基于Adboost与空间支持向量域分类的人脸检测

为了在AdaBoost算法基础上进一步提高人脸检测率,提出首先运用AdaBoost算法对样本进行训练得到T个分类器,然后通过空间支持向量域分类(SSVDC)方法找到T个分类器的超球半径以及球心。同时,为了提高检测速度,首先对彩色图像进行肤色分割,去掉背景以及非肤色区域,然后计算所测样本的对应T个分类器的特征值,并计算其到各个超球球心的距离,并根据其与超球半径的关系来判断是否为人脸。在ORL人脸库、YALE人脸库以及CMU+MIT人脸库中进行实验。实验结果表明:本文算法比AdaBoost算法具有更高的检测速度与检测率,检测率可达到94.4%。     

基于Android平台的实时人脸检测与跟踪

针对Android智能手机自带人脸检测功能效率低、错误率高的问题,提出了一种将OpenCV移植到Android平台的方法,在运行Android系统的嵌入式平台中使用改进的AdaBoost算法,并结合OpenCV库来实现实时人脸检测与跟踪。实验取得了高达9505%的人脸检测准确率和5013 ms的平均检测速率,在保证检测速度的同时比Android自带的人脸检测更具高效性和实用性。     

视频图像的实时人脸检测系统

本文基于VFW,在Windows平台下构建了一个实时人脸检测系统.同时提出了一种融合肤色信息的图像差分方法,该方法在加快检测速度的同时有效缩小了人脸搜索范围.最后利用Real AdaBoost Cascade结构分类器对人脸进行验证.实验证明,该系统能够快速准确的检测人脸.     

Android平台实时人脸检测和性别识别的研究与实现

提出一种基于开源计算机视觉库OpenCV(Open Source Computer Vision Library)实现Android平台中实时人脸检测和性别识别的方法,阐述了在运行Android系统的嵌入式平台中采用AdaBoost算法实现人脸检测以及FisherFace算法实现性别识别的原因和具体实现方法,并分别在基于ARM和X86构架的两个嵌入式平台中进行了大量实验和测试数据对比。实验结果表明Android平台中能够实时地进行人脸检测和性别识别,且获得96.35%的人脸检测准确率和82.64%的性别识别准确率。     

基于Boosting算法的实时人脸监控系统设计

设计实现了基于Boosting算法的实时人脸监控系统,以AdaBoost算法为人脸检测基础,以粒子滤波器算法为人脸跟踪基础,通过两者的结合提高了检测的速度.通过分析AdaBoost训练和检测的过程,指出影响AdaBoost检测速度的要素,并提出了通过区域生长等预处理方式对待检测图像进行区域合并,降低背景的复杂度,从而提高检测的速度;并增加了侧面人脸级联分类器,采用串并联结构将正面人脸和侧面人脸的检测综合起来,扩大了系统对人脸的检测范围.同时将跟踪结果作为人脸检测模块的反馈信号,增强了检测系统的目标捕获和目标校正能力.     

基于拟合型弱分类器的AdaBoost算法

针对AdaBoost算法通过最小化训练错误率来选择弱分类器造成的精度不佳问题以及单阈值作为弱分类器训练过程较慢难以收敛问题,提出了一种基于拟合型弱分类器的AdaBoost算法。首先针对每个特征,在特征值与标记值之间建立映射关系,引入最小二乘法求解拟合多项式函数,并转换成离散分类值,从而获得弱分类器。其次从获得的众多弱分类器中,选择分类误差最小的弱分类器作为本轮迭代的最佳弱分类器,构成新的 AdaBoost 强分类器。与传统训练算法相比,极大地减少了待选弱分类器的个数。选取 UCI 数据集和MIT人脸图像数据库进行实验验证,相较于传统Discrete-AdaBoost算法,改进算法的训练速度提升了一个数量级,人脸检测率可达96.59%。     

一种改进的AdaBoost人脸检测算法

为了进一步提高AdaBoost算法的检测准确率和解决AdaBoost算法的退化问题,提出了一种基于线性不对称分类器(LAC)的改进AdaBoost人脸检测算法。该算法对样本权重的更新规则进行了调整,当训练节点分类器的前m个弱分类器时,由于样本权重更新合理,采用原始权重更新方法;当已训练产生一定数量的弱分类器序列后,退化问题严重,由LAC算法对前期训练获得的弱分类器序列进行学习形成最优强分类器,计算该强分类器对负样本集的错分率FPR,更新样本权重,依次循环直到完成该节点所有弱分类器的训练并得到最佳节点分类器,最后通过级联各个节点分类器,构成人脸检测分类器。同时,对已有的Haar特征进行了改进和完善。实验结果表明,该方法不仅提高了检测精度,而且抑制了退化现象,使人脸检测分类器的性能得到进一步的提高,具有较大的实用价值。     

复杂光照下的视频人脸检测与识别的研究

为了解决复杂光照下的视频人脸检测与识别率受影响的问题,提出了一种光照不变的人脸检测与识别方法.该方法基于Retinex理论,提取光照不变分量,然后用于训练AdaBoost分类器;对输入的视频序列也进行相同的光照预处理,然后用训练的AdaBoost分类器进行人脸检测;把检测到的光照不变人脸图像采用分块加权LBP进行特征提取,采用欧氏距离与最近邻分类器进行分类.实验结果表明:该方法能有效提高视频人脸检测率与人脸识别率,而且对于人脸检测与识别只需要一次光照处理,具有更高的效率.     

