基于肤色模型与模板匹配的人脸检测探究

本文提出了一种基于肤色模型与模板匹配的人脸检测方法。基于YCbCr色彩空间的高斯概率模型,对肤色进行相似度计算和二值化分割,采用形态学对二值化后的图像去噪处理,随后又利用人脸先验知识进一步排除非人脸区域,最后结合人脸模板进行匹配,最终确定并标记出图像中人脸的位置。实验表明,该方法能够在复杂背景图像中较准确地检测出人脸。     

基于肤色模型和FCM动态聚类的人脸检测

针对复杂背景下彩色图像中的人脸检测,研究一种基于非线性分段色彩变换、肤色模型和FCM动态聚类算法的检测方法．算法首先进行颜色空间映射及非线性分段色彩变换,再利用肤色分布模型,对肤色似然度图像进行自适应的肤色分割,进一步采用线段编码从分割后的图像中提取区域特征向量,最后利用FCM动态聚类方法,从复杂背景中检测出人脸区域．实验证明,该方法具有较高的准确性和适应性．     

一种基于肤色和边缘信息的人脸检测

人脸的检测是一个非常复杂的问题,对它的许多规律和规则进行显性的描述是相当困难的.文中提出一种基于肤色和边缘信息的人脸检测方法.该方法充分利用了人脸肤色的统计知识,首先利用肤色模型和边缘信息对人脸进行初定位,形成肤色区域,然后利用区域的特性例如紧凑性、坚固性、长宽比等来验证该肤色区域是否存在人脸.实验证明,该方法可以有效地运用于多人脸、不同尺寸、表情姿态和复杂背景的情况,具有较好的检测结果,还可以用于实时的人脸跟踪中.     

基于肤色模型和改进Adaboost算法的人脸检测

为提高人脸检测的精度,提出一种基于YCbCr肤色模型和Adaboost算法的人脸检测方法。利用YCbCr颜色空间的肤色阈值模型确定待检测区域。再利用Adaboost算法准确定位出人脸位置,并对Adaboost算法的训练过程提出一种新的权值更新方法,防止权值过分增大,避免了Adaboost算法训练过程中出现的“退化”现象。     

基于L^＊a^＊b^＊肤色模型和数学形态学的人脸检测

提出利用L*a*b*肤色模型和数学形态学相结合的方法,实现彩色图像人脸检测.建立L*a*b*颜色空间的肤色模型,利用该模型提取肤色区域;然后,用数学形态学算子,完成去除噪声和干扰,分割候选目标等处理过程;最后,利用人脸的比例关系框选出人脸区域.实验表明,该方法计算开销较小,易于实现,准确率较高,速度快.     

一种基于肤色分割的彩色图像人脸检测算法

针对复杂背景下的彩色图像,提出了一种基于肤色分割、几何特征相结合的人脸检测算法。利用肤色模型通过最大类间方差法自动优选阈值分割图像,得到肤色区域;通过分析肤色区域的特征,用椭圆面积准则方法最终确定人脸位置。     

Gray World彩色均衡方法在肤色检测中的应用

由于受外界光照环境的影响,采集来的人脸彩色图像经常会发生彩色偏移或者存在不同程度的高光和阴影,这已成为提高基于肤色的人脸检测率的重要障碍。为此,将Gray World彩色均衡方法融入人脸检测算法,对待检测图像进行彩色偏移消除,在相当程度上解决了光源色彩不同所带来的色彩偏移问题,这为基于肤色的人脸高检测率的获得提供了保障。     

基于肤色分割及特征定位的人脸检测算法研究

针对复杂彩色图像提出一种快速有效的人脸检测算法。首先通过一种新的色彩均衡技术消除由光照引起的色彩偏移,然后采用HSI空间与归一化RGB空间相结合的混合肤色模型,提取出原图像中的类肤色区域,最后根据人脸的几何特征定位眼睛、嘴巴和人脸区域。实验结果表明,该算法能较为准确地定位彩色图像中的正面或小角度偏转的人脸,具有较快的检测速度。     

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。     

基于肤色及改进的Adaboost算法的人脸检测

为提高人脸检测的实时性和准确率,提出一种基于肤色与改进的Adaboost算法结合的人脸检测新方法。首先在YCbCr色彩空间下建立混合高斯肤色模型处理待检测图像,分割出肤色区域得到候选人脸区域。然后通过Harr矩形特征扩展与样本权值更新改进Adaboost算法,进行人脸检测。实验表明,该方法较好地处理了复杂背景下彩色图像人脸检测的漏检、错检问题,提高了检测速度和精度。     

一种新的基于直接最小二乘椭圆拟合的肤色检测方法

肤色检测是计算机视觉中的一个重要问题,本文提出了一种新的基于直接最小二乘椭圆拟合的肤色检测方法,其基本思想是根据肤色样本分布区域的边界数据点采用曲线拟合的方法得到肤色分布区域的边界方程。在实现时,为了解决直接在笛卡儿坐标系中提取肤色样本分布区域边界数据的困难,算法采用了一种新的解决思路,即首先把训练肤色样本在色度空间的统计分布转化为图像的形式,然后再利用边缘检测方法得到肤色分布区域的边界数据。根据所得的边界数据点用直接最小二乘椭圆拟合方法便可得到肤色分布区域的椭圆边界,方法简单直观。实践表明,该算法能完成对各种不同环境条件下所拍摄图像的肤色分割,效果理想,其性能明显优于常用的域值界定法和单高斯模型法。     

