基于新Haar-like特征的多角度人脸检测

在Haar-like特征的基础上增加新的检测特征,给出特征计算方法和积分方法,实现多角度人脸检测。将多角度人脸分为3类,即全侧脸、半侧脸和正面人脸。利用连续Adaboost算法训练各类人脸检测器,用金字塔式结构将各类人脸检测器级联成一个多角度人脸检测器。在CMU人脸检测集合上,该检测器的成功率为85．2％,高于Adaboost算法和浮点Adaboost算法。     

Context modeling for facial landmark detection based on Non-Adjacent Rectangle (NAR) Haar-like feature

Automatically locating facial landmarks in images is an important task in computer vision. This paper proposes a novel context modeling method for facial landmark detection, which integrates context constraints together with local texture model in the cascaded AdaBoost framework. The motivation of our method lies in the basic human psychology observation that not only the local texture information but also the global context information is used for human to locate facial landmarks in faces. Therefore, in our solution, a novel type of feature, called Non-Adjacent Rectangle (NAR) Haar-like feature, is proposed to characterize the co-occurrence between facial landmarks and its surroundings, i.e., the context information, in terms of low-level features. For the locating task, traditional Haar-like features (characterizing local texture information) and NAR Haar-like features (characterizing context constraints in global sense) are combined together to form more powerful representations. Through Real AdaBoost learning, the most discriminative feature set is selected automatically and used for facial landmark detection. To verify the effectiveness of the proposed method, we evaluate our facial landmark detection algorithm on BioID and Cohn-Kanade face databases. Experimental results convincingly show that the NAR Haar-like feature is effective to model the context and our proposed algorithm impressively outperforms the published state-of-the-art methods. In addition, the generalization capability of the NAR Haar-like feature is further validated by extended applications to face detection task on FDDB face database.     

一种结合肤色及类人脸特征的人脸检测

人脸特征提取是人脸检测的关键环节,有效的人脸特征将使得人脸检测更精确。Haar-Like特征作为一种矩形特征,虽然简单、计算迅速,但只能描述特定方向的图形结构。提出的类人脸特征是一种反映人脸灰度分布模型的矩形特征,更加有效地描述了人脸的特征。所提出的人脸检测算法,应用BP神经网络算法训练肤色区域,进行肤色分割。应用类人脸特征的AdaBoost算法进行人脸检测。实验结果表明,该算法可以提高人脸检测的检测率。     

基于Haar—like矩形特征的交通标志识别

针对道路交通标志识别系统中的识别精度和识别实时性问题,提出一种基于Haar—like矩形特征的交通标志识别算法。为了提高提取速度,用积分图像先对样本库进行处理,提取Haar-like矩形特征做为特征向量。提取的特征向量因维数过高．应用PCA降维法对数据进行降维。将降维后的特征向量用来对支持向量机训练。实验结果表明,Hart-like矩形特征向量具有形式简单．计算速度快等优点。在小样本的目标识别中,利用SVM进行分类识别,取得很好的识别效果．并在识别耗时上有所优化。     

Reliable detection of eye features and eyes in color facial images using ternary eye-verifier

Eye detection plays an important role in applications related to face recognition. The position of eyes can be used as a reliable reference for other facial feature detection. This paper presents a novel approach for the precise and reliable detection of eyes by introducing a ternary eye-verifier. Initially, the face region is detected by combining color information and the Haar-like feature detector. The face region is then binarized and filtered with circular filters to detect eye candidates at the peaks in the filtered response. Each eye candidate is fed into a ternary eye-verifier that includes a proposed eye feature extractor based on K-means clustering with compensation for variety in iris color. The eye template in the eye-verifier is constructed based on both the knowledge of eye geometry and the detected eye features. The template matching is made by the ternary Hamming distance. Experiments over a collection of FERET face database and house-made face database with different head poses confirm that the proposed method achieves precise and reliable detection of eyes from color facial images with variation in illumination, pose, eye gazing direction, and race.     

