人脸检测技术研究

人脸检测作为人脸信息处理中的一项关键技术,成为近年来人工智能领域内的一项研究热点。文章简要介绍了人脸检测的理论基础,讨论了人脸检测的预处理、阈值检测和边缘检测三种常用的方法;重点研究了直方图阈值分割和边缘检测这一关键技术,并在MATLAB环境下进行了仿真。通过结果可以看出,只有将边缘检测技术和其他方法结合起来才能达到理想的检测效果。     

基于一种新的非线性彩色空间的人脸检测

提出一种新的非线性变换的彩色空间YC“rC“b，利用次高斯概率分布函数拟合皮肤色度信息，得到候选区域。为了排除候选区域中的非人脸，首先根据均值和方差信息分割出候选区域中的纹理特征信息，再通过多尺度形态边缘检测算子检测候选区域的边缘，利用PCA边缘方向(PCAED)信息定位眼睛，然后根据人脸特征的几何形状信息定位其他特征(鼻、嘴)，通过这些几何特征信息对肤色分割得到的候选区域进行验证，最终得到正确的人脸区域。利用3个实验数据集测试该算法，并与其它相应的算法相比较，提出的非线性彩色空间对于肤色分割具有很好的效果，且对光照和姿态具有良好的不变性。另外，利用PCAED信息和几何特征信息检测人脸特征具有很高的定位精度，定位检测率优于其他方法。实验结果表明，该算法具有定位准确率高，漏检率和误检率低等特点。     

基于数字图像处理技术的人脸检测算法研究

为了提高人脸检测的准确性及检测速度,需要对基于数字图像处理技术的人脸检测算法进行研究;使用当前方法进行人脸检测时,需要提取脸部特征数目较多、检测速度过慢,降低人脸检测效率;为此,提出一种基于数字图像处理技术的人脸检测算法;该方法首先获取人脸数字图像,通过拉开数字图像的灰度间距,使数字图像灰度均匀分布,进而提高数字图像对比度,使图像更加清晰,再通过Wiener维纳滤算法对处理后的数字图像进行图像平滑去噪,在此基础上使用Robert边缘检测算子方法对数字图像人脸边缘每个像素点检测,得到数字图像中人脸边缘的基本图像,将其输入到计算机数字图像处理系统中进行识别检测;实验仿真证明,所提算法在检测速度及准确性等方面具有明显的优势。     

视频人脸检测与特征点定位研究

基于对视频中人脸的检测和特征点定位算法的学习与研究,文中提出了一种结合连续均值向量和主动形状模型的新方法.该方法首先对视频帧进行局部连续均值量化变换处理,快速地检测出似人脸区.然后用改进ASM方法来定位所检测出人脸的特征点,使用双阈值Sobel算子进行边缘检测,提取边缘信息,当搜索时利用这些边缘信息来改变特征点的权值,使带有更多边缘信息的像素点更有可能被选为最佳候选点.该方法可以快速地对人脸做出检测,并能很好地定位出人脸特征点     

一种基于肤色与边缘轮廓的人脸检测方法

本文提出了一种基于肤色和边缘轮廓相结合的人脸检测算法。其算法首先采用人脸肤色模板对图像当中的类人脸肤色区域进行初定位,再利用以人脸边缘轮廓为特征训练得到的支撑向量机对这些区域进行分类,最终得到人脸区域。实验证明,此算法保证了检测率的基础上获得了较好的检测速度。     

基于视频序列的人脸检测技术的研究

本文提出了一种视频序列中人脸检测的算法.算法首先使用边缘检测和轮廓提取的方法滤去了大量的非人脸窗口然后使用基于Haar特征的检测方法对过滤处理结果进行再次检测.实验结果表明该系统能够实时地时于人脸进行检测,可以被应用在视频监控方面.     

融合肤色信息和椭圆环模板的人脸检测

融合肤色信息和人脸轮廓信息,提出了一种新颖的基于肤色信息和人脸轮廓的人脸检测算法.首先利用改进的肤色提取算法对肤色进行分割,分析肤色区域,找出备选人脸;然后对备选人脸区域进行边缘检测,根据边缘检测点进行人脸轮廓特征的匹配,找出入脸的准确位置,并利用马赛克模板排除虚假人脸.实验结果表明,该算法具有较高的准确率,检测速度快...     

