基于颜色重心和分层过滤结构的人脸检测算法

提出一种基于颜色重心六边形（colorbarycentershexagon,CBH）模型,结合分层过滤结构的人脸检测方法。首先根据肤色在空间的聚类特性检测人脸,利用CBH模型将彩色图像中的肤色区域和非肤色区域分开,得到人脸检测的候选区域;然后利用级联型的分层过滤结构,采用最优椭圆拟合、形态及方差验证、方向归一化和模板匹配等操作逐步排除非人脸区域,最终确定并标记出彩色图像中人脸的位置。实验结果表明：该方法能够在复杂背景的彩色图像中快速并且准确地检测出人脸,误检率较低,具有较高的应用价值。     

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.     

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.     

利用肤色分割和自适应模版匹配的人脸检测

针对基于模板匹配人脸检测算法计算量大和基于肤色分割人脸检测算法正确率低、易受类肤色背景影响等缺陷,提出了利用人类肤色分割和自适应模板匹配的人脸检测方法.利用人脸肤色混合高斯模型对人脸进行分割实现迅速检测人脸的目的;采用二维多尺度离散正交小波变换来进行光照补偿,克服亮度对人脸检测的影响;利用自适应模板匹配和二次匹配算法来减少类肤色背景对人脸检测的影响及匹配过程中的计算量.实验结果表明:本文提出的方法能快速检测出人脸,克服亮度和类肤色背景对人脸检测的影响,并提高人脸检测的准确率.     

一种基于肤色和模板匹配的人脸检测方法

提出了一种基于肤色和模板匹配的人脸检测方法,该方法首先对搜集到的人脸肤色样本在YCbCr空间中进行聚类,然后根据聚类的范围在输入的图像中确定候选的人脸区域(假设存在)的位置,接着对该候选人脸区域进行归一化处理,再计算人脸模板和该候选区域的Hausdorff距离,根据该距离大小最终确定该候选区域是否为人脸.实验表明:该算法检测准确率高,具有良好的实时性和鲁棒性.     

一种基于肤色和模板匹配的人脸检测方法

提出了一种基于肤色和模板匹配的人脸检测方法，该方法首先对搜集到的人脸肤色样本在YCbCr空间中进行聚类，然后根据聚类的范围在输入的图像中确定候选的人脸区域（假设存在）的位置，接着对该候选人脸区域进行归一化处理，再计算人脸模板和该候选区域的Hausdorff距离，根据该距离大小最终确定该候选区域是否为人脸．实验表明：该算法检测准确率高，具有良好的实时性和鲁棒性．     

基于高斯肤色模型和图像分割的人脸检测

提出了一种基于HSV、YCgCr颜色空间和图像区域分割的人脸检测方法.首先,将规范化的rgb肤色转化到HSV、YCgCr颜色空间,对向量（H,Cg,Cr）T进行统计,得到肤色的三维高斯概率模型.然后,根据该模型计算待检图像的肤色相似概率,采用最大类间方差的方法计算二值化阈值,根据阈值将相似度图像二值化.为了抵消人脸区域亮度变化和阴影的影响,以二值图像为模板,在原待检图像的饱和图中根据3像素×3像素区域的平均R、G值进行图像区域分割.在分割得到的区域中,根据人脸特征检测出图像中的人脸.实验表明,提出的方法能在复杂背景的情况下检测出人脸图像.     

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。     

Android手机中人脸检测算法的改进及实现

为提高智能手机的拍摄效果,提出了一种基于肤色和模板的人脸检测算法:首先,在一种新的颜色空间——YCgCr中利用肤色的聚类分割出肤色区域;然后,构建三维查找表并据此完成二值化,通过噪声处理和几何方法确定出候选人脸区域并对其进行尺度和灰度归一化;最后,通过计算候选人脸和标准人脸模板之间的加权欧氏距离来度量二者的匹配程度,并依据阈值判断出最终的人脸。实验结果表明,本算法的人脸检测比Android 2.3系统自带的人脸检测具有更好的实用性和高效性,提高了Android手机拍摄的效果。     

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。     

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。     

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。     

Tracking of human head with particle filter

To cope with the problem of tracking a human head in a complicated scene,we propose a method that adopts human skin color and hair color integrated with a kind of particle filter named condensation algorithm.Firstly,a novel method is presented to set up human head color model using skin color and hair color separately based on region growing.Compared with traditional human face model,this method is more precise and works well when human turns around and the face disappears in the image.Then a novel method is presented to use color model in condensation algorithm more effectively.In this method,a combination of edge detection result,color segmentation result and color edge detection result in an Omega window is used to measure the scale and position of human head in condensation.Experiments show that this approach can track human head in complicated scene even when human turns around or the distance of tracking a human head changes quickly.     

复杂背景下多姿态人脸图像中的人眼检测

研究了复杂背景下多姿态人脸图像中的人眼检测方法.首先，将得到的图像映射到YCbCr空间，利用肤色在YCbCr颜色空间的分布特性建立肤色模型，分割出肤色并得到人脸的区域；再次，利用人眼的分布特点及自身特性预先设定一系列的规则，通过规则得到可能的人眼区域；最后，设计了人眼模板分布模型，并利用该模型对人眼位置进行最后的确认.实验表明，该方法具有较高的检测速度和检测正确率.     

复杂背景下多姿态人脸图像中的人眼检测

研究了复杂背景下多姿态人脸图像中的人眼检测方法．首先，将得到的图像映射到YCbCr空间，利用肤色在YCbCr颜色空间的分布特性建立肤色模型，分割出肤色并得到人脸的区域；再次，利用人眼的分布特点及自身特性预先设定一系列的规则，通过规则得到可能的人眼区域；最后，设计了人眼模板分布模型，并利用该模型对人眼位置进行最后的确认。实验表明，该方法具有较高的检测速度和检测正确率。     

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.     

基于肤色增强和分块PCA的人脸表情识别方法

人脸的表情识别在智能人机交互应用中具有重要意义. 本文提出了一种基于肤色增强和分块PCA的人脸检测及表情识别方法. 首先,使用同态滤波增强肤色图像的亮度范围及对比度,利用YCbCr色彩空间分量分离肤色背景区域,再通过轮廓分析确定人脸目标,最后对分割出的人脸进行均衡化处理,并引入分块主成分分析(PCA)算法进行表情识别. 结果表明,该方法在光线较弱以及背景较复杂的情况下均能有效地进行人脸检测与表情识别,相对于传统的LBP方法可提高识别率约为2.3%.     

基于边缘与灰度梯度的人眼特征定位分析

根据由粗到精的思路,综合利用了眼睛在人脸面部特征中所特有的边缘与灰度分布信息,进行人眼特征定位.首先用横向Sobel算子对人脸图像进行边缘检测,获取人脸区域的横向边缘特征,然后采用图像形态学的方法框定人脸主要特征的大致区域,最后用计算灰度梯度密度的算法,快速精确地定位人眼区域.试验表明,本方法能快速而精确地实现人眼特征的定位.