彩色图像中的正面人脸检测的研究

提出了彩色图像中一种人脸检测方法.该方法利用肤色模型分割出彩色图像中的肤色区域,并将同一幅图片用不同的肤色模型分割后的图像进行融合,这样能较好地获取肤色区域.将彩色图像中的肤色区域转换为灰度分布图,用正面人脸的结构规则筛选出肤色区域中的人脸区域.结果表明:该方法能快速地较为准确地定位彩色图像中的正面、小角度偏侧的人脸.     

基于肤色模型和模板匹配的人脸检测方法研究

提出了一种基于人脸肤色信息和模板匹配,对彩色图像中的人脸进行检测的方法。该方法首先在YCbCr色彩空间下,利用肤色信息将彩色图像中的肤色区域和非肤色区域分开,计算得到表示肤色相似度的色度图,然后分割由此色度图所生成的灰度图像,从而得到人脸检测的候选区域,同时计算该区域的欧拉数来进一步缩小人脸搜索的范围,结合人脸模板进行匹配,最终确定并标记出彩色图像中人脸的位置。实验结果表明：该方法能够在具有复杂背景的彩色图像中快速并且准确的检测出人脸,误检率较低。     

基于Haar特征级联强分类器和肤色模型的人脸检测

提出了基于Haar特征级联强分类器和肤色模型校验的快速人脸检测算法。利用基于人脸Haar特 征的级联强分类器快速检测人脸,得到待判人脸区域,其中可能含有非人脸误检区域;利用肤色聚类模型对待判人 脸区域进行筛选,过滤误检的非人脸区域。实验结果表明,该算法误检率低,检测速度快,在实际应用中有一定的价 值。     

基于肤色模型和重心模板的人脸检测

为了获得具有较高检测率并保持较低误检率的快速人脸检测,提出了一种基于知识的人脸检测方法．在人脸粗检中用肤色模型分割出输入图像中的人脸可能区域,并对这些区域进行重心模板匹配过滤出非人脸区域．利用人脸的生理分布特征设计出一种动态的人脸三分图分布模型,并以不同条件下的大量人脸图像样本作为统计数据建立了一个人脸规则知识库,用来判定过滤后的区域是否为人脸．实验结果表明,该方法具有很好的鲁棒性,能快速检测出不同光照、不同大小和有一定旋转角度的人脸．     

彩色图像中的人脸检测方法

综合了肤色检测、眼睛定位和支持向量机人脸验证方法,实现了彩色图像中的人脸检测.提出了一种基于区域的皮肤检测算法.将像素局部特征引入模糊C均值法,用其分割图像,根据肤色像素的数量判断分割区域是否为肤色区域.在肤色区域中利用眼睛的亮度图和色度图定位人脸样本,最后利用训练好的支持向量机预测人脸样本是否为人脸.     

彩色图像中的人脸检测方法

综合了肤色检测、眼睛定位和支持向量机人脸验证方法，实现了彩色图像中的人脸检测.提出了一种基于区域的皮肤检测算法.将像素局部特征引入模糊C均值法，用其分割图像，根据肤色像素的数量判断分割区域是否为肤色区域.在肤色区域中利用眼睛的亮度图和色度图定位人脸样本，最后利用训练好的支持向量机预测人脸样本是否为人脸.     

基于肤色分割的连续Adaboost人脸检测算法

针对彩色图像人脸检测问题,将连续Adaboost和肤色分割相结合对彩色图像人脸进行检测．先由连续Adaboost构造的瀑布型分类器检测出候选人脸区域,再对可能的人脸区域进行光照补偿后采用r-g颜色模型进行肤色分割,最终精确定位人脸．实验证明：该算法可以有效的降低连续Adaboost检测彩色人脸图像时的虚警率。达到较好的检测效果．具有一定的应用价值．     

一种基于肤色分割的人脸检测方法

提出了一种基于肤色分割与统计特征分析相结合的人脸检测方法,该方法首先利用颜色信息将彩色图像分割成皮肤区域和非皮肤区域,然后再利用基于边界的方法和基于区域的方法相结合的算法对肤色区域进行处理．实验结果表明,该方法计算量小、速度快,检测率较高。     