图像驱动的三维人脸自动生成与编辑算法

针对图像驱动的三维人脸建模这个计算机图形学中的研究热点问题,提出一种采用三维人脸形变模型的三维人脸自动生成与编辑算法.首先建立三维人脸形变模型,由三维人脸数据库统计学习得到线性混合人脸模型,用一个低维的参数向量来描述一个人脸;然后通过人脸检测、人脸对齐、边缘提取等方法从人脸图像中提取人脸的特征,根据这些特征实现三维人脸形变模型与图像的匹配,重建出与图像对应的三维人脸模型;最后,通过改变参数向量的值实现人脸的编辑.对5个输入人脸照片进行了三维人脸模型重建和编辑并且将重建的人脸模型和真实人脸模型进行了对比,实验结果表明,该算法可实现真实化的人脸重建效果.     

复杂光照环境下视频人脸序列的自动检测方法

基于视频序列人脸自动检测是人脸跟踪、识别等研究的基础.提出了一种结合图像增强技术、gabor特征变换和adaboost算法的视频序列人脸检测方法,其主要思想是使用图像增强技术对图像进行光照补偿,减轻不同的光照条件(如局部的阴影和高亮等)对检测结果的影响.该方法首先通过高频增强滤波强化图像的边缘和细节信息,用基于直方图的技术采调节图像的亮度,然后应用gabor小波变换进行特征抽取,最后采用adaboost方法训练样本,完成人脸的检测.实验表明,该方法能够在不同的光照条件下准确检测出人脸,显示出较强的鲁棒性.     

基于轮廓信息的人脸检测

针对彩色图像提出了一种基于肤色模型、脸部轮廓信息以及眼睛特征的人脸检测算法.采用基于YCbCr色彩空间的肤色分割模型,初步筛选人脸的候选区域;在此基础上进行边缘检测,获得人脸轮廓信息,并利用遗传算法拟合脸部的椭圆;在椭圆的水平方向根据眼睛的几何特征来检测"眼睛对",再根据"三停五眼"来定位人脸,并利用左右对称性验证人脸.实验表明,该算法对于彩色图像的正面人脸检测具有良好的效果.     

基于DSP的实时人脸检测系统

阐述了硬件设计思想、软件开发流程及人脸检测算法的实现。首先以TMS320DM642建立实时图像处理的硬件系统,通过CCD获取视频序列,对当前图像进行降噪、图像增强以及边缘检测的预处理,再利用基于肤色和差分帧相结合的算法对视频序列进行检测、跟踪人脸。本系统所有算法均使用C和汇编语言混合编程并在TIDM642EVM上开发实现。实验结果表明,本系统的算法简单、快速、鲁棒性强。     

Boosting协方差特征的人脸检测方法

基于Harr式特征分层筛选的人脸检测方法速度快、检测率高。但Harr式特征对边缘、线段比较敏感,只能描述特定走向的图形结构。结合分层筛选技术,提出了Boosting协方差特征人脸检测方法。该方法先计算协方差矩阵特征,然后由这些特征构造弱分类器,最后借助Adaboost方法组合这些弱分类器的输出结果来对测试图片进行瀑布式分层筛选,从而获得最终判决结果。测试实验显示所提方法具有较强的抗噪能力,检测率相比原基于Harr式特征分层筛选的方法有显著提高。     

复杂背景基于肤色的人脸检测

本文针对复杂背景的彩色静止图像的人脸检测提出了一种基于肤色检测和分块面部特验证方法,。先在类肤色区域内提取出面部特征,然后用分块验证的方法来确定人脸。本算法可以快速检测不同大小,不同平面及一定侧面旋转角度的人脸,而且可以适应一定程度的表情变化。     

