人脸检测级联分类器快速训练算法

目前AdaBoost训练算法已被广泛地应用于人脸检测中级联分类器的构建,而AdaBoost算法训练级联分类器的周期却十分漫长.为了减少训练时间,文中提出了一种基于AdaBoost的改进训练算法.该算法通过对弱分类器的阈值选择进行一趟处理来降低运算时间复杂度,并根据AdaBoost训练迭代中只改变样本权值而不更新样本的特点对特征值和排序结果进行缓存来提高训练算法的性能.实验结果表明,该算法大幅提高了人脸检测分类器训练系统的性能,使得分类器的训练时间缩短了60多倍.由于AdaBoost算法的通用性,该改进算法不仅适用于人脸检测,也适合所有进行权值更新迭代训练的Boosting算法.     

一种基于肤色检测和Haar级联分类器的实时人脸检测系统

人脸检测是一种在数字图像中找到人脸位置和大小的技术。常用于人脸识别、人脸追踪、面部动作捕捉、相机自动对焦等应用中。本文设计并实现了一种基于肤色检测和Haar级联分类器的系统来进行实时人脸检测,先通过肤色检测过滤掉图像中的非皮肤像素区域,后通过Haar级联分类器对剩余像素区域中的人脸进行检测。实验结果表明本系统能够实时地对视频画面中的人脸进行检测,且人脸检测算法计算时间明显小于传统的检测算法。     

基于分类器相关性的Adaboost人脸检测算法

为了提高传统Adaboost算法的集成性能,提出一种基于分类器相关性的Adaboost算法.该方法在弱分类器的训练过程中加入分类器的相关性判定,使每一个弱分类器的生成不仅与当前分类器有关,而且与前面若干个分类器相关,并将由此生成的弱分类器组合成新的强分类器.在CMU正面人脸检测集上的仿真结果表明,较传统的Adaboost算法,基于分类器相关性的Adaboost人脸检测算法具有更好的检测效率,同时降低了误检率.     

一种基于Haar-Like T特征的人脸检测算法

文中提出一种基于Haar-Like T特征的人脸检测算法。 Haar-Like T特征是在Haar-Like特征的基础上的扩展,由于人脸五官分布的特殊性,在人脸模型上可以找到大量T字型结构特征。结合Haar-Like 矩形特征描述人脸纹理的原理,文中提出4种类似Haar-Like特征的Haar-Like T特征,并将这些Haar-Like T特征与现有的Haar-Like特征一起输入Adaboost分类器进行特征选择,最终构建出分类性能强大的级联分类器并用于人脸检测。人脸检测实验表明该算法的有效性和优越性,其与Haar-Like分类器、LBP分类器等传统的人脸检测分类器相比获得更好的效果。     

基于级联支持向量机融合多特征的人脸检测

人脸图像中包含丰富的特征信息,不同特征具有其各自的优势。基于此,提出一种基于级联支持向量机有效融合多种特征的人脸检测算法。该算法首先利用肤色模型对待检图像进行预处理,筛选出疑似人脸区域。然后在疑似区域中提取图像的HOG(Histogram of Oriented Gradients)和LBP(Local Binary Patterns)特征,并分别对这两种特征集进行特征选择,训练两个SVM(Support Vector Machine)分类器,最后将两个SVM分类器级联起来实现人脸检测。在多个人脸图像数据库上的实验结果表明,该人脸检测算法提高了人脸检测率,降低了误检率,并且对多种光照条件、姿态、表情以及部分遮挡的情况都具有较好的鲁棒性。     

基于GH-YJ混合型的Adaboost改进算法的人脸检测

针对传统Adaboost算法训练时间过长、误检率高以及检测速度慢的缺点,提出了一种基于GH-YJ混合型Adaboost改进算法,该算法从简化Haar特征和优化级联分类器两方面进行改进,以降低本级分类器误检率。最后,通过实验证明了改进算法的可行性。     

基于多分类器组合的多角度彩色人脸图像检测

提出了基于神经网络和隐马尔可夫模型组合的彩色人脸图像检测方法 .根据归一化后的彩色图像的色度彩色分量直方图将图像粗分割成若干幅二值图像 ;在亮度图像上 ,以上述二值图像为掩模进行多分辨率的旋转不变性人脸检测 .在人脸检测时 ,本文分两步 :第一步先用神经网络来确定人脸的旋转角度 ,然后对旋正后的图像运用识别人脸奇异值特征的隐马尔可夫模型进行验证 .实验结果表明 ,本文算法是有效的     

基于肤色分割和AdaBoost算法的彩色图像的人脸检测

文章提出了肤色分割和AdaBoost算法结合的人脸检测算法。首先,对彩色图像进行肤色分割,通过人脸肤色的统计特征得到候选人脸区域：然后,基于AdaBoost算法,使用由强分类器组成的级联分类器对候选人脸区域进行扫描,最终得到精确定位的人脸。实验证明,该方法具有肤色检测快速和AdaBoost算法误检率低的优点,可以有效的运用于多姿态、多人脸和复杂背景的情况。     

基于组合特征和级联分类器的防震锤检测算法

提出一种高压输电线路上的防震锤检测识别算法,算法基于分块的Haar特征、基于区域的LBP特征以及HOG特征一起作为组合特征来检测防震锤。其主要分为5个步骤:预处理待检测图像;改进归一化互相关匹配算法并进行模板匹配,得到防震锤疑似区域样本集;提取防震锤疑似区域的组合特征;对防震锤疑似区域使用级联分类器进行多级分类;统计分类结果。实验结果表明,该算法具有较高的精确率、召回率和准确率。     

