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分割和模板匹配相结合的人脸检测算法.首先利用rgb色彩空间下的人脸肤色模型,对人脸图像进行肤色分割;针对图像中存在的多个肤色区域连接在一起的问题,采用SUSAN算子提取区域的边界,将连接的肤色区域分开;根据肤色区域的形状特征和欧拉数筛选人脸候选区域;最后利用建立的人脸模板和一种改进的混合匹配准则,对候选人脸区域进行匹配识别.实验结果表明,该方法能较好地从复杂背景中检测出人脸.     

基于人脸特征和AdaBoost算法的多姿态人脸检测

基于人脸特征和AdaBoost算法,提出一种改进的多姿态人脸检测算法。首先利用肤色特征快速排除绝大部分背景区域,然后在肤色区域中搜索眼睛和嘴巴区域,根据眼睛和嘴巴区域的几何特征所确定的人脸方向分割出大致正向的人脸候选区域,最后利用AdaBoost算法对候选区域进行分类。实验表明,算法能实现多姿态人脸的快速检测,而且对脸部表情和遮挡有较强的鲁棒性。     

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。     

视频中的多视角人脸检测与姿态判别

提出了一种基于多种信息融合的多视角人脸检测方法.对视频图像通过对称差分算法检测运动区域,利用神经网络肤色模型对运动区域进行肤色识别,将多视角多人脸检测简化在候选区域内;最后通过集成多神经网络,其中每个神经网络负责一定视角的图像,实现了人脸验证,同时可以粗略地判定人脸姿态.实验结果表明该算法可适应不同的光照环境,检测不同大小,不同视角的人脸.     

基于层次支持向量机的人脸检测

针对彩色图像人脸检测,提出了肤色模型和层次支持向量机相结合的人脸检测方法。检测时首先利用调节的肤色模型提取出人脸候选区域,然后对这些候选区域用线性支持向量机和主成分与非线性支持向量机相结合的层次支持向量机进行验证,获得真正的人脸区域。实验表明,该方法对图像偏色有一定的鲁棒性并可以用于灰度图像的人脸检测,而且检测正确率和速度比基于肤色和模板匹配的方法有了一定的改进。     

基于肤色模型和中线定位的人脸检测算法

由于外貌、肤色、表情等不同,会导致较高的人脸检测漏检率和误检率。为此,提出一种基于肤色模型和中线定位的多姿态人脸检测算法。利用肤色特征快速排除大部分背景区域,根据人脸的显性特征分割出人脸候选区域,并对边缘检测后的图像进行投影,使用中线定位法实现多姿态人脸的检测与定位。实验结果表明,该算法能实现多姿态人脸的快速检测,黑发单个人脸检测的检测率达93.3%,鲁棒性较强。     

融合肤色信息和椭圆环模板的人脸检测

融合肤色信息和人脸轮廓信息,提出了一种新颖的基于肤色信息和人脸轮廓的人脸检测算法.首先利用改进的肤色提取算法对肤色进行分割,分析肤色区域,找出备选人脸;然后对备选人脸区域进行边缘检测,根据边缘检测点进行人脸轮廓特征的匹配,找出入脸的准确位置,并利用马赛克模板排除虚假人脸.实验结果表明,该算法具有较高的准确率,检测速度快...     

复杂背景下基于模糊集的快速人脸检测

针对如何在复杂背景下快速定位人脸并对其进行确认的问题,提出了一种基于模糊集的快速人脸检测方法.该方法利用肤色模型对图像进行肤色检测,获得肤色分割区域后,并利用数学形态学算子对分割区域进行处理并获得人脸候选区域,再结合模糊集理论,融合人脸的特征进行模糊事件的判断,确定人脸候选区域是否包含真正的人脸.实验结果表明,该算法具有较强的鲁棒性和高的正确检测率,并能满足实时应用的要求.     

