基于ASM与肤色分割的人眼特征点提取

人眼特征点的快速准确提取是利用视觉方法对驾驶员的驾驶状态进行监测和警告的重要环节.本文利用ASM(主动形状模型)找到进行人眼特征提取的感兴趣区域,对此区域进行肤色分割并提取人眼特征点.实验结果表明,该方法具有很好的可靠性和实时性,为驾驶员疲劳检测的研究奠定了良好的基础.     

基于局部纹理ASM模型的人脸表情识别

针对主动形状模型(ASM)迭代过程容易陷入局部最优解的不足,提出了一种基于局部纹理模型的改进ASM算法,即EWASM.在局部纹理模型构建中,以每个特征点的中垂线方向搜索其邻域信息以确定最佳匹配位置,对衡量匹配程度的马氏距离加以推广,进而得到改进的扩展加权局部纹理模型,它由中心局部纹理模型、前局部纹理模型和后局部纹理模型共3个子模型加权组成,并对加权参数进行实验优化,使各个特征点之间的联系更加紧密,模型的鲁棒性更好.通过表情识别实验对提出的EWASM算法和传统ASM算法进行对比,选用RBF神经网络分类器进行表情分类,实验结果表明EWASM算法收敛速度更快,识别率也得以提高,并解决了局部最小问题,能更有效地表征表情.     

一种基于新特征的车牌检测方法

车牌检测是车牌识别的关键所在,两种新的区域统计学特征能迅速排除大量的非车牌区域,在此基础上,采用增加了辅助判决的级联分类器来改进AdaBoost算法。实验表明,该算法与基于颜色特征分类器和传统的级联AdaBoost分类器相比,具有较快的检测速度、较高的检测率和较低的误检率。     

骨龄X射线图像的手骨兴趣区域定位研究

在骨龄自动评价系统研究过程中,对X射线图像中手骨兴趣区域进行定位是一份艰巨的工作。为了能准确定位手骨兴趣区域(ROI),提出一种先用改进的脉冲耦合神经网络(PCNN)对手腕骨进行二值分割,然后根据手骨特征信息提取指骨边缘并对其进行曲线拟合,接着在原图中沿曲线用Sobel算子定位到手骨ROI的方法。定位准确率为93.9%的实验结果表明该方法是有效的。     

改进的用于ASM的归一化方法

对主动形状模型（ASM）中用于人脸点分布模型归一化的方法进行了研究,以几何变换为基础,提出了一种改进的人脸点分布模型的归一化方法。这种方法充分利用了人脸的几何特征,因此能够更好地消除人脸点分布模型的“非形状”因素,而且该方法无需迭代,可以一次性将所有模型归一化,因此比原方法节省了运算时间,而且能基本保持原有的精度。通过在ORL人脸数据库上的实验,很好地验证了上述论断的正确性。     

基于ASM的图像中二维物体的定位方法研究

文中以医学图像中脊柱的定位为应用背景,介绍了一种基于统计形状模型的主动形状模型(ASM)的理论框架.它首先运用主分量分析方法建立目标轮廓的先验模型,而后通过不断调整模型参数来减少模型与目标轮廓的距离误差,最终在多次迭代后达到模型与实际目标的匹配.与传统的目标定位方法相比,ASM模型具有较高的通用性和准确性,根据该模型得到的实验结果也说明了其在目标定位应用中的有效性.     

煤矿井下人员人脸轮廓提取方法

针对煤矿井下人员脸部轮廓难以提取而导致考勤系统识别率低的问题,提出了一种基于主动轮廓模型和主动形状模型的人脸轮廓提取方法。首先由主动形状模型估计初始轮廓位置,然后通过定义主动轮廓模型的能量函数,采用主动轮廓模型算法多次迭代后缩小标记点与真实轮廓之间的差距,提取由主动形状模型获得的正交插值的灰度值轮廓,即可得到人脸轮廓。实验结果表明,该方法较传统主动轮廓模型能够更精确地提取人脸轮廓形状。     

改进的ASM方法在人脸定位中的应用

在传统ASM模型的基础上，采用以轮廓点为中心的矩形区域的DCT系数进行轮廓匹配，提出了一种改进算法。该方法充分利用了轮廓点附近的二维纹理信息，改善了ASM方法采用轮廓点附近一维灰度信息导致模型匹配精度不高的问题。DCT 具有良好的去相关性能和能量集中性能，仅采取3.52%的DCT系数却平均保留了图像95%的能量，并采用八方向搜索最佳轮廓点，提高了定位速度。实验证明该方法非常有效。     

改进的用于人脸面部特征定位的ASM方法

主动形状建模是面部特征定位和人脸识别等模式识别领域中常用的一种方法.然而,由于受到初始情况、光照等诸多因素的影响,主动形状建模经常会陷入最优化过程中的局部最小问题,从而导致其性能下降.文章在传统主动形状模型基础上,提出了一种改进的ASM算法.首先,利用Adaboost初始定位面部的显著特征区域以便在后续的搜索中进行位置的约束;其次,将原始ASM方法中的关键点的1D纹理模型改进为基于核概率密度估计模型的2D纹理模型;最后,在局部灰度模型中加入了边缘约束,使边缘信息较强的点有更大的可能成为最佳候选点.该方法可以有效地解决上述局部最小问题,并且更好地捕捉局部点的特征信息,从而更精确地进行面部特征定位.实验结果表明,改进的ASM方法在准确性和鲁棒性上有较大提高,可为后续的人脸识别打下良好的配准基础.     