多通道Haar-like特征多示例学习目标跟踪

目的 提出一种基于多通道Haar-like特征的多示例学习目标跟踪算法,克服了多示例跟踪算法在处理彩色视频时利用信息少和弱特征不能更换的缺点。方法 首先,针对原始多示例学习跟踪算法对彩色视频帧采用单通道信息或将其简单转化为灰度图像进行跟踪会丢失部分特征信息的缺点,提出在RGB三通道上生成位置、大小和通道完全随机的Haar-like特征来更好地表示目标。其次,针对多示例学习跟踪算法中Haar-like弱特征不能更换,难以反映目标自身和外界条件变化的特点,提出在弱分类器选择过程中,用随机生成的新Haar-like特征实时替换部分判别力最弱的Haar-like特征,从而在目标模型中引入新的信息,以适应目标外观的动态变化。结果 对8个具有挑战性的彩色视频序列的实验结果表明,与原始多示例学习跟踪算法、加权多示例学习跟踪算法、基于分布场的跟踪算法相比,提出的方法不仅获得了最小的平均中心误差,而且平均跟踪准确率比上述3种算法分别高52.85%,34.75%和5.71%,在4种算法中获得最优性能。结论 通过将Haar-like特征从RGB三通道随机生成,并将判别力最弱的部分Haar-like弱特征实时更换,显著提升了原始多示例学习跟踪算法对彩色视频的跟踪效果,扩展了其应用前景。     

人脸识别技术的研究

对人脸识别的几个关键技术进行了深入研究，提出了一种快速的基于眼睛像素特征的人脸检测方法：一种有效的基于SVD分解的特征提取方法和一种基于特征差别的SVM人脸识别方法．改进的基于SVD分解的特征提取方法能在一定程度上削弱光照和表情的影响，从而更好地抽取人脸的差别特征．基于特征差别的SVM方法将人脸识别这一典型的多分类问题构造成适合SVM处理的二分类问题，克服了传统SVM方法在解决多分类问题上的缺陷．实验表明该人脸检测方法有较高的正确检测率，提出的特征提取方法能有效地减弱光照和表情对人脸特征的负面影响，使得识别率有较大提高，基于特征差别的SVM方法有更好的概括能力和更高的正确识别率．     

图像扇形特征及其应用

以图像Harr-like矩形特征为原型,提出了一种新的基于图像灰度信息的区域特征--扇形特征及其提取方法。以圆的旋转不变特性为基础,在极坐标下将图像分割为不同的扇形(段)子块,并将各子块区域灰度和作为表示扇形子块的特征,然后对子块特征集进行归一化,所得的归一化扇形特征集作为特征选取的空间。将该特征提取方法应用到人脸识别系统中,与传统方法的比较实验表明扇形特征具有较好的识别效果,且对图像平移、旋转、缩放和噪声干扰均具有较好的鲁棒性。     

Gaussian weak classifiers based on co-occurring Haar-like features for face detection

Recently, in the context of appearance-based face detection, it has been shown by Mita et al. that weak classifiers based on co-occurring, or multiple, Haar-like features provide better speed-accuracy trade-off than the widely used Viola and Jones’s weak classifiers, which use only a single Haar-like feature. In this paper, we extend Mita et al.’s work by proposing Gaussian weak classifiers that fuse information obtained from the co-occurring features at the feature level, and are potentially more discriminative. Experimental results, on the standard MIT+CMU test images, show that the face detectors built using Gaussian weak classifiers achieve up to 38 % more accuracy in terms of false positives and 42 % decrease in testing time when compared to the detectors built using Mita et al.’s weak classifiers.     

动态权值预划分实值Adaboost人脸检测算法

提出了Real-Adaboost的一种改进算法。该算法采用预先计算类Haar特征所对应弱分类器在样本空间的划分，并动态更新人脸训练样本的权值。与以往的Real-Adaboost算法比较，该算法大大缩短了训练时间，算法训练时间复杂度降到O(T*M*N)，同时加速了强分类器的收敛性能，减少检测器的弱分类器数量，减少检测时间。     

基于小训练样本的AdaBoost人脸检测

AdaBoost算法已被广泛地应用于人脸检测系统中,但往往需要大量的训练样本。针对其训练过程复杂冗长的缺陷,选择研究基于少量训练样本的人脸检测问题。采用协方差特征代替图像统计的直方图进行特征提取。为达到更好的分类效果,应用基于Fisher判别式分析的线性超平面分类器,通过AdaBoost算法构成多层级联分类器进行人脸检测。在小数据库里可以看到,与目前用于多数人脸检测系统的类Haar特征相比,该算法在减少训练样本的同时能获得更好的检测效果。     

基于自举算法和支持向量机的人脸检测系统

针对复杂背景下的灰度图像人脸检测存在计算量大且负检率高等问题,提出了一种有较好可用性的层级递进的人脸检测系统。系统第一部分采用扩展的Haar型特征并结合自举算法,使其分类性能要优于原始的Haar型特征。在系统的第二部分,采用从粗到细的视觉处理逻辑对图像采样,并提出了正面直立人脸的像素值的置信度的概念,且以支持向量机作为学习算法,使系统具有良好的检测性能。该系统在实际应用图像的测试中取得良好效果,具有可用性。     