一种基于AdaBoost的人脸检测算法

针对常规基于肤色检测的AdaBoost算法的不足, 提出了一种改进的AdaBoost人脸检测算法,算法包括人体肤色模型、人脸运动检测模型、改进的背景提取方法、针对人脸区域的光照增强方法。算法综合利用了人体肤色信息和人脸运动信息,能有效缩小搜索范围。实验结果表明,该方法与常规基于肤色检测的AdaBoost方法相比,在保证检测性能的基础上,有效提高了检测速度。     

基于差分图像和PCA主元分析的人脸检测

提出了一种基于差分图像和PCA(principle component analysis)主元分析的人脸检测算法,先对Anil K.Jain的Cb、Cr椭圆聚类方法给予改进,用改进的算法进行肤色提取,通过对肤色区域的分析,得到人脸候选区域,然后在这些可能的区域中运用特征脸进行细致的匹配,找出人脸的准确位置,然后利用马赛克模板排除虚假人脸.考虑到图像像素间的相关性,人脸特征提取同时对原始图像和其水平方向及垂直方向的差分图像进行PCA分析,从而提高了人脸检测的稳定性.     

基于Adaboost算法的人脸检测实现

人脸检测是指把人脸从一幅静止的图像或者动态视频中检测出来,并且指出人脸在图像或视频中的大小和位置。目前存在着大量的人脸检测算法,其中Adaboost算法是比较实用的人脸检测算法。Adaboost算法中人脸的特征采用的是矩形特征,在大量的样本集中,提取样本的矩形特征进行训练,生成多个弱分类器,然后合并多个弱分类器形成一个强分类器,最后级联强分类器形成最终的分类器,以此作为人脸检测的依据。文章先介绍了人脸检测技术,采用Adaboost算法生成人脸分类器,最后利用OpenCV来实现人脸检测。     

基于HOG的行人快速检测

为了更好更快速地实现对行人的检测,提出一种基于空间梯度直方图的行人检测算法。该算法在分类识别时用Boosted Cascad算法级联结构的分类器,将那些对不包含行人信息的区域进行筛选排除,从而使信息量减少。实验结果表明,该算法在不降低检测效果的情况下明显提高了行人检测效率,具有较强的鲁棒性。     

基于眼睛梯度对特征的人脸检测方法

该文提出了一种利用眼睛灰度变化梯度对特征来检测人脸的方法。在分析人脸图像中发现,眼球的灰度级较低,而眼球周围白色区域的灰度级较高,两个区域在其交界处灰度级产生强烈突变。该文利用图像灰度变化梯度值构造梯度和特性值,通过寻找相等的梯度和特性值来实现从图像中找出对应眼睛的位置,定位可能的人脸区域,再计算其对称性后确定人脸特征的存在,更进一步验证检测的人脸区域。实验证明,此方法能迅速准确地从复杂背景图像中检测出人脸,而且对多人脸图像同样有效。     

基于超球支持向量机的多姿态协同人脸检测

针对多姿态的人脸检测准确度差的问题,提出了一种多姿态的协同人脸检测模型。该模型由一组超球支持向量机组成,它们被分成三层：第一层1个、第二层3个、第三层9个,共13个支持向量机(SVM)。这些SVM按逐层精细化检测设计,协同完成人脸检测任务。因为一幅图像的大部分区域是非人脸,采用三层模型的设计一方面能提高人脸检测速度,另一方面也增强了检测的针对性,使得能逐层履行更精细的局部区域检测。另外,改进了k近邻(kNN)算法,使其能用于超球重叠样本的检测,并提高了人脸检测的准确度。实验结果表明,相对于传统基于SVM的人脸检测,所提算法在人脸检测的准确率上有5%左右的提升,通过逐层过滤,保证了人脸检测的速度。     

基于Adaboost的快速人脸跟踪算法

针对复杂变化背景中的人脸跟踪问题,提出了一种基于Adaboost的人脸跟踪算法。该算法采用背景消除、肤色检测来提取可能包含 活动人脸的区域,用Adaboost算法做人脸验证,用Kalman滤波为运动模型实现对人脸的跟踪。实验表明,该算法具有快速、可靠的特点,速 度超过80fps,完全满足实时系统的需要。     