基于扩展Haar特征的AdaBoost人脸检测算法

对于常用的基于Haar特征的AdaBoost人脸检测算法存在漏检率与误检率高等不足, 增加了Haar特征的扩展种类, 这些新增Haar特征能够有效减少因眉毛与眼睛灰度值近似而引起的误判, 同时去除一些针对人脸分辨效果不好的特征来提高算法的实时性, 深入分析了利用Haar特征与AdaBoost算法构成的级联分类器的特点. 实验数据结果验证了改进后算法的可行性.     

基于AdaBoost的手势识别

手语是聋人使用的语言,是由手形动作辅之以表情姿势由符号构成的比较稳定的表达系统,是一种靠动作/视觉交际的语言。手语识别的研究目标是让机器看懂聋人的语言。手语识别和手语合成相结合,构成一个人-机手语翻译系统,便于聋人与周围环境的交流.手语识别问题是动态手势信号即手语信号的识别问题。将 AdaBoost 这一算法引入手势识别中,自行建立了实验用的小型手势图片库。在分类器训练前对训练用图像进行了较有效的预处理,缩短了 AdaBoost 算法的训练识别时间,提高了多层分类器的识别速度,最好测试结果其平均准确率可达到90%。     

改进的基于AdaBoost算法的人脸检测方法*

针对传统AdaBoost算法的不足,分析了训练过程中出现的退化问题及样本权重扭曲的现象,并提出了解决这一问题的有效方法.该方法对样本权重的更新规则进行了适当的调整,即为每一轮循环设定一个权重更新阈值,根据样本是否被错误分类以及当前权重是否大于该阈值来更新样本权重,从而限制了困难样本权重的过分增大.使用该方法训练级联人脸检测器,试验结果表明,该方法较好地解决了传统AdaBoost算法所出现的退化问题,在保证检测率的同时降低了误检率.     

基于 Kanade -Lucas的人眼跟踪算法研究 *

在基于 AdaBoost算法识别驾驶员眼部疲劳状态时 ,环境光照、视角的频繁变化是影响识别稳定性的重要因素 ,为此提出了一种基于 Kanade-Lucas( K-L)光流跟踪与 AdaBoost级联分类器相结合的改进算法。该算法利用 AdaBoost算法识别并存储人眼的角点特征 ,在 AdaBoost算法无法正确识别时 ,利用 ( K-L)光流跟踪算法跟踪正确识别的角点有效地提高了人眼识别率 ,降低了误识别率 ,并降低了重复识别的运算量。     

基于Hausdorff距离和改进ASM的人脸跟踪方法*

针对视频图像中人脸定位跟踪的问题,提出了基于Hausdorff距离和改进ASM的跟踪方法.由于Hausdorff距离多模板匹配的复杂性,采用ASM的人脸模型作为模板大大降低了模型维数;并对传统的ASM算法进行了改进,利用DCT进行去相关和能量集中,充分利用特征点附近的二维纹理信息代替传统ASM的一维灰度信息,提高了定位速度和精度.实验证明该方法在视频图像人脸跟踪中是非常有效的.     

利用基于颜色的自适应形状模型实现手势跟踪

提出了一种基于颜色的自适应形状模型,并利用该模型实现了图像序列中的实时手势跟踪.跟踪算法基于自适应的颜色模型实现准确的手部轮廓提取,并利用基于二维颜色模型的粒子滤波器实现序列图像中跟踪目标的运动估计.实验结果表明了基于颜色的自适应形状模型对凸形与凹形手部轮廓均能达到准确的手部轮廓提取,并能满足图像序列手势跟踪的实行性要求.     

基于形状特征及边缘候选区域的车辆检索技术

为了快速定位监控场景中不同姿态的车辆位置,结合车辆外形特征、目标候选区域和级联Boosting分类器进行多角度车辆检测。对不同角度和纵横比的车辆进行聚类,然后对每种姿态的车辆提取候选区域的累积通道特征（ACF）,使用AdaBoost学习分类器用于车辆检测,此外,检测时用边缘框计算可能存在物体的区域代替滑动窗法进行提速。以含有较难、中等、较易3种难度水平超过3?500个样本为测试集进行了快速车辆检测测试,并与ACF、DPM、NPD和HOG-Haar等4种方法进行了对比,实验结果表明基于候选区域的车辆检测方法性能最优,在3种测试集上平均达到了85%以上的检测率。     

改进的快速行人检测方法

行人检测在视频监控以及智能车系统中有着广泛的应用前景,为了能够更有效地检测行人,将人脸检测中级联检测框架引入行人检测中,并对其进行改进,采用Gentle AdaBoost算法进行分类器训练,以提高训练效率,同时在训练前引入了特征预筛选,以减少训练时间和系统开销。实验表明,改进后的方法训练时间短,检测精度高,同时具有较快的检测速度。     

基于肤色和AdaBoost算法的彩色人脸图像检测

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.