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。     

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。     

一种基于肤色的复杂背景人脸检测方法

针对复杂背景下的彩色人脸图像,利用肤色信息,从图像中分割出具有肤色的区域,整理得到待检测人脸区域,从中进行人脸特征的提取和验证,最终确定人脸。     

基于肤色和AdaBoost算法的彩色人脸图像检测*

针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题,将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来,提出一种新的人脸检测方法,即首先利用肤色和形态学操作分割肤色区域,再根据人脸区域的统计特性筛选出人脸候选区域,然后用AdaBoost级联分类器对候选区域扫描,以精确定位人脸.实验表明,该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

一种基于颜色和形状特征的人脸检测方法

人脸检测在人脸识别领域有重要的应用价值。本文针对复杂背景下的彩色图像,构造了一种颜色特征人脸图像,提了一种基于眼睛的颜色特征和形状特征的人脸检测定位方法。依据肤色模型、数学形态学处理检测出肤色区域,再利用颜色特征人脸图像准确快速的分割出脸部的非肤色区域(眼睛与嘴巴),最后由眼睛模板验证。该算法适合图像质量较好的各种姿态的人脸定位,利用肤色特征和眼睛的颜色特征分两步分割出眼睛存在的区域,减少了搜索面积,因而使计算量大大降低,提高了检测速度。     

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.     

基于肤色模型和CAMShift算法的人脸检测与跟踪研究

讨论并实现一个基于肤色模型和CAMShift方法的人脸检测与跟踪原型系统。该系统采用肤色模型分割出视频帧中的肤色区域与非肤色区域以检测出人脸．利用CAMShift算法跟踪运动的人脸,完成对人脸各种姿态的跟踪,具有较好的实时性和鲁棒性。     

运用自适应球体模型实现肤色动态分割

提出一种用于变化光照、多姿态和复杂背景条件下人脸识别的肤色区域动态分割算法。对彩色人脸输入图进行色偏校正和亮度调节预处理,利用肤色聚类特性构建一种自适应球体肤色模型,并基于该模型计算自适应肤色相似度,利用肤色相似度,采用自适应的动态阈值进行肤色区域目标的分割和提取。实验结果表明,对于变化光照、多姿态和复杂背景的彩色人脸图像,该算法有良好的分割精度和自适应性。     

基于肤色的人脸检测研究

对于有背景的彩色图像,肤色是人体表面最显著的特征之一,所以肤色特征是人脸检测中一个重要的特征[1～2]。肤色特征主要由肤色模型描述,检测方法可以分为颜色选择,肤色区域分割和人脸检测三个步骤。文章提出的肤色模型可以较好的适应光照变化,采用肤色分割的方法,可以快速检测不同大小,不同平面以及一定侧面旋转角度的人脸。对简单背景下的人脸检测的检测率达到95.65%,复杂背景下的人脸检测的检测率达到85.22%。     

基于肤色和支持向量机的人脸检测

人脸检测作为人脸识别系统的重要一环,越来越受到技术研究和商业应用的关注。针对人脸检测环境的复杂性,该文提出了基于肤色和支持向量机的人脸检测算法。该算法对于具有复杂背景信息的人脸彩色图像,采用肤色检测的方法进行肤色区域的分割并去除噪声干扰,然后使用支持向量机(SVM)对于类似肤色区域进一步检测并确定人脸区域。实验表明,结合肤色模型的快速检测和支持向量机的二次验证,该方法能提高人脸检测的准确性,并缩短检测时间。     

基于肤色分割和改进Gabor滤波相结合的人脸检测

针对人脸检测问题,提出了一种基于肤色分割和改进Gabor滤波相结合的方法;该方法首先基于YCbCr空间对图像中的背景区域和人脸肤色进行分割,以消除大量的背景区域提高运算速度;接着利用改进的Gabor滤波对提取出来的人脸肤色区域进行卷积得到人脸的特征向量,并和通过训练样本获得的特征向量进行比较以验证是否为人脸;最后通过实验分析,验证了所提方法能够在保证检测精度的基础上有效提高运算速度。     