人脸检测研究综述

人脸检测问题最初作为自动人脸识别系统的定位环节被提出，近年来由于其在安全访问控制，视觉监测、基于内容和检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。该文从人脸检测问题的分类、人脸模式的分析、特征提取与特征综合、性能评价等角度，系统地整理分析了人脸检测问题的研究文献，将人脸检测方法主要划分为基于知识的人脸验证方法和基于统计的学习方法，指出统计学习方法优于启发式验证方法。     

人脸检测中眼睛精确定位的研究

人脸检测在许多应用中都是重要的一个处理阶段,例如人脸识别、电视会议、人机界面等。眼睛是一个在人脸检测中极为重要的人脸特征,因此一种快速可靠的精确定位眼睛的算法对许多实际的应用是十分重要的。该文提出了一种新颖的精确定位眼睛的方法,该方法由两部分组成:第一部分,通过人脸区域分割、五官定位、人脸确认三个步骤在复杂背景中进行人脸区域的检测;第二部分,在检测到人脸区域和眼睛大致位置的基础上,用一种新的椭圆检测算法精确定位眼睛虹膜的位置。实验证明该文所提出的算法是快速可靠的。     

人脸识别技术的研究

对人脸识别的几个关键技术进行了深入研究，提出了一种快速的基于眼睛像素特征的人脸检测方法：一种有效的基于SVD分解的特征提取方法和一种基于特征差别的SVM人脸识别方法．改进的基于SVD分解的特征提取方法能在一定程度上削弱光照和表情的影响，从而更好地抽取人脸的差别特征．基于特征差别的SVM方法将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题，克服了传统SVM方法在解决多分类问题上的缺陷．实验表明该人脸检测方法有较高的正确检测率，提出的特征提取方法能有效地减弱光照和表情对人脸特征的负面影响，使得识别率有较大提高，基于特征差别的SVM方法有更好的概括能力和更高的正确识别率．     

一种改进的基于人脸特征的人脸检测方法

人脸检测技术应用十分广泛,可用于生物特征识别、视频会议、图像与视频检索以及人机智能交互界面等。目前的算法大多依赖于一定的约束条件。文章提出了一种改进的人脸检测方法,该方法利用了肤色在色彩空间的局部性和五官在人脸相对位置的不变性。实验结果表明,该算法结合了肤色和人脸特征的信息,提高了检测的准确度。     

融合全局时序和局部空间特征的伪造人脸视频检测方法

近年来,深度学习在人工智能领域表现出优异的性能。基于深度学习的人脸生成和操纵技术已经能够合成逼真的伪造人脸视频,也被称作深度伪造,让人眼难辨真假。然而,这些伪造人脸视频可能会给社会带来巨大的潜在威胁,比如被用来制作政治虚假新闻,从而引发政治暴力或干扰正常选举等。因此,亟需研发对应的检测方法来主动发现伪造人脸视频。现有的方法在制作伪造人脸视频时,容易在空间上和时序上留下一些细微的伪造痕迹,比如纹理和颜色上的扭曲或脸部的闪烁等。主流的检测方法同样采用深度学习,可以被划分为两类,即基于视频帧的方法和基于视频片段的方法。前者采用卷积神经网络（Convolutional Neural Network,CNN）发现单个视频帧中的空间伪造痕迹,后者则结合循环神经网络（Recurrent Neural Network,RNN）捕捉视频帧之间的时序伪造痕迹。这些方法都是基于图像的全局信息进行决策,然而伪造痕迹一般存在于五官的局部区域。因而本文提出了一个统一的伪造人脸视频检测框架,利用全局时序特征和局部空间特征发现伪造人脸视频。该框架由图像特征提取模块、全局时序特征分类模块和局部空间特征分类模块组成。在FaceForensics++数据集上的实验结果表明,本文所提出的方法比之前的方法具有更好的检测效果。     

基于灰度和小波变换的人眼特征提取

人脸检测在现今社会中具有巨大的应用意义,它是视频监测、人机交互、人脸识别等工作的基础。而人眼的准确提取是人脸检测中的关键步骤,提出了融合图像灰度和小波信息提取人眼特征的算法。实验表明,该算法具有较高的检测率,能够满足复杂背景图像中人脸检测的需要。