一种改进的Adaboost人脸检测方法

针对现有基于粒子群（PSO）策略的Adaboost人脸检测方法没有考虑到PSO容易陷入局部最优且后期收敛速度较慢的问题,提出一种改进的Adaboost人脸检测方法。该方法将自适应逃逸粒子群（AEPSO）~I入传统Adaboost人脸检测中,利用粒子表达Haar-Like矩形特征,从而将特征选择和分类器构建转化为AEPSO问题进行解决。基于Matlab仿真实验的结果表明,改进后的方法具有较好的检测性能。     

快速局部遮挡人脸检测算法研究

针对Adaboost人脸检测算法在分类器训练过程中耗时较多的问题,对Adaboost算法进行了详细分析,提出了加快寻找每一轮最佳弱分类器的四点均值法。该方法对每个特征,计算所有训练样本对应的特征值,并将其从小到大排序,求相邻的4个特征值的平均值,该平均值作为阈值,计算错误率,找出最佳弱分类器。减少特征量,修改弱分类器权重,加快收敛速度,使用不同遮挡部位的人脸样本训练分类器,实现了局部遮挡人脸的检测。实验结果表明,该方法明显提高了训练速度,缩短训练时间,并能较准确地检测局部遮挡人脸。     

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。     

一种融合肤色和Haar特征的人脸检测方法

针对彩色图像提出了一种融合肤色与Haar特征的人脸检测方法.分别利用基于肤色模型和基于Haar特征的方法检测低像素图像和多人图像,在此基础上再次用基于肤色模型的方法进行后验证处理降低误检率.在Caltech Faces 1999 Database人脸库和自建人脸库上分别进行实验,结果表明,所提方法具有更优的检测效果.     

一种快速人脸跟踪系统

本文介绍一种快速人脸跟踪的系统:首先利用Adaboost快速人脸检测技术检测到人脸的位置,然后用检测到的人脸位置初始化人脸跟踪算法的跟踪窗口,人脸跟踪的算法是采用Camshift算法,该算法能够实现物体的实时跟踪,具有较好的鲁棒性和实时性,同时该算法抗噪声干扰能力非常强。     

一种快速高效的人脸特征点定位方法

针对传统人脸特征点定位方法中存在的算法复杂、鲁棒性差以及精确度低等不足,提出一种基于局部特征区域快速高效的人脸特征点自动定位方法。首先对经过预处理后的人脸图像利用改进的积分投影算法结合肤色特性实现人脸区域的精确定位;然后在人脸区域内根据各特征部位的特性标定其特征区域;最后在特征区域内完成人脸特征点的自动定位。实验结果表明,该算法简单、具有较高的鲁棒性,且能够快速高效地实现人脸特征点定位。     

快速人脸检测系统的设计与实现

为了快速而准确地在复杂背景的灰度或彩色图像中检测人脸,对实时人脸检测方法做了一些扩展并根据该方法设计实现了一个快速人脸检测系统,系统分为训练和检测两部分,训练方法为AdaBoost算法。测试表明该系统的性能较好。     

一种基于改进样本选取的快速人脸检测方法

AdaBoost算法效果的好坏关键在于前期训练时候的弱分类器的选取,而弱分类器的选取在一定程度上依赖于样本集的选取。因而训练样本集显得十分重要。深入分析了cascade分类器与弱分类器之间的关系,从样本选取角度出发,根据检测率、漏检率与错检率三个指标,改进样本选取,提出一种快速人脸检测方法,该方法分为训练和检测两部分,主要通过对训练样本的比例优化和检测窗口的合并来实现。实验结果表明,该方法检测性能上比传统方法有更好的检测效果。     

一个基于Adaboost的快速人脸检测系统的实现

人脸检测技术作为计算机视觉和模式识别领域中的一个重要课题,具有很高的学术研究价值和商业应用价值。本文使用Adaboost算法训练了一个分类器,并且实现了一个快速人脸检测系统。从一个特征库中选择少量关键的类Haar特征产生一个高效的强分类器,再使用cascade方法将强分类器构成一个更为复杂的级联分类器。采用放大检测窗口的方法获得图像的待检测子窗口,比传统的金字塔法减少了很多计算量。实验证明该系统能够快速准确地在一幅图片中检测出人脸。     

基于CUDA的快速人脸检测算法

针对传统的CPU人脸检测程序难以满足高清图像实时检测要求的问题,本文提出一种在CUDA平台下基于Viola-Jones级联分类器的快速人脸检测算法,其中积分图计算、扫描窗口检测和分类器放大修正部分均进行了并行加速。扫描窗口检测采用的窗口重映射技术可有效解决非规则树结构应用的负载不均衡问题。实验结果表明,对于1080p图像,CUDA程序与CPU和OpenCV程序相比可分别实现17.04、3.22倍的加速比,同时具有相近的检测精度。     

一种基于视频流的快速人脸检测算法

人脸检测广泛用于计算机视觉和模式识别领域。结合肤色检测和镶嵌图方法,提出一种对视频流中人脸进行快速检测的算法。该方法首先根据肤色信息和人脸的几何规则初步得到可能的人脸区,然后在候选区中利用改进的镶嵌图方法准确定位人脸。实验表明,该方法能快速而且准确地在视频流中进行人脸检测。     

