基于肤色和Adaboost算法的人脸检测研究

人脸检测是计算机视觉和人工智能领域中的一项富有挑战性的工作,在虚拟现实、人机交互等很多领域都有广泛的应用。研究了基于Adaboost的人脸检测,并提出了肤色与Adaboost算法相结合的人脸检测方法。对输人的彩色图像进行从RGB空间到YCrCb空间的转换,再结合形态学等方法进行区域肤色分割,排除背景干扰,然后用Adaboost算法对可能区域进行检测,得到人脸位置。实验表明,该方法有较高的准确性和鲁棒性,可以得到满意的检测效果。     

融合双肤色模型及AdaBoost算法的人脸检测

为提高人脸检测的精度,提出一种融合双肤色模型与Adaboost算法的人脸检测方法。首先采用YCbCr颜色空间的固定阈值模型初次分割图像,利用分割结果修正高斯肤色模型的参数并对图像进行肤色二次分割,对两次分割的结果进行逻辑运算,粗定位人脸区域。结合Adaboost算法,实现对候选人脸区域的精确定位。实验结果表明,该方法提高了人脸检测率,降低了误检率,具有较好的鲁棒性。     

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。     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间,然后利用肤色在CbCr上的聚类性对图像进行预处理,最后,使用Adaboost算法对候选人脸集进行细化,最终得到人脸集合。实验证明该方法的有效性。     

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间，然后利用肤色在CbCr上的聚类性对图像进行预处理，最后，使用Adaboost算法对候选人脸集进行细化，最终得到人脸集合。实验证明该方法的有效性。     

一种不良图片快速过滤方法

本文提出了一种不良图片快速过滤的方法,该方法通过建立不同颜色空间上的混合肤色模型,用Adaboost算法进行人脸的准确定位,分析典型的肤色区域的几何特征等技术,能实现对包含不良信息图片的快速而准确的检测.实验结果显示,该方法对不良图片的检测平均可以达到80%以上的准确率,对于能够检测出人脸区域的图片,准确率可以达到98%.     

基于Adaboost与肤色分割融合的驾驶员图像脸部检测

采用改进的基于Adaboost的人脸检测算法检测出可能存在的初始人脸区域,适当扩大初始人脸区域的面积,在此基础上,利用基于RGB颜色空间的肤色分割算法进行人脸区域的二次定位,根据定义的脸部区域重合度和人脸几何特征实现对脸部区域的精确融合检测。实验结果证实了该算法的鲁棒性和实时性。     

复杂背景下基于肤色分割的人脸检测算法研究

针对复杂背景下的多姿态彩色人脸图像,提出了一种基于Adaboost级联分类器和模板匹配相结合的人脸检测算法.利用肤色信息对对图像中的皮肤区域和非皮肤区域进行分割,运用改进后的Adaboost方法定位可能的人脸区域.最后通过模板匹配的方法对检测到的人脸区域进行进一步验证,实现了彩色图像中更精确的人脸定位.在实验中从不同大小、背景、光照、表情和光源方向等方面对多姿态的人脸图像进行了检测,取得了很好的效果,表明了该算法的有效性和实用性.     

多特征融合的人脸检测①

提出了一种基于多特征融合的人脸检测新方法。该方法首先用肤色分析算法对图像进行肤色分割,得到人脸区域的初步结果;然后根据灰度特征图像用基于GA的方法找到多个模板的人脸区域;最后用基于Adaboost多模板融合算法形成最终检测结果。通过实验表明,该方法与传统方法相比,识别率得到明显提高。     

基于肤色特征的人脸检测算法

人脸检测是计算机视觉和模式识别研究领域的热点之一.本文提出了一种基于肤色特征的人脸检测算法。对输入的RGB图像进行三基色调整后转换为YCrCb色彩空间图像。将YCrCb图像分割成肤色区域和非肤色区域；然后再对检测到的肤色区域进行形态学运算；最后对肤色区域运用知识和几何特征进行处理，得到完整的人脸区域。实验表明，本算法是有效的．而且速度快和检测率高。