基于肤色分割的改进Camshift人脸跟踪算法

针对Camshift算法在对人脸跟踪时,容易受到肤色背景的影响,且当跟踪环境中背景较为复杂时,易失败的问题,提出一种基于肤色分割的改进Camshift人脸跟踪算法。在YCbCr空间中进行肤色分割,提取每一帧的肤色区域,排除帧图像中非肤色背景的干扰;引入人脸几何特征,对潜在的人脸肤色区域进行约束;使用Camshift算法跟踪人脸。同时为了提高算法的性能,文中引入改进的Adaboost算法。实验结果表明,该算法对视频帧中的特定人脸可以获得出色的跟踪结果,具有实时性强、跟踪稳定的优点。     

银行营业场所智能视觉监控系统

介绍一种自动人脸检测与跟踪的智能视觉监控系统,它可以获取进入银行营业场所人员的清晰正面像.结合自适应阚值判定运动像素点分离运动目标、肤色特征、多级Adaboost分类器和Hausdorff距离实现实时人脸定位;用检测到的人脸位置来初始化跟踪算法实现快速人脸跟踪;以及基于对象的视频编码传输以及算法的DSP实现.     

基于Adaboost算法的红外图像中人脸自动检测方法的研究

为了实现对红外视频图像中人脸的自动检测与跟踪,提出了一种基于Adaboost算法的红外图像自动检测方法。该方法通 过用Haar-Like特征和积分图概念描述人脸的基本特征和采用Adaboost学习算法和Cascade算法,提高了红外图像中人脸自动检 测的准确性和快速性。其检测速度为每秒15帧,检测精度达到了98.4%。通过大量实验证明,Adaboost算法在对红外图像中 人脸的自动检测方面具有优势。     

基于openCV的人脸检测系统的设计

通过对基于Adaboost人脸检测算法的研究,利用该算法与计算机视觉类库openCV进行人脸检测系统的设计,实现了对出现在视频或图像中的人脸检测。此外,在VC++6.0环境下实现了对一个简单的人脸检测系统软件的界面开发,该系统对人脸检测的速度较快,检测结果较为准确,可以作为其他人脸检测或人脸模式识别的系统的开发基础。     

基于DSP平台的多视角人脸检测系统设计

为满足嵌入式领域多视角人脸检测的需要,在DSP(TMS320DM642)平台上实现了基于Real Adaboost算法的多视角人脸检测系统,并分别在算法级与平台级对其进行优化,最终达到了18fps的检测速度.实验证明,与传统的基于Discrete Adaboost算法的系统相比,该系统更加适合多视角人脸检测,极大地拓展了人脸检测技术的应用范围.     

基于粒子滤波器的实时人脸跟踪系统设计

设计实现了基于粒子滤波器的实时人脸跟踪系统。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,基于粒子离散度的控制机制以实现跟踪步长的自适应调整,同时,提出了基于HSV色彩空间的特征提取和匹配算法,以及基于2阶AR模型的人脸运动模型,有效提高了算法的跟踪精度和跟踪速度,并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。     

人脸检测跟踪与特征点定位系统

实现的人脸检测跟踪与特征点定位系统,基于VC++6.0开发平台,使用opencv作为开发工具,有效缩短了系统的开发时间。首先,本系统采用adaboost算法进行人脸检测,通过合理的特征模板的选择实现了人脸的实时检测;其次,人脸跟踪模块选用camshift算法,利用人脸检测模块生成的人脸坐标传递给跟踪模块,实现人脸的自动实时跟踪,同时建立多个camshift跟踪器对多人脸进行跟踪,并有效地解决了人脸遮挡的问题;最后,通过ASM(active shapemodel)算法实现了实时人脸特征点定位。实验结果表明该系统实现的人脸实时检测跟踪及特征点定位,效果明显,可以作为表情分析和情感计算、视频人脸识别开发的基础。     

基于Haar检测和改进的Camshifl的人脸跟踪

针对人脸目标的遮挡大角度倾斜和旋转状态下的目标跟踪丢失问题,提出了一种时间回溯的人脸跟踪方法。以Haar特征检测和改进Camshift算法为基础,在Haar分类器中引入时间变量,实现回溯;在概率密度图像中引入变加权直方图模型,加大了人脸区域的权重,并辅以光照补偿、椭圆模板匹配等方法。实验表明,本文算法能够有效克服遮挡问...     

嵌入式人脸检测算法的研究与实现

使用人脸类Haar特征、快速人脸检测算法Adaboost进行人脸检测。针对ARM的不足,将经过PC机训练得到的人脸分类器文件通过网络传输到嵌入式平台,结合人脸检测算法,实现了一种嵌入式人脸识别系统,较好地解决了嵌入式人脸检测系统由于训练人脸图像数据巨大而造成处理效率低的难点。基于EELiod 270嵌入式开发平台实现了...     