采用Gentle AdaBoost和嵌套级联结构的实时人脸检测

本文提出一个基于Gentle AdaBoost和嵌套级联结构(Nesting Cascade Structure)的快速人脸检测器。采用嵌套级联结构并在训练过程中剔除前级节点分类器已使用过的特征,解决了经典的AdaBoost级联分类器因各节点分类器独立训练导致不同节点之间特征相同的弱分类器大量存在而影响检测速度的问题,提高了人脸检测速度。采用Gentle AdaBoost算法训练节点分类器以提高各节点分类器的泛化能力,进一步减少嵌套级联结构中弱分类器的个数。实验结果表明本文所提出的人脸检测算法大幅度减少了级联分类器所需的弱分类器个数,使检测的速度得到明显的提高,在CIF(352×288)格式的视频上达到每帧8毫秒的检测速度,优于现有的人脸检测算法,而且检测的准确性也比现有的人脸检测算法略有提高。      

视频图像中人脸自动检测与统计算法

针对视频中人脸检测由于成像角度、天气状况、遮挡等因素造成检测准确率偏低以及深度学习模型计算复杂度高的问题,文中提出了一种基于椭圆肤色模型与AdaBoost的人脸检测算法。算法通过选取Haar-like特征作为弱分类器,以裁剪过的CAS_PEAL数据集中的人脸图像作为训练集,利用AdaBoost算法将多个弱分类器组合成一个强分类器,最后将若干强分类器以级联的结构组成最终的分类器模型。为解决将非人脸区域检测为人脸的问题,引入椭圆肤色模型,利用椭圆肤色模型对视频帧进行处理使得图像中与肤色相似的区域进入后续的人脸检测过程以降低误检率。实验结果表明,算法能以平均26 ms(单人脸视频)和平均34 ms(多人脸视频)的检测速度进行实时的人脸检测,且达到了87.2%的检测准确率,具有较大的应用推广价值。     

基于LARK特征提取的AdaBoost人脸检测系统

由于图像易受到外部条件及图像背景的影响,AdaBoost人脸检测方法在特征分类的过程中,单个分类器存在将人脸图像误判为非人脸图像的情况,致使分类器在检测过程中存在误差。文中通过研究AdaBoost人脸检测方法,并将LARK特征提取方法应用到特征分类当中,使原有的方法上得到改进,从而有效提高了人脸检测的准确度。     

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。     

基于NiosⅡ的人脸检测系统设计

基于FPGA内嵌的NiosⅡ处理器,设计了一个实时人脸检测系统。介绍了基于Haar 特征的AdaBoost人脸检测算法,描述了依据AdaBoost算法的人脸检测软件实现过程,最后在以Altera公司CycloneⅡ系列EP2C70为核心芯片的DE-2 开发平台上,对检测系统进行了整体设计。测试结果表明,系统有较高的检测率,可以满足实时人脸检测的要求。     

基于计算机视觉技术的人脸检测系统设计

通过对基于Haar-like特征的AdaBoost人脸检测算法研究,利用由该算法训练的级联分类器和计算机视觉类库OpenCV进行人脸检测系统设计,实现了基于静态图像、摄像头视频和avi视频的人脸检测与标记,以及标记后的人脸区域图像实时显示和存盘。此外,在VC＋＋6.0环境下实现了对人脸检测系统软件界面的开发。实验结果表...     

基于AdaBoost算法和人眼定位的动态人脸检测

在快速人脸检测算法中,基于AdaBoost算法的人脸检测算法得到越来越多的认可。然而,该算法在复杂环境下常有误检的情况。为了既快速又能提高检测的准确率,提出了以人眼定位的算法作为辅助的人脸检测算法。首先应用AdaBoost算法检测人脸的位置,然后再利用改进的模板匹配算法对人眼进行快速识别与定位。在人眼检测方面,利用金字塔算法加快了检测速度。实验表明,该方法可减少AdaBoost算法的误检率。     

基于CPSO－AdaBoost算法的人脸检测方法

Ada Boost分类器训练算法对特征搜索的时间复杂度较高,改进的PSO-Ada Boost算法采用最佳特征搜索方式训练耗时减少,但在迭代过程中容易陷入局部最优解。为此,提出用混沌粒子群优化Ada Boost训练算法的CPSO-Ada Boost算法。通过引入混沌优化序列增加种群的多样性并扩大粒子搜索范围,帮助粒子克服"惰性"摆脱局部最优解,从而在训练分类器时可以快速寻找到性能更好的弱分类器。在MIT样本库上训练人脸检测分类器结果表明,CPSO-Ada Boost算法减少了训练过程中所需要的特征数量,缩短了训练时间,有效地提高了人脸检测率。