基于多通道特征的人脸检测

人脸检测技术作为计算机视觉与人机交互领域一项基础技术。近十多年来,人脸检测技术取得的迅猛发展主要归功于Paul Viola与Michael Jones提出的基于提升方法和级联结构的快速人脸检测算法。随着应用场景越来越复杂,人脸检测面临的挑战也愈发严峻,传统的检测算法已经无法满足目前的应用需求。针对这一问题,从特征提取的角度入手,提出了一种适用于人脸检测、计算快速、表达能力强的特征表示———多通道特征,并对Viola－Jones框架中的学习算法进行了改进以进一步提升分类器的学习效率和分类性能。提出的多视角人脸检测算法在权威人脸检测测试集AFW上取得了优异的检测性能,并且在VGA图片上达到62帧／秒的检测速度。实验表明该算法能够满足各类复杂场景的人脸检测需求,具有一定的实际应用价值。     

基于肤色特征的人脸检测算法的研究

通过对比面部识别技术的各种算法,本文重点研究了基于肤色特征的人脸检测算法。首先通过两种方法实现人脸的区域分割：基于相似度的方法和基于皮肤区域、头发区域的方法。前者通过相似度计算、二值化之后标记出人脸区域,后者利用颜色来检测人脸区域。人脸区域检测完毕之后再对其进行人脸特征的标注,最终实现面部检测。     

改进的肤色提取法在人脸检测中的应用

研究了人脸检测中的肤色提取问题,针对常用的肤色模型提取法提取效果较差、去除背景较少的缺点,逐个分析常用肤色模型的优缺点,提出综合肤色模型提取法(CCM),并结合AdaBoost算法进行人脸检测.试验论证,上述方法去除复杂背景效果好,使肤色区域能够准确的从非肤色背景中分离出来.人脸检测过程中,通过调整AdaBoost人脸检测算法中的检测窗口的放大倍数和移动步长,加快了检测速度.检测数据表明,该方法有效地提高了检测率,减少了检测时间.     

On the Design of Cascades of Boosted Ensembles for Face Detection

Cascades of boosted ensembles have become popular in the object detection community following their highly successful introduction in the face detector of Viola and Jones. Since then, researchers have sought to improve upon the original approach by incorporating new methods along a variety of axes (e.g. alternative boosting methods, feature sets, etc.). Nevertheless, key decisions about how many hypotheses to include in an ensemble and the appropriate balance of detection and false positive rates in the individual stages are often made by user intervention or by an automatic method that produces unnecessarily slow detectors. We propose a novel method for making these decisions, which exploits the shape of the stage ROC curves in ways that have been previously ignored. The result is a detector that is significantly faster than the one produced by the standard automatic method. When this algorithm is combined with a recycling method for reusing the outputs of early stages in later ones and with a retracing method that inserts new early rejection points in the cascade, the detection speed matches that of the best hand-crafted detector. We also exploit joint distributions over several features in weak learning to improve overall detector accuracy, and explore ways to improve training time by aggressively filtering features.     

基于AdaBoost算法的彩色图像人脸检测研究

在彩色图像中,不同的颜色所对应的灰度值可能相同,因此在灰度图像中检测不到的信息可能在彩色图像中被检测到。本文提出一种彩色积分图概念,在AdaBoost算法的分类器训练过程中分别得到彩色图像的人脸信息,并在分类器的后五层使用融合彩色信息的分类器分类。实验表明,本文方法增强了分类器的分类能力,提高了系统的正确检测率,降低了错误报警率。     

基于广义对称变换的人脸检测和面部特征提取

该文提出了一种基于广义对称变换的从具有复杂背景的彩色图像中进行人脸检测的方法,它首先利用人类肤色在色度空间分布的稳定性,检测出图像中的皮肤区域,通过先验知识进行甄别,选出候选人脸区域,然后根据在人脸图像中人的双眼具有的高对称性,利用广义对称变换来求得具有高对称性的点即为双眼的位置,最后采用通用人眼图像进行模板匹配来验证,实验证明,该方法具有良好的效果。     

基于人眼特征的多姿态人脸检测

在运用Adaboost算法检测出人眼区域前提下．再根据人眼部特征的知识结构来排除掉非人眼区域,而提出一种由人眼在人脸中的位置特性计算出人脸位置的检测方法。     

人脸检测中基于自适应ICA的特征提取算法

如何从图片中提取出有效特征来区分人脸与非人脸一直是一个难题.文中提出了利用自适应独立成分分析(Self-Adaptive ICA)算法对图像结构信息非常敏感的特点,有效地从大量正面人脸图片中分离出人脸的局部特征,从而利用这些局部特征基底有效地表示人脸图片.自适应ICA算法的优点是能自适应的拟合图像数据的统计性质,而不用预先设定.通过比较待检测的人脸图片与非人脸图片在这组特征基底上的投影系数,可以较好的区分二者.实验结果也表明这种特征提取方法可以找到一组很好的人脸特征基底.使用这种方法构造的弱分类器的分类准确率在相同的误检率下比Boosted Cascaded方法中的弱分类器高1% ～ 1.5%.     

基于肤色和AdaBoost算法的人脸检测

本文介绍了一种将肤色信息和AdaBoost算法相结合的人脸检测方法。先用肤色分割法排除掉非肤色区域的干扰,然后用AdaBoost算法训练的分类器对肤色区域进行检测,该方法在保证检测率的同时,大大减少了目标区域的误检率,提高了人脸检测准确率。     

基于图像分割的人脸检测

人脸检测作为人脸识别中的关键问题之一,近年来受到了越来越多的关注。通常采集到人脸信息非常丰富,无法直接判断脸部信息和背景信息。因此,需要一种有效的方法来解决图像的分类问题。数据挖掘中的聚类分析方法能对大量数据进行有效划分,为人脸检测中的图像分割提供了新的研究思路。