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。     

基于肤色信息的实时人脸跟踪方法

提出一种基于人脸检测与肤色信息相结合的人脸实时跟踪方法。该方法先用Adaboost算法进行人脸检测，在此基础上，CAMSHIFT算法跟据人脸肤色信息实现对人脸的自动跟踪。实验表明，该算法具有快速、鲁棒的特点，能够满足实时系统的需要。     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题.针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型.以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等.     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题。针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等。     

基于Adaboost和Camshift的人脸检测

Adaboost算法具有很好的实时性,但是也存在检测过程中鲁棒性不强,遇到遮挡问题检测失效等问题。针对这些问题,提出了基于改进Adaboost的人脸检测算法,该算法结合了Camshift人脸跟踪算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,能有效克服检测过程中遮挡以及类肤色干扰问题等。     

拟人机器人人脸识别系统研究

研究了人脸识别系统。基于拟人机器人人脸识别系统的工作流程,对人脸识别系统中人脸检测阶段所采用的Adaboost算法、人脸跟踪阶段采用的Camshift算法,以及人脸识别阶段所使用的PCA算法进行了探讨。采用了这些经典的算法后,该系统具有较高的识别率和系统性能。     

基于Adaboost与Clifford代数的人脸检测

Adaboost算法在光照不均、背景复杂的条件下进行人脸检测时误检率较高。为解决该问题,提出一种基于Adaboost算法与Clifford代数矢量积性质的人脸检测方法。利用Adaboost算法初步定位人脸可能存在的区域,对该区域进行基于知识的校验,如果校验失败,根据Clifford矢量积性质,寻找与待验证区域相似度较高的人脸,当相似度大于阈值时,判断其为人脸。实验结果表明,与Viola-Jones方法相比,该方法在保持较高检测率的同时,降低了误检率,且鲁棒性较好。     

复杂背景下人眼的快速定位

采用基于改进Adaboost算法的级联式人脸和人眼分类器检测人脸和眼睛的候选位置,再用支持向量机（SVM）分类器验证并确定人眼的最佳位置;实现了在复杂背景图像中快速、准确的眼睛定位.与传统的Adaboost算法相比,改进的Adaboost算法构建分类器所需的特征数目大大减少,提高了眼睛定位速度;同时利用人脸几何特征的SVM分类器验证,提高了定位精度.实验结果表明该算法具有很好的精确性和实时性.     

基于肤色和Adaboost算法的人脸检测研究

人脸检测是计算机视觉和人工智能领域中的一项富有挑战性的工作,在虚拟现实、人机交互等很多领域都有广泛的应用.研究了基于Adaboost的人脸检测,并提出了肤色与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YCrCb空间的转换,再结合形态学等方法进行区域肤色分割,排除背景干扰,然后用Adaboost算法对可能区域进行检测,得到人脸位置.实验表明,该方法有较高的准确性和鲁棒性,可以得到满意的检测效果.     

基于肤色和Adaboost算法的人脸检测研究

人脸检测是计算机视觉和人工智能领域中的一项富有挑战性的工作,在虚拟现实、人机交互等很多领域都有广泛的应用。研究了基于Adaboost的人脸检测,并提出了肤色与Adaboost算法相结合的人脸检测方法。对输人的彩色图像进行从RGB空间到YCrCb空间的转换,再结合形态学等方法进行区域肤色分割,排除背景干扰,然后用Adaboost算法对可能区域进行检测,得到人脸位置。实验表明,该方法有较高的准确性和鲁棒性,可以得到满意的检测效果。     

一种基于AdaBoost的快速动态人脸检测算法

提出了一种结合人脸检测和跟踪的快速动态人脸检测算法。在层次型AdaBoost检测算法的基础上，结合提出的一种基于线性预测的人脸跟踪算法来缩小搜索空间，使得检测速度提高到24ms／帧。还设计了一种结合层次型AdaBoost算法、负样本反馈方式和利用权值缩减训练时间的检测器训练方法，可以方便地应用于物体检测技术上。     

智能访客系统中的人脸检测及方向判别算法

提出了一种用于智能访客系统的人脸检测及人脸方向自动识别的算法.算法首先利用皮肤颜色过滤法和背景去除技术提取出类似皮肤的区域,再利用区域填充和基于高度落差的方法将人脸分割出来,最后,利用人眼的位置信息确定人脸方向.实验结果证明了此算法的可行性和实时性.     