一种基于特征模型的人脸检测方法

特征提取是基于特征的人脸检测的关键。提出了一种利用眼睛和鼻子的灰度特征和几何特征的人脸检测方法。选取眼睛和鼻子作为特征点,构造一个三角的特征模型。另外,此方法对候选特征图像采用逐步改变分块大小的方法进行搜索,得到独立的特征点,并利用人脸结构特点的先验知识建立模型的搜索策略。实验证明,此方法能迅速准确的从复杂背景中检测出人脸,而且对多人脸同样有效。     

复杂背景中人脸检测与眼睛定位

本文对Viola等人提出的基于类Haar特征及AdaBoost的人脸检测算法进行了改进,将原来的单一阈值弱分类器改为输出几乎可模拟任意概率分布的特征查找表(FST)弱分类器,构建出人脸检测模块;同时,训练左、右人眼分类器对输入图像进行眼睛定位,并且利用ROC曲线对改进算法收敛速度、人脸检测器和人眼检测器的性能与Viola-Jones算法进行了比较分析。结果表明,改进后的算法具有较高的检测率和较低的误警率。     

一种基于三角特征的行人检测算法

基于视频的行人检测技术是计算机视觉领域的重要问题,特征提取是行人检测技术的关键,大量的特征提取方法是基于Papageorgiou提出的矩形特征,但对于行人的边缘特性描述并不准确。针对adaboost算法,分析行人姿态的边缘特性,提出了四种较为有效的三角特征描述人体的外形局部特征,并推导了三角特征计算量与计算耗时的关系。与传统的矩形特征、非对称特征相比,三角特征能更有效的描述行人姿态,提高了行人检测的鲁棒性。     

机器人系统中人脸特征提取技术的研究与实现

该文描述了在智能机器人系统中人脸特征提取技术的研究与实现,提出了一种新的并且在机器人系统中实现的人脸特征提取方法,该方法首先利用基于Adaboost的人脸检测算法对采集到的原始图像进行人脸检测,从而得到人脸图像;然后让人脸图像通过一个空间掩模滤波器,去除图像中明显非人脸特征的区域,再经过二值化后得到二值化图像;将二值化图像与一个矩形模板相卷积,得到卷积值与模板索引数的二维曲线图,在二维曲线图中,最高的两个峰就分别对应了眼睛和眉毛,再根据人脸特征几何分布关系判断出眼睛,眉毛和嘴,从而得到最终的人脸特征.该方法检测率高,计算量小,实时性很强,满足了机器人系统中资源有限的约束条件.     

复杂背景下具有偏转角度的正面人脸检测

美国的Voila博士提出的基于Haar-like特征的人脸检测算法是一种具有巨大发展潜力的新算法,快速而准确。通过研究,认为这一算法还存在两个有待改进的地方：一是在检测率和误检率之间难以权衡,二是可检测人脸姿态受训练样本制约。对此提出了改进措施,设计了一个可以检测相对于垂直方向有±45°偏转的正面人脸的检测算法,与基于Haar-like特征的人脸检测算法相比,具有更好的鲁棒性和更低的误差率。     

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。     

Face detection based on skin color likelihood

We propose a face detection method based on skin color likelihood via a boosting algorithm which emphasizes skin color information while deemphasizing non-skin color information. A stochastic model is adapted to compute the similarity between a color region and the skin color. Both Haar-like features and Local Binary Pattern (LBP) features are utilized to build a cascaded classifier. The boosted classifier is implemented based on skin color emphasis to localize the face region from a color image. Based on our experiments, the proposed method shows good tolerance to face pose variation and complex background with significant improvements over classical boosting-based classifiers in terms of total error rate performance.     

基于C＋＋和OpenCV的人脸识别系统的设计与实现

人脸识别是通过对人的脸部特征信息进行身份识别的一种生物识别技术.研究现实基于人脸识别的身份验证系统具有重要意义.提出一种基于C＋＋和OpenCV的人脸识别系统的设计与实现方法.系统实现的功能模块包括人脸图像采集、图像预处理、人脸检测与定位、人脸特征提取与识别、人脸数据库管理等.系统中人脸检测采用基于Haar-like特征的Haar 分类器,人脸识别采用Eigenfacae算法.系统经过运行测试,结果表明该系统能够满足一般的基于人脸识别的身份验证需求.