测得到胡子.在LFW人脸库上的实验表明,该算法能够准确地检测出入脸的胡子,特别地,对有一定程度偏转和模糊的人脸图像,算法依然能获取良好的检测效果.