基于SVM的三阶段人脸检测方法的研究与应用

为了提高人脸的检测速度，描述了一种基于SVM的三阶段人脸检测方法，加速了复杂背景下人脸的检测。在该方法中，通过前两个阶段的瀑布型分类器将大量的简单非人脸模块快速过滤掉，并在最后的第三个阶段采用了非线性SVM分类器来更高效地区分24＊24像素的人脸或者非人脸图像。     

基于SVM的人脸检测研究

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习算法。依据SVM良好识别和泛化能力,实现了一种基于支持向量机的图像人脸识别方法。利用Opencv提取样本类的低层特征,训练具有径向基核函数的SVM分类器,在VS2008和Qt平台下实现识别软件开发。运行结果表明,软件具有良好的图像人脸检测能力。     

基于结构分类器和SVM的人脸检测

本文提出一种’结构分类器 SVM”相结合的快速算法。用以从采色图像中快速检测出可能存在的人脸，它的主要特点就是充分利用人脸的肤色信息和器官的分布规则，构造一个“结构分类器”，从待检测图像中快速排除绝大部分的背景窗口，然后对剩下的候选窗用SVM分类器作进一步确认，最后对检测出来的窗口进行综合，从而定位人脸的最佳位置。通过在相同的测试集上的对比实验，本算法在不影响正检率的情况下，可降低虚警率和极大地提高检测速度。     

基于两级分类器的人脸检测系统设计

人脸识别技术拥有广泛的应用前景,但是目前不少实现方式存在一些不尽人意之处。在对OPENCV与SVM分类器进行分析的基础上,阐述了基于两级分类器的人脸检测方法的原理和实现过程,首先分析了两级分类器的构建,引入人脸图像的矩形特征向量,将图像的矩形特征作为分类的依据,随后论述了系统设计与实现,包括灰度变换过程、直方图均衡过程、图像平滑过程以及金字塔序列化的实现。这种检测模式能够加快处理速度,提升效率。     

基于级联支持向量机融合多特征的人脸检测

人脸图像中包含丰富的特征信息,不同特征具有其各自的优势。基于此,提出一种基于级联支持向量机有效融合多种特征的人脸检测算法。该算法首先利用肤色模型对待检图像进行预处理,筛选出疑似人脸区域。然后在疑似区域中提取图像的HOG(Histogram of Oriented Gradients)和LBP(Local Binary Patterns)特征,并分别对这两种特征集进行特征选择,训练两个SVM(Support Vector Machine)分类器,最后将两个SVM分类器级联起来实现人脸检测。在多个人脸图像数据库上的实验结果表明,该人脸检测算法提高了人脸检测率,降低了误检率,并且对多种光照条件、姿态、表情以及部分遮挡的情况都具有较好的鲁棒性。     

基于ICA/SVM的混合学习方法及在人脸检测中的应用

从基于样本学习的方法框架出发,该文提出了一种基于独立元分析和支持向量机的混合的学习方案,并用于人脸检测中。该方法通过独立元分析方法进行特征提取,然后采用SVM进行分类。该文做了大量的实验,以确定如独立元个数等参数问题对该分类器的影响,并与单独的支持矢量机方法、其它的人脸检测方法进行了比较分析。实验结果表明,该文的方法具有较好的检测效果,是一种很有效的方法。     

基于块分类器和SVM的人脸检测方法

针对彩色图像中人脸检测问题，文中提出一种由“块分类器 SVM分类器”组成的快速算法。它的主要特点是利用肤色点在YCrCb色度空间的分布概率模型，实现二值分割，然后利用面部区域双眼的典型非肤色特征，构造一个“块分类器”，从待检测图像中实现人脸候选窗的快速粗选，再用SVM分类器作进一步确认，最后对检测出来的窗口进行综合，从而实现人脸的精确定位。通过在相同测试集上的对比实验，在不影响正检率的情况下，该算法不但可以降低虚警率，而且极大地提高了检测速度。     

基于Walsh特征的快速人脸检测方法

通过构造Walsh变换矩阵,得到相互正交且形状丰富的Walsh特征算子,将Walsh特征应用于快速人脸检测。Matlab的仿真实验结果表明,由Walsh特征得到的强分类器比传统的Haar特征得到的强分类器分类速度快,精度高。     

基于两级分类器和SVM的人脸检测研究

人脸检测是自动人脸识别系统的基础.为提高人脸的检测速度,采用一种基于两级分类器和支持向量机的人脸检测方法.该方法中,第一级分类器采用特征基方法,对待检测区域进行粗筛选,过滤掉大量非人脸背景信息,然后在剩余区域,用第二级分类器支持向量机进行验证,若是人脸,给出标识.支持向量机有效克服了神经网络中可能遇到的局部极小值和过学习问题,是统计学习理论的基础上新发展起来的机器学习算法.实验结果表明该算法提高了检测速度,系统更有效率.     