基于YCbCr高斯肤色模型的人脸检测技术研究

人脸的检测是人脸信息处理领域中的一项关键技术,其自动人脸识别系统、基于内容的检索、视觉监测、新一代人机交互技术等领域具有广阔的应用前景。而高斯模型是模型识别研究中经常用到的一个模型。建立一种基于YCbCr高斯肤色模型,并对其进行验证和分析,随后对二值化图像进行基于数学形态学和连通区域分析和处理,尽可能地去掉大部分非人脸区域,对于人脸识别的研究有一定的价值和意义。     

基于肤色模型的人脸检测算法研究

利用一种基于肤色的2D Gaussian模型和一定的先验知识实现了人脸快速检测。首先对一幅图像进行去噪、光线补偿等预处理,然后根据颜色空间特性建立适宜的肤色模型,检测出大致的肤色轮廓,对面部特征根据先验知识实现定位,从而剔除非脸部区域,最后对该算法进行实验验证。实验表明,该算法可以实现人脸的快速检测,降低了误报率,具有一定的优越性。     

可变光照下的人脸检测

图像中不同亮度和颜色的光照是影响人脸检测的重要因素。本文提出一种新的肤色模型(H-SV-V肤色模型),它能有效地克服由于光照的亮度变化给检测造成的困难,检测出各种亮度条件下的肤色像素。对于有有色光照射的图像,我们对它进行色彩平衡,可以消除可能的色光干扰;在色彩平衡之前,先判断是否有有色光照射,这是通过分析图像中高亮区的特性来进行的。对于用该肤色模型提取出的肤色区域,我们是通过两个灵活的数学形态学算子来处理的,其一是目标提取算子,用来获取人脸候选目标(并采用“网格搜索”来加快获取速度);其二是关联算子,用来确认人脸候选目标。这一系列方法使我们能有效地克服光照影响,准确地检测出图像中不同大小,各种偏转方向,有大面积遮挡,以及有阴影的人脸。同时我们的检测速度也是较快的,精心设计的大量实验的结果也证明了这一点。     

基于肤色模型的人脸检测研究

现有的人脸检测方法,对复杂光照环境下获得的彩色人脸图像的检测效果仍不太理想。在仔细研究目前人脸检测方法的基础上,对基于肤色分割结合模板匹配的人脸检测方法进行改进,提出基于“光照预处理＋肤色模型＋模板匹配”的人脸检测问题解决思路。实验结果表明,该方法对实际场景中正面和准正面的人脸图像,平均准检率达到84％,同时对光照变化不敏感,而且对姿态和表情的变化也具有较好的鲁棒性。     

基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.     

融合多特征的人脸检测方法

针对复杂环境下基于肤色模型的人脸检测误检率较高以及Adaboost算法对高分辨率图像时间效率低,提出了一种新的结合肤色模型和皮肤纹理特征以及Adaboost级联分类器的人脸检测方法,并改进了基于纹理刷色阶偏差法的皮肤纹理特征提取方法。该算法充分融合了肤色模型简单快捷、皮肤纹理突出的特性以及Adaboost级联分类器检测率高等优点。实验表明,该方法检测率高且有较好的鲁棒性。     

一种改进的高亮度区域肤色像素检测算法

高亮度条件下肤色和非肤色具有很高的相似性,导致高亮度肤色像素的检测一直是基于肤色分割的一个难点。为了提高肤色分割的效果,提出一种能够检测出图像中高亮度肤色区域的方法。首先在YCbCr颜色空间中利用阈值自适应的单高斯模型检测出图像中具有正常亮度的肤色像素,再结合像素的邻域信息和亮度边缘信息进一步检测出图像中高亮度区域的肤色像素,有效地解决了传统肤色检测方法对高亮度肤色区域漏检的问题。实验结果表明,采用该算法可以较准确地检测出图像中的高亮度肤色区域。     

应用于人脸自动实时跟踪的改进Struck算法

传统的Struck算法在人脸跟踪系统中,需要手动实现初始化且易受环境影响。文中提出一种基于AdaBoost目标自动检测和改进的Struck人脸自动跟踪算法。从图像中提取人脸的Haar特征,采用AdaBoost算法实现人脸的检测,并自动初始化跟踪器,再依据检测得到的相邻帧目标的相似度判定跟踪目标的有效性,采用Struck算法实现人脸的连续跟踪。实验结果表明,改进的算法有效解决了部分遮挡、尺度变化、光照变化等人脸跟踪难题,且具有较高的鲁棒性与准确性。     

一种基于KL变换的椭圆模型肤色检测方法

肤色检测是计算机视觉中的一个重要问题,该文提出了一种新的基于KL变换的椭圆模型肤色检测方法。算法首先对训练肤色样本进行了分布均匀化处理,然后以KL变换为基本工具最终得到了肤色分布区域的椭圆边界方程。方法简单直观。实践表明,该算法能完成对各种不同环境条件下所拍摄图像的肤色分割,效果理想,其性能明显优于常用的域值界定法和单高斯模型法。