利用双重彩色空间肤色模型实现快速人脸检测

在单独采用HSI彩色空间或YCbCr彩色空间肤色高斯模型进行人脸检测的基础上将二者结合起来,提出了一种利用双重彩色空间肤色模型实现快速人脸检测的方法。这种方法利用了在不同肤色模型之下都可以大致检测出人脸区域,并且所误检测的背景范围差异较大,同时被两种肤色模型都误检测为人脸的可能性较小,所以取其检测结果的共同点,就是大致的人脸区域,而误检测为人脸的背景区域就被去掉了。之后采用较为简单的算法,就可以从这个大致的人脸区域中定位真正的人脸区域。该方法不需要建立极为精确的肤色模型,也不需要在人脸检测得到二值化结果后,采用较为复杂的算法,从二值化结果中定位人脸。该方法适合于在特征提取前使用,去除多余的背景信息,提高图像处理和识别的速度和准确度。     

复杂背景中人脸检测与特征定位

为了在复杂背景下检测出人脸的特征区域,针对彩色图像提出了一种基于肤色和特征验证的人脸检测算法,主要由肤色分割、排除假区域、特征验证3部分组成,经实验证明,该算法检测速度快、准确率高,具有较好的鲁棒性。     

基于颜色特征的人脸检测方法

针对RobCup家庭机器人对人脸检测的要求,研究了基于颜色特征的人脸检测方法。该方法首先将人脸图像进行非线性分段色彩变换光线补偿处理,减少光线对肤色的影响,然后在YCbCr颜色空间中建立肤色模型,分割出肤色区域。在颜色空间YCbCr中,嘴巴区域包含的红色分量要高于蓝色分量,利用这个特征分割出嘴巴区域。在YIQ颜色空间中,通过I分量来区分眼睛与皮肤,分割出人眼,最后根据嘴巴、眼睛的几何中心特征映射人脸,人脸检测的仿真结果验证了该方法的有效性。     

复杂背景的人脸检测方法

由于原始的Adaboost方法在复杂图片上检测人脸效果不够理想,所以提出了一种能够处理复杂背景图片的人脸检测方法,即基于肤色的Adaboost检测方法。该方法具有肤色分割的检测率高、适应性强和AdaBoost算法检测速度快等优点。首先,通过人脸肤色的统计特征对图像进行肤色分割,得到候选人脸区域;然后使用经过训练的AdaBoost算法级联分类器对候选人脸区域进行检测,最终得到精确定位的人脸。经过实丐令证明,基于肤色分割的Adaboost人脸检测方法比原始的Adaboost方法在鲁棒性上有了很大提高。     

基于彩色图片的人脸检测方法

提出了一种基于肤色的精确人脸定位算法,详细叙述了在图片的颜色调整与肤色检测,肤色区域的平滑、分割与填充,候选眼睛的选取及配对中遇到的具体问题并提出了解决方案.本算法能较为准确地定位彩色图像中的正面、小角度偏侧和旋转的人脸,还能检测出一幅图中的多个人脸.     

基于人脸色温的拼接图像篡改检测

针对人脸拼接篡改图像,提出一种判断人脸合成的图像篡改检测方法。以人脸作为检测目标,利用目标检测技术,对图像中的人脸进行定位后估计人脸色温,然后估计参考色温,计算人脸色温与参考色温的色温距离,找出色温异常的检测目标视为篡改目标,并用该算法定位出篡改目标的精确位置。实验结果验证了该算法具有的有效性。     

基于皮肤模板和改进HMM的自动人脸识别系统

介绍一种基于隐马尔可夫模型(hidden Markov module,HMM)的人脸识别系统,该系统对人脸采用普通网络摄像头实时检测,通过皮肤模型进行背景去除,并用改进后的HMM算法进行识别. 实验结果表明,改进后的HMM算法能提高原HMM算法的准确率,采用皮肤模板对检测到的人脸进行精确定位后,进一步提高了识别算法的准确度.