实时视频图像中的人脸检测与跟踪

视频图像目标检测与跟踪是远程协作系统中感兴趣的研究课题之一。文中提出了一种协同系统中视频序列图像人脸检测及实时跟踪的方法。该方法根据用户选定的目标(如人脸)的颜色分布特点,用多幅训练样本图像建立人脸肤色模型,然后根据该模型和人脸特征对待检测的彩色图像进行分割与匹配,从而确定候选区域是否人脸。在视频图像跟踪中用此方法可实现人脸的实时检测跟踪,为了提高跟踪速度,提出了改进的基于运动预测的快速跟踪法。该方法充分利用运动连续性规律,能较好地处理多干扰目标同时出现的情形。实验表明所提出的方法执行效率高,检测跟踪正确率高．对有旋转的非正面人脸图像也有较好的适应性。     

信息视频图像人脸检测算法研究

本文首先采用运动信息检测算法,根据帧图像中是否包含运动信息判断图像中是否包含人脸区域,决定是否对该帧进行肤色分割,然后依据非线性的YCbCr肤色模型对需要检测的帧进行分割,进一步确定人脸区域的大致位置,并进行了仿真实验,实验结果表明该算法能够对视频图像序列中的人脸进行检测,具有良好的性能和一定的研究参考价值。     

视频图像的人脸检测方法

根据视频序列图像的运动连续性特点,初步对人脸所在区域进行定位,针对人脸检测系统实时性的需要,改进了Adaboost学习算法。提出一种新的视频环境下人脸检测方法。实验证明该方法能够精确定位人脸,有较强的实用性。     

视频中基于肤色模型的人脸检测

采用图像差分法先检测出运动区域,消除了背景对人脸检测的影响,缩小了搜索的范围。利用肤色在YCrCb空间的聚类特性来检测人脸,同时为了去除亮度对肤色的影响,增强检测的可靠性,采用了亮度补偿。最后选取眼部特征作为条件确定人脸区域。实验表明,算法能准确地检测出人脸,并具有一定的实时性。     

人脸检测中的肤色提取模型研究

肤色是人脸区别于其他景物的一个重要特征,基于肤色的人脸检测第一个要解决的问题就是选择合适的肤色提取模型,模型选择的好坏直接影响肤色提取效果,从而影响人脸检测的准确性。该文就近期人脸检测中常用的肤色提取模型进行了简单地分析与比较表明,色度空间中的亮度分量是造成各种模型肤色提取效果不同的主要原因,并针对Anil K．Jain的Cb、Cr椭圆聚类法肤色分割的缺点进行了改进,首先对亮度信息设置阈值,进行分段判断,这样克服了在高亮度区域和亮度较低的区域中存在的不足。实验证明,该文的方法较之其他方法效果要好,在人的眼睛、嘴巴等部分有更好更细致的检测效果。     

基于视频的运动人脸检测与跟踪算法研究

提出了一种自适应调整帧间时间差的方法来检测运动目标,并结合采用YCbCr空间及非线性分段色彩变换的肤色检测模型,对视频图像中的运动目标检测候选肤色区域,采用人脸的特征检测方法检测候选人脸区域.最后,根据在前后几帧中采用融合运动目标与肤色模型的人脸检测算法启动跟踪,获得初始运动信息,后继帧中提出一种新的运动区域预测与肤色边缘拟合椭圆匹配的算法,试验表明该算法实时、有效.     

实时视频中的快速人脸检测方法

提出一种实时视频中的快速人脸检测方法。采用DirectShow获取和回放视频帧,进行前处理。对所得彩色图像进行肤色分割,通过肤色的统计特性得到人脸候选区域,将该区域设置为感兴趣区域。运用基于局部扫描的AdaBoost算法对每个感兴趣区域进行检测。实验结果证明了该方法的有效性。     

基于肤色和区域形态的视频图像人脸检测

本文针对复杂背景下的视频图像系列,提出了基于肤色和区域形态相结合的人脸检测算法。其算法首先采用高斯模型来模拟肤色分布并构造出肤色概率图进行人脸的初定位,再利用区域生长对其进行分割初步达到潜在脸区和非脸区分离,最后对潜在脸区采用形状分析的准则进行排除。实验证明,此算法对一些外部影响如姿势变化、人脸旋转和脸部表情具有一定的鲁棒性。     

基于肤色与肤色矩实时视频人脸检测与跟踪

提出了一种新颖、鲁棒、实时人脸检测与跟踪算法.该方法采用背景差分法提取运动区域,对运动区域利用肤色归一化RGB和HSV色彩模型的聚类性,得到人脸候选区域.利用人脸几何信息和孔洞信息对人脸候选区域进行验证.基于肤色矩特性,对人脸区域进行跟踪与预测.通过对不同背景条件下的人脸检测与跟踪,实验结果表明,所提算法不仅检测率高,且对光照,人脸姿态的变化具有较强的鲁棒性.基于480×360图像处理速度平均为25帧/秒,可满足系统实时性要求.     