基于聚类框架与局部感受野的实时人脸疲劳检测

针对在自然环境下人脸疲劳识别遇到的问题,如人脸检出率不高、判别疲劳的特征过于单一、检测速度慢等提出了一种基于聚类框架与局部感受野的实时人脸疲劳检测方法。首先对人脸尺寸进行聚类分析,根据聚类类别决定检测层个数并设置先验框大小,根据预测特征图的感受野与人脸尺寸匹配的原则设置网络层数,最后通过最小化损失函数学习多种疲劳特征。实验证明,在驾驶室等环境下基于聚类框架与局部感受野的方法在保持识别准确率的同时提高了检测速度,使用GPU GeForce GTX TITAN能达到125 fps,满足了实时性要求。     

新冠肺炎疫情背景下聚集性传染风险智能监测模型

新型冠状病毒肺炎疫情严重威胁人们的生命安全,对于聚集性人群密度及口罩佩戴情况的监管是控制病毒扩散的重要途经。公共场所具有人流密集且流动性大的特点,人工监测易增加感染风险,而现有基于深度学习的口罩检测算法存在功能及场景单一的问题,不能在多场景下实现多类别检测,同时精度也有待提升。提出Cascade-Attention R-CNN目标检测算法,实现对聚集区域、行人和口罩佩戴情况的自动检测。针对任务中目标尺度变化过大的问题,选取高精度两阶段Cascade R-CNN目标检测算法作为基础检测框架。通过设计多个级联的候选分类-回归网络并加入空间注意力机制,突出候选区域特征中的重要特征并抑制噪声特征,从而提高检测精度。在此基础上,构建聚集性传染风险智能监测模型,结合Cascade-Attention R-CNN算法的输出结果确定传染风险等级。实验结果表明,该模型对于不同场景和视角的多类别目标图片具有较高的准确性和鲁棒性,Cascade-Attention R-CNN算法平均精度均值达到89.4%,较原始Cascade RCNN算法提升2.6个百分点,较经典的两阶段目标检测算法Faster R-CNN和单阶段目标检测框架RetinaNet分别提升10.1和8.4个百分点。     

基于自适应二进小波变换的人脸检测方法

提出一种基于提升二进小波变换的检测人脸部位（如鼻子、眼睛和嘴唇等）的快速算法。在提升二进小波滤波器中的自由参数是学习的,从便使两个向量（其中一个向量的分量是提升二进小波滤波器系数,另一个向量的分量是人脸某部位像素）之间的夹角的余弦值最大化。学习得到的滤波器应用到测试图像中,可以检测人脸某些部位。实验结果表明,该方法具有较强的鲁棒性,能够很好地解决复杂背景下的人脸检测问题。由于该方法实现的简单性,并容易由硬件实现,使得检测速度进一步提高,因此该方法在可视电话等领域有着广阔的应用前景。     

基于Camshift的人脸跟踪算法

Camshift跟踪算法具有很好的实时性,但是也存在不能实现自动跟踪,跟踪过程中鲁棒性不强,遇到遮挡问题跟踪失效,只能进行单人脸跟踪等问题。针对这些问题,提出了基于改进Camshift的人脸跟踪算法,该算法结合了Adaboost人脸检测算法并改进了原算法中的颜色直方图模型。以实际人脸检测与跟踪实验为例,证明了该算法在人脸自动检测跟踪过程中具有速度快、准确度高,同时可以跟踪多个人脸,能有效克服跟踪过程中遮挡问题等。     

使用半边脸训练集的快速人脸检测方法

Viola和Jones提出的基于Boosted Cascade人脸检测方法具有速度快的优点,能够满足实时检测的要求.然而,由于Viola的方法采用的是完整的正面人脸作为训练集,所以在检测时对人脸的对称性要求很高.如果这种对称性因为光照、遮挡、旋转的原因而被破坏时,原方法的准确性就会降低.本文针对这一问题提出基于半边脸训练集的改进方案(即只用人脸的左半边或者右半边脸作为训练集),并分析了其可行性.实验结果表明,该方案在一定程度上解决了上述问题.