Fast asymmetric learning for cascade face detection

A cascade face detector uses a sequence of node classifiers to distinguish faces from non-faces. This paper presents a new approach to design node classifiers in the cascade detector. Previous methods used machine learning algorithms that simultaneously select features and form ensemble classifiers. We argue that if these two parts are decoupled, we have the freedom to design a classifier that explicitly addresses the difficulties caused by the asymmetric learning goal. There are three contributions in this paper. The first is a categorization of asymmetries in the learning goal, and why they make face detection hard. The second is the Forward Feature Selection (FFS) algorithm and a fast pre- omputing strategy for AdaBoost. FFS and the fast AdaBoost can reduce the training time by approximately 100 and 50 times, in comparison to a naive implementation of the AdaBoost feature selection method. The last contribution is Linear Asymmetric Classifier (LAC), a classifier that explicitly handles the asymmetric learning goal as a well-defined constrained optimization problem. We demonstrated experimentally that LAC results in improved ensemble classifier performance.     

基于HOG和block权重的快速人体检测方法

为解决HOG行人检测过程缓慢的问题,在梯度向量直方图HOG中引入block权重的概念,通过合理筛选block,组成行人的特征向量,然后使用线性SVM作为分类器,重新进行学习,达到减少信息冗余、提高检测效率的目的。在INRIA库上进行实验,结果表明,通过合理选择block,能够在不影响检测效果的情况下,显著减少block的数目,达到提高检测速度的目的。     

人脸检测及分割方法研究

人脸检测和分割是进行人脸分析和识别的重要组成部分,其目的是从复杂背景图像中检测出人脸的位置,并把人脸分割出来。虽然人们可以毫不困难地在复杂背景中检测和识别出人脸,但是要建立一套完全自动化的人脸和识别系统却是非常困难的。近年来随着计算机技术和图像处理方法的不断发展,出现了各种不同的人脸检测方法。应用了一种基于YIQ颜色模型的人脸检测方法,并且利用惯量最小化原理进行人脸图像的姿态调整,然后进行分割提取。试验结果表明,该方法能较好地从复杂背景中检测出人脸区域并能较完整地分割出人脸。     

Towards more efficient and flexible face image deblurring using robust salient face landmark detection

Recent years have witnessed great progress in image deblurring. However, as an important application case, the deblurring of face images has not been well studied. Most existing face deblurring methods rely on exemplar set construction and candidate matching, which not only cost much computation time but also are vulnerable to possible complex or exaggerated face variations. To address the aforementioned problems, we propose a novel face deblurring method by integrating classical L ₀ deblurring approach with face landmark detection. A carefully tailored landmark detector is used to detect the main face contours. Then the detected contours are used as salient edges to guide the blind image deconvolution. Extensive experimental results demonstrate that the proposed method can better handle various complex face poses, shapes and expressions while greatly reducing computation time, as compared with existing state-of-the-art approaches.     

一种快速的交集型歧义检测方法

中文分词中,交集型歧义检测方法采用的双向最大匹配法与全切分方法存在着各自的弊病,无法满足大规模数据的精确处理。为此,提出了一种快速的交集型歧义检测方法,引入次长词进行检测,能高效准确地检测出中文文本中的交集型歧义。经实验验证,该方法在精度与速度两方面均能满足大规模语料的处理。     

利用彩色空间肤色模型实现快速人脸检测

本文采用在彩色空间建立肤色高斯模型的方法进行人脸区域与非人脸区域的大致分离,然后在分离结果中根据每一个8连通区域的形态特点和人脸的几何特征,去除误检出的非人脸区域.本文中彩色空间选用HSI和YCbCr彩色空间,相较于RGB彩色空间,这两种彩色空间都可以将亮度信息与色彩信息分离,减小了亮度不同所造成的影响.该方法具有操作简单,计算量小,快速、不易受表情姿态影响等优点.实验结果表明该方法可以作为特征提取前,提高图像处理效率和准确度的图像预处理操作.     

利用彩色空间肤色模型实现快速人脸检测

本文采用在彩色空间建立肤色高斯模型的方法进行人脸区域与非人脸区域的大致分离,然后在分离结果中根据每一个8连通区域的形态特点和人脸的几何特征,去除误检出的非人脸区域。本文中彩色空间选用HSI和YCbCr彩色空间,相较于RGB彩色空间,这两种彩色空间都可以将亮度信息与色彩信息分离,减小了亮度不同所造成的影响。该方法具有操作简单,计算量小,快速、不易受表情姿态影响等优点。实验结果表明该方法可以作为特征提取前,提高图像处理效率和准确度的图像预处理操作。     

基于混合肤色模型的快速人脸检测算法

提出了一种基于混合肤色模型的复杂背景彩色图像的快速人脸检测算法.为了克服环境光照变化及光照不均的影响,引入了自适应光线补偿算法;在RGB颜色空间中运用多项式模型对光线补偿后的彩色图像进行肤色区域粗检测;采用RGB颜色空间中的多项式模型和颜色空间中的高斯模型相结合,对先前所提取的肤色区域做进一步精确的肤色区域提取;最后,对二值图像的连通区域进行预处理,输出人脸区域.实验结果表明,该算法能快速有效地从复杂背景的彩色图像中检测出人脸,对光照变化具有较好的鲁棒性.