视频图像中的快速人脸定位方法

本文给出了一种用于视频图像中的快速人脸定位方法。该方法首先利用变化检测法检测出运动目标区域，剔除静止背景的干扰，得到运动目标子图像。然后基于肤色聚类模型对运动目标子图像进行肤色分割，结合椭圆模板检测出人脸区域，投影法定位人脸边界。实验表明，该方法快速准确，能满足实时系统的需要。     

视频监控中的一种快速人脸定位方法

根据视频监控应用的特点,结合视频图像的时域连续特性和人脸肤色特征,提出了一种应用十视频监控的快速人脸定位方法。该方法首先通过对称差分算法,提取运动区域;然后基于BP(back-error-propagation,误差反传)神经网络的肤色分割算法,对运动区域进行肤色检测,最后,经过进一步的候选人脸区域验证,定位图像中的人脸。实验结果表明,提出的方法实现简单、检测速度怏、误检率低,适合实时视频监控系统应用。     

彩色图像中人脸检测的研究

提出了一种基于色彩信息的由粗到细的人脸检测方法。首先应用肤色模型快速得到人脸候选区域;然后采用基于自适应的阈值选择策略对图像进行肤色分割,弥补了以往固定阈值的漏检和误检的缺陷;接着使用了一种基于先验知识的混合人脸验证方法,从而有效地检测出人脸。实验证明该方法可以有效地应用于多人脸、不同尺度和复杂背景的情况,具有良好的检测效果。     

彩色图像的层次式人脸检测算法

提出了在复杂背景、不同光照条件下层次式的彩色图像的人脸检测算法。首先,利用颜色补偿技术在YCbCr颜色空间对彩色图像进行肤色分割,选出类似皮肤的区域。然后,通过人脸椭圆形状来检测人脸候选区域。最后,构造眼睛和嘴巴的映射来成功检测出人脸。     

一种基于AdaBoost的快速动态人脸检测算法

提出了一种结合人脸检测和跟踪的快速动态人脸检测算法。在层次型AdaBoost检测算法的基础上，结合提出的一种基于线性预测的人脸跟踪算法来缩小搜索空间，使得检测速度提高到24ms／帧。还设计了一种结合层次型AdaBoost算法、负样本反馈方式和利用权值缩减训练时间的检测器训练方法，可以方便地应用于物体检测技术上。     

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。     

面向高清视频监控系统的实时运动检测算法

针对高清视频监控系统中精确运动检测的高实时性需求,提出一种基于计算统一设备架构(CUDA)的运动检测算法。采用一种改进帧差与背景差分相结合的方法,减少背景更新干扰,提升运动检测的精确性。在CUDA内进行视频运动检测计算,避免传统图形处理器硬解码后视频数据在显示内存与CPU之间传输的问题。运用块内多线程合并访问共享内存的方式,减少52.9%全局内存访问量,解决CUDA大规模访问全局内存延迟较大的问题。实验结果表明,该算法在保证准确性的同时,针对高清视频每秒可传输52.6帧,能够满足实时性要求。     

彩色图像中多姿态的人脸快速检测及定位

针对复杂背景下的彩色图像,提出了一种基于肤色模型、数学形态学处理、似眼物检测以及眼睛与嘴巴构成三角形特征的人脸检测算法。该方法首先根据肤色模型检测出肤色区域;快速提取肤色区域的边界并分割成一系列肤色块;用数学形态学的膨胀和腐蚀方法分别对各个肤色块进行处理,消除边界毛刺和回旋,填补空洞,同时也避免了不同肤色块的连通;用简单的圆形模板检测出似眼物,然后根据眼睛与嘴巴构成三角形的特征判断是否为人脸。     

基于教室监控视频的学生位置检测和人脸图像捕获算法

实现一个基于课堂监控视频的学生位置检测和学生人脸图像获取系统。本系统由一个定焦全景摄像机和一个PTZ(平移(Pan)、倾斜(Tilt)、变焦(Zoom))摄像机组成。首先利用全景摄像机获得教室全景图像,针对实际课堂环境中的光线突变,提出基于帧间差的异常光线排除算法,实现异常光线监测和动态空教室图像检测与存储;使用HR网络结构对全景图像进行人脸检测,得到人脸检测框集合;针对非约束环境中学生因姿势变化和人脸遮挡、全景图像分辨率低等因素引起人脸信息缺失而导致人脸检测漏检问题,提出基于人体头肩特征的加权运动目标检测算法,得到目标检测框,提高人脸信息缺失的学生位置检测率;针对多种检测框的大量冗余,提出多种检测框加权融合算法,有效减少检测框的重复,得到学生人物检测框集合。然后,将学生人物检测框包含的位置信息传递至PTZ摄像机控制子系统,使PTZ逐个聚焦目标学生,捕获到清晰的学生人脸图像,为后续的人脸识别提供高质量的图像。