基于HSV色彩空间的自适应肤色检测

针对复杂背景彩色图像提出了一种基于HSV色彩空间的自适应肤色检测算法。该算法首先使用阈值在HSV空间对人体肤色区域进行肤色分割,然后对分割出的肤色区域使用相对重要性滤波和自适应区域归并,最后将归并后的肤色区域使用人眼定位进行验证,将多人脸检测转化为单人脸检测。实验结果表明,该算法复杂度较小,对光照变化具有很好的鲁棒性。     

非均匀光照条件下的彩色人脸图像增强

针对非均匀光照彩色人脸图像增强中肤色失真问题,提出了一种基于单尺度Retinex和肤色模型的方法。将人脸图像转换至YCbCr颜色空间,并采用不同的方法分别处理Y分量和CbCr分量。针对亮度分量（Y）采用单尺度Retinex方法压缩图像的动态范围,增强图像暗处的细节信息;针对图像中肤色区域,根据肤色在CbCr空间具有聚集性的特点,调整亮度分量增强后肤色像素点色度分量（Cb和Cr）的值,改善肤色区域的颜色质量。在CAS-PEAL人脸库中进行实验,该方法与传统的人脸图像增强方法相比,在图像细节呈现能力和面部色彩真实程度方面均有提高。     

复杂背景彩色图像中的人脸分割技术

主要介绍了如何在含有复杂背景的彩色图像中进行人脸分割的技术。首先根据人的肤色在色度空间的聚类特性,寻找合适的色彩空间建立肤色模型。计算图像中所有像素的颜色与肤色的相似度值,并将其转换成0到255之间的灰度值,以得到图像的相似度灰度图,接着通过大津阈值分割进一步得到二值图,将人脸肤色区域与背景分离,从而定位了人脸区域。最后,利用人脸的结构特征,进一步缩小人脸区域范围,最终找到包含人脸主要特征部位(眼睛、鼻子、嘴巴)的人脸区域。     

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.     

基于比例特征的网络不良图像过滤算法研究

目前对网络不良图像进行过滤的方法中,裸露肤色比依然是常被利用的数据,但是其存在一些缺陷,如伪肤色的干扰、非关键区域肤色的干扰、整体裸露肤色比有时候不与裸露程度呈正相关等。本算法利用人体肤色的一致性和人体结构特点,计算了以下三个比例特征作为判决依据——人脸尺寸占比、用人脸肤色数据改进肤色模型后的整体裸露肤色比及人体关键区域的裸露肤色比,有效地解决了上述问题;同时,对人脸检测增加了合适的旋转图像的处理过程,使其对于倾斜很大的人脸也能较好地检测。经过测试,算法的识别率达到91.5%,基本能满足实际应用的需求。     

基于半监督聚类的人脸检测方法

将肤色与连续AdaBoost算法相结合进行人脸检测,并引入半监督策略指导肤色聚类从而建立肤色模型。在肤色聚类过程中,提出一种基于半监督的SKDK算法引导肤色聚类,依据各个像素簇的概率统计分布特性得到肤色模型。在此基础上利用数学形态学等知识对图像进行处理,得到人脸候选区域,将其作为连续AdaBoost分类器的输入进行人脸检测。实验结果表明,在多人脸的场景下,该方法的检测效果优于直接使用连续AdaBoost方法进行人脸检测的检测效果。     

基于肤色学习的多人脸前景抽取方法

针对多人脸场景下快速准确提取人脸内容的问题,提出了基于肤色学习的多人脸前景抽取方法。首先,给出了基于肤色学习的肤色前景分割模型。根据肤色专家的论文结果,采集了著名的SPA数据库的1 200张人脸进行肤色抽样,建立学习模型以得到每个人种在颜色空间的肤色参数,据此进行肤色图像分割,得到肤色前景。其次,利用人脸特征点学习算法,以常见人脸68个特征点为目标,结合肤色前景信息分割出人脸种子区域;并计算人脸中心点,来构建人脸椭圆边界模型以及确定遗传范围。最后,建立了有效抽取算法,在人脸椭圆边界内利用遗传机制进行人脸再生,从而抽取得到有效人脸区域。以三类不同数据库为基础,收集了100张有代表性的多人脸图像,实验结果表明所提方法对这些图像的多人脸抽取的结果准确率达到98.4%以上,且该方法对中密度人群的人脸内容抽取有显著效果,并为人脸识别算法的准确性和可用性提供了基础。