基于SOPC的人脸检测系统的设计

以Zynq-7000为核心的处理器,设计了一种基于SOPC的人脸检测系统,实现了图像采集、处理、检测及结果显示等功能。采用了人脸检测Adaboost算法,该算法的人脸检测具有高速性和高准确性。最后搭建了人脸检测的硬件平台,经过实验验证,在输入图像大小为640＊480像素条件下,该系统的检测速度为每秒17.8帧,检测率达到93%,误检率2%,基本实现了实时人脸检测的要求。     

一种改进的Camshift视频目标跟踪算法

鉴于连续自适应均值漂移(Camshift)算法在光照变化,相似背景颜色干扰及目标遮挡时鲁棒性不高,易造成跟踪错误等问题,提出了一种联合多特征和最大类间方差法的视频运动目标跟踪算法。该算法将色度直方图、梯度方向直方图和LBP纹理特征进行巧妙的融合,构建了一种高效的联合直方图目标外观特征模型,并在Camshift算法中嵌入最大类间方差法,增强目标和背景的区分度。不同场景的视频跟踪结果表明,改进算法有效克服了传统Camshift算法应对光照变化、颜色干扰和目标遮挡的缺点,与同类算法相比,具有更高的准确度和鲁棒性。     

基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.     

基于改进的Camshift运动目标跟踪算法的研究

针对基于颜色概率分布的连续自适应均值漂移算法(Camshift)跟踪算法在背景中出现相同颜色干扰时容易致使跟踪目标失败的问题,提出了一种改进的Camshift跟踪算法。首先对Camshift跟踪目标前进行目标检测,通过帧差法、光流法、背景差分法三种检测算法对比,采用背景差分法得到的运动目标区域矩形特征参数作为Camshift的初始化参数,取代一般Camshift算法利用颜色特征的跟踪。最后对改进的算法和一般Camshift进行仿真对比实验。实验结果表明,结合背景差分法和连续Camshift算法的运动目标跟踪在一定程度上满足了实时性与稳定性的要求。     

基于肤色分割和改进AdaBoost算法的人脸检测

为解决当被检测图像中具有复杂背景或者含有多人脸时,不能够快速准确的进行人脸检测的问题,本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理,排除样本图像的复杂背景和人体非肤色区域,简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法,以减少弱分类器个数,提升训练速度;改进权值更新规则,防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明,两种算法结合后在训练速度上提升,在检测速度和检测率上有明显提高。     

基于自适应权值裁剪的Adaboost快速训练算法

Adaboost是一种广泛使用的机器学习算法,然而Adaboost算法在训练时耗时十分严重。针对该问题,该文提出一种基于自适应权值的Adaboost快速训练算法AWTAdaboost。该算法首先统计每一轮迭代的样本权值分布,再结合当前样本权值的最大值和样本集规模计算出裁剪系数,权值小于裁剪系数的样本将不参与训练,进而加快了训练速度。在INRIA数据集和自定义数据集上的实验表明,该文算法能在保证检测效果的情况下大幅加快训练速度,相比于其他快速训练算法,在训练时间接近的情况下有更好的检测效果。     

基于肤色模型和改进Adaboost算法的人脸检测

为提高人脸检测的精度,提出一种基于YCbCr肤色模型和Adaboost算法的人脸检测方法。利用YCbCr颜色空间的肤色阈值模型确定待检测区域。再利用Adaboost算法准确定位出人脸位置,并对Adaboost算法的训练过程提出一种新的权值更新方法,防止权值过分增大,避免了Adaboost算法训练过程中出现的“退化”现象。     

Face detection and tracking using a Boosted Adaptive Particle Filter

A novel algorithm, termed a Boosted Adaptive Particle Filter (BAPF), for integrated face detection and face tracking is proposed. The proposed algorithm is based on the synthesis of an adaptive particle filtering algorithm and the AdaBoost face detection algorithm. An Adaptive Particle Filter (APF), based on a new sampling technique, is proposed. The APF is shown to yield more accurate estimates of the proposal distribution and the posterior distribution than the standard Particle Filter thus enabling more accurate tracking in video sequences. In the proposed BAPF algorithm, the AdaBoost algorithm is used to detect faces in input image frames, whereas the APF algorithm is designed to track faces in video sequences. The proposed BAPF algorithm is employed for face detection, face verification, and face tracking in video sequences. Experimental results show that the proposed BAPF algorithm provides a means for robust face detection and accurate face tracking under various tracking scenarios.