基于肤色与改进的Adaboost的人脸检测

针对传统的Adaboost算法检测速度块,准确率低的问题,提出一种基于肤色与改进的Adaboost算法以提高人脸检测的正确率。该算法首先利用肤色特征快速排除绝大部分背景区域,然后在肤色区域中利用快速积分图提取人脸的Haar特征,接着使用阈值设定的方法对传统的Adaboost算法进行改进,并将每次检测的最优分类器级联形成最终的强分类器,通过强分类器对Haar特征判别,检测出人脸部分。实验证明该算法有效的提高了人脸检测的准确率。     

Haar-like特征双阈值Adaboost人脸检测

目的 针对基于Haar-like特征的Adaboost人脸检测算法,在应用于视频流时训练的时间较长,以及检测效率较低的问题,提出了一种基于区间阈值的Adaboost人脸检测算法。方法 通过运行传统的Adaboost算法对人脸图像Haar-like特征值进行提取分析后,对人脸样本与非人脸样本特征值进行比较,发现在某一特定的特征值区间内,人脸和非人脸区域能够得到准确区分,根据此特性,进行分类器的选择,在简化弱分类器计算步骤的同时,降低训练时间,提高对人脸的识别能力。除此之外,弱分类器的增强通过Adaboost算法的放大使得强分类器分类精度提高,与级联结构的配合使用也提升了最终模型检测人脸的准确率。结果 利用MIT（Massachusetts Institute of Technology）标准人脸库对改进Adaboost算法的性能进行验证,通过实验验证结果可知,改进后的Adaboost人脸检测算法训练速度提升为原来的1.44倍,检测率上升到94.93%,虚警率下降到6.03%。并且将改进算法在ORL（Olivetti Research Laboratory）、FERET（face recognition technology）以及CMU Multi-PIE（the CMU Multi-PIE face database）这3种标准人脸库中,分别与SVM（support vector machine）、DL（deep learning）、CNN（convolutional neural networks）以及肤色模型等4种算法进行了人脸检测对比实验,实验结果显示,改进后的Adaboost算法在进行人脸检测时,检测率提升了2.66%,训练所需时间减少至624.45 s,检测效果明显提升。结论 提出的基于区间阈值的Adaboost人脸检测算法,在分类器的训练和人脸检测方面都比传统的Adaboost算法性能更高,能够更好地满足人员较密集处（如球场等地）对多人脸同时检测的实际需求。     

基于几何特征与新Haar特征的人脸检测算法

针对普通Adaboost算法训练时间长,对复杂背景下(暗光、多角度、多姿态等)人脸检测识别率较低的问题,提出了一种改进的结合肤色检测及几何特征的Adaboost算法.采用肤色粗检筛选出候选人脸区域,同时采用新的非对称的Haar特征来训练分类器,进一步加强检测性能,提升鲁棒性和复杂背景下的宽容度实验将此算法应用到一个嵌入式系统中,结果表明:在各种复杂背景下的人脸检测中鲁棒性和宽容度均提升很多,误识率进一步降低,并且在嵌入式人脸检测的系统中具有很好的可移植性和实用性.     

利用SVM改进Adaboost算法的人脸检测精度

提出利用SVM分类方法改进Adaboost算法的人脸检测精度。该方法先通过Adaboost算法找出图像中的候选人脸区域,根据训练样本集中的人脸和非人脸样本训练出分类器支持向量机(SVM),然后通过SVM分类器从候选人脸区域中最终确定人脸区域。实验结果证明,SVM分类算法可以提高检测精度,使检测算法具有更好的检测效果。     

复杂背景下基于肤色分割的人脸检测算法研究

针对复杂背景下的多姿态彩色人脸图像,提出了一种基于Adaboost级联分类器和模板匹配相结合的人脸检测算法.利用肤色信息对对图像中的皮肤区域和非皮肤区域进行分割,运用改进后的Adaboost方法定位可能的人脸区域.最后通过模板匹配的方法对检测到的人脸区域进行进一步验证,实现了彩色图像中更精确的人脸定位.在实验中从不同大小、背景、光照、表情和光源方向等方面对多姿态的人脸图像进行了检测,取得了很好的效果,表明了该算法的有效性和实用性.     

基于Adaboost和最小割算法的视频人脸检测

Adaboost算法是一种被广泛应用于人脸检测的分类器学习方法,通过Haar-like特征和样本的学习和训练,形成一个强分类器,能有效地区分人脸跟非人脸.文中提出一种Adaboost结合最小割算法的人脸提取方法,该方法着眼于图像中的轮廓及肤色信息,对每个点设置一个权值,寻找一条权值最小的边界,准确提取出人脸.实验结果表明,Adaboost和最小割的人脸提取算法,分割效果较好,且耗时较小.     

基于特征裁剪的双阈值Adaboost人脸检测算法

针对传统Adaboost算法存在训练耗时长的问题,提出一种基于特征裁剪的双阈值Adaboost算法人脸检测算法。一方面,使用双阈值的弱分类器代替传统的单阈值弱分类器,提升单个弱分类器的分类能力;另一方面,特征裁剪的Adaboost算法在每轮训练中仅仅利用错误率较小的特征进行训练。实验表明基于特征裁剪的双阈值Adaboost人脸检测算法通过使用较少的特征和减少训练时的特征数量的方式,提高了算法的训练速度。     

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。     

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.     

基于肤色及AdaBoost算法的改进的人脸检测方法

提出一种结合肤色检测及AdaBoost算法的改进的人脸检测方法。首先利用肤色检测得出可疑的人脸区域,然后由改进的AdaBoost算法检测出人脸并标示,应用于智能监控系统中,并设置报警模块,可将可疑人脸信息记录入视频服务器。实验证明,肤色检测可以检测出复杂背景中的肤色区域,可以减少AdaBoost算法的扫描区域,进而减少检测时间;改进的AdaBoost算法在强分类器训练阶段加入判决函数,提高了人脸检测的准确性。