复杂背景下多姿态人脸快速检测算法

通过对图像进行预处理(似眼物检测)，不但缩小了人脸检测的搜索空间，而且将复杂背景下多姿态多人脸检测简化为在候选区域内，已知大致的人脸尺度情况下正面端正单人脸检测问题，并结合多模板匹配与规则验证完成了人脸区域的最后确定．实验结果表明该算法具有较高的速度和检测成功率。     

基于多模板匹配的单人脸检测

提出了一种基于多模板匹配的一般环境图象中单人脸的检测方法。首先用双眼模板初步筛选,然后使用具有不同长宽比的多个人脸模板进行检测和定位,最后利用有脸器官的边缘特征进行确认。采用比固定比率压缩输入图象的方法解决不同尺度有脸的检测问题。实验表明这种方法具有较高的速度和检测成功率。     

基于BP神经网络的人脸检测算法

针对彩色图像中的正面人脸，提出了一种基于BP神经网络的人脸检测算法，由网络训练和人脸定位两部分组成，可以有效地运用于多人脸、不同尺寸、不同姿态、不同面部表情、不同肤色、不同光照条件和复杂背景的情况。实验结果表明该算法快速有效。     

基于人脸的活体检测系统

人脸识别技术由于其成本低、用户友好、效率高等特点被广泛应用,同时也出现了针对人脸识别的身份伪造攻击,主要包括照片人脸攻击、视频人脸攻击、三维人脸模型攻击等方式,对于这些攻击方式的防范方法都是围绕着基于人脸的活体检测这个中点进行展开. 本文着重研究的活体检测方法为眨眼检测与背景分析算法,通过区域增长算法进行人眼定位、形态学操作进行人眼张合判断、感知Hash 算法进行背景差异对比,构造出一个复合的活体检测系统. 基于复合的眨眼检测与背景分析算法,本文设计了一个包含眨眼检测模块与背景分析模块的活体检测系统,使用OpenCV2.4.9 与vs2012 的MFC 架构实现了一个可以抵御照片攻击与视频攻击的活体检测系统,并对系统进行实验与评估,在与其它同类型的系统进行比较的结果来看,本文实现的系统性能表现优异.     

基于肤色分割的人脸检测算法研究

介绍了目前人脸检测领域检测速度最快的Boosted Cascade人脸检测算法。该算法在进行人脸检测时没有考虑到肤色因素,在具体识别过程中,有些可利用肤色信息很快排除的区域,在Boosted Cascade算法中却没有被排除掉。针对该算法的缺陷提出了一种改进算法,即利用Boosted Cascade人脸检测算法,检测出人脸的候选区域,通过人脸肤色模型进行验证,如果候选区域的像素符合人脸的肤色模型的程度到达某一数值,则接受该区域,即认为该区域是人脸;否则排除该区域。改进后的算法能够有效地提高检测的正确率,减小出现检测错误的几率,在不影响识别速度的情况下,提高了检测效率。     

人脸图像检测与识别方法综述

本文对人脸识别技术中的检测和识别分成两部分进行了讨论。首先,系统的整理分析了人脸检测的各种方法,其次,作为人脸识别技术的第二个环节,对人脸的各种识别方法进行了比较的论述,重点讨论了当前热点的识别算法,最后对人脸识别技术的发展方向进行了展望。     

一种基于知识的快速人脸检测方法

为了提高人脸检测的速度，提出了一种基于知识的快速人脸检测方法，该方法是采用符合人脸生理结构特征的人脸镶嵌图模型，并在分析了足够多的人脸图象样本的基础上，针对人脸图象的灰度和边缘信息，建立了一种较为完备的知识库；为加快检测速度，该方法采用多级检测步骤，即在粗检测中，根据眼睛的特征，提出并采用一种新的人脸粗检测算法-广义几何投影方法，从而明显地提高了检测速度，实验结果表明，该方法具有较强的鲁棒性，能够很好地解决复杂背景下的多人脸检测问题，由于该方法实现的简单性，并容易由硬件实现，使得检测速度进一步提高，因此该方法在可视电话等领域有着广阔的应用前景。     

一种嵌入式环境下的实时人脸跟踪方法

针对复杂背景和光照变化条件下的人脸跟踪问题,提出了一种适于嵌入式环境的实时人脸跟踪方法。该方法使用帧差法检测出运动区域,在运动区域内进行AdaBoost人脸检测并进而提取人脸特征点,运用距离约束的金字塔形Lucas-Kanade方法跟踪人脸特征点。当特征点丢失较严重时,重新选取特征点进行跟踪。实验结果表明,该方法有较鲁棒的跟踪性能,在嵌入式环境下能够实时跟踪人脸。