基于块分类器和SVM的人脸检测方法

针对彩色图像中人脸检测问题,文中提出一种由"块分类器+SVM分类器"组成的快速算法.它的主要特点是利用肤色点在YCrCb色度空间的分布概率模型,实现二值分割,然后利用面部区域双眼的典型非肤色特征,构造一个"块分类器",从待检测图像中实现人脸候选窗的快速粗选,再用SVM分类器作进一步确认,最后对检测出来的窗口进行综合,从而实现人脸的精确定位.通过在相同测试集上的对比实验,在不影响正检率的情况下,该算法不但可以降低虚警率,而且极大地提高了检测速度.     

基于级联框架下的多特征融合人脸检测算法

针对AdaBoost人脸检测方法在高分辨率彩色图像上定位速度慢和误检率高的问题,提出一种多特征融合的人脸检测方法。该方法使用级联策略将多种特征分类器有效地组合起来,高效地利用各种特征之间的互补性,形成一种新型的高性能分类器。实验结果显示,该方法提高了检测速度、降低了误检率。     

基于多模型及SVM的单人脸跟踪系统

针对彩色视频中的人脸检测与跟踪问题，使用运动模型和自适应肤色模型，从图像中快速提取出人脸候选区，然后利用基于先验规则和SVM的方法进行确认。对于被确认的人脸，建立一个人脸状态记录表，通过位置预测，使用三步搜索法进行人脸区域色度特征匹配跟踪。实验表明，本文提出的方法，在复杂的环境中，能实时地、精度较高地跟踪自由运动的人脸。     

一种改进的AdaBoost算法在人脸检测系统中的应用

针对复杂背景条件下人脸检测的检测率低、速度慢的问题,提出了一种改进的AdaBoost算法,与遗传算法相结合,产生了一种识别率高、泛化能力好的强分类器,文中称之为GA-AdaBoost算法。该算法首先训练多个支持向量机作为弱分类器,然后用AdaBoost算法将多个弱分类器组合成一个强分类器,在组合的同时采用遗传算法对各弱分类器的权值进行全局寻优。最后,通过试验与传统AdaBoost进行对比,表明了该算法具有识别率高和速度快的优越性。     

聚合支持向量机分类器的行人检测方法

针对支持向量机分类器的行人检测方法采用欠采样方法,存在正负行人比例不平衡造成的准确率不高问题,结合欠采样和EasyEnsemble方法,提出一种聚合支持向量机（Ensemble SVM）分类器的行人检测方法。随机选择负样本作为初始训练样本,并将其划分为与正样本集均衡的多个子负样本集,构建平衡子训练集,线性组合成EasyEnsemble SVM分类器;利用该分类器对负样本进行分类判断,将误判样本作为难例样本,重新划分构建新的平衡子训练集,训练子分类器,结合EasyEnsemble SVM分类器,得到Ensemble SVM分类器行人检测方法。在INRIA行人数据集上的实验表明,该方法在检测速度和检测率上都优于经典的SVM行人检测算法。     

基于统计的人脸检测方法研究

基于统计理论的人脸检测是利用统计分析与机器学习的方法寻找出人脸样本与非脸样本各自的统计特征,再使用各自的特征构建分类器,使用分类器完成人脸检测。介绍了基于统计理论的人脸检测的主要方法,并对各种方法进行了比较。     

基于支持向量机的人脸检测训练集增强

根据支持向量机(support vector machine,简称SVM)理论,对基于边界的分类算法(geometric approach)而言,类别边界附近的样本通常比其他样本包含有更多的分类信息.基于这一基本思路,以人脸检测问题为例,探讨了对给定训练样本集进行边界增强的问题,并为此而提出了一种基于支持向量机和改进的非线性精简集算法IRS(improved reduced set)的训练集边界样本增强算法,用以扩大训练集并改善其样本分布.其中,所谓IRS算法是指在精简集(reduced set)算法的核函数中嵌入一种新的距离度量——图像欧式距离——来改善其迭代近似性能,IRS可以有效地生成新的、位于类别边界附近的虚拟样本以增强给定训练集.为了验证算法的有效性,采用增强的样本集训练基于AdaBoost的人脸检测器,并在MIT CMU正面人脸测试库上进行了测试.实验结果表明,通过这种方法能够有效地提高最终分类器的人脸检测性能.     

基于多通道特征的人脸检测

人脸检测技术作为计算机视觉与人机交互领域一项基础技术。近十多年来,人脸检测技术取得的迅猛发展主要归功于Paul Viola与Michael Jones提出的基于提升方法和级联结构的快速人脸检测算法。随着应用场景越来越复杂,人脸检测面临的挑战也愈发严峻,传统的检测算法已经无法满足目前的应用需求。针对这一问题,从特征提取的角度入手,提出了一种适用于人脸检测、计算快速、表达能力强的特征表示———多通道特征,并对Viola－Jones框架中的学习算法进行了改进以进一步提升分类器的学习效率和分类性能。提出的多视角人脸检测算法在权威人脸检测测试集AFW上取得了优异的检测性能,并且在VGA图片上达到62帧／秒的检测速度。实验表明该算法能够满足各类复杂场景的人脸检测需求,具有一定的实际应用价值。