基于肤色分割的复杂背景图像的人脸检测

提出了一种基于肤色分割和KL变换相结合的检测人脸的方法。首先利用肤色模型将彩色图像分割成肤色区域和非肤色区域，然后对肤色区域进行预处理，剔除一些不包含人脸的区域，最后对肤色区域进行KL变换，通过椭圆面积；位则．确认人脸区域。实验结果表明这种方法能较好地在复杂背景中检测出人脸。     

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。     

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%。     

复杂背景基于肤色的人脸检测

本文针对复杂背景的彩色静止图像的人脸检测提出了一种基于肤色检测和分块面部特验证方法,。先在类肤色区域内提取出面部特征,然后用分块验证的方法来确定人脸。本算法可以快速检测不同大小,不同平面及一定侧面旋转角度的人脸,而且可以适应一定程度的表情变化。     

基于肤色分割的人脸检测算法研究

提出一种自适应光照补偿算法对图像进行补偿,根据肤色点在YCbCr色彩空间中的聚类性分别建立了肤色的区域模型和简单高斯模型,利用区域模型分割结果消除高斯似然图中类人脸的影响,采用自适应阈值对图像进行肤色分割,得到肤色候选区域.对分割出来的二值图像进行形态学处理后用基于先验知识的检测算法对肤色候选区域进行筛选,确定出人脸的位置.实验结果表明,提出的方法综合检测效果好.     

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.     

基于肤色分割的人脸检测算法研究

介绍了目前人脸检测领域检测速度最快的Boosted Cascade人脸检测算法。该算法在进行人脸检测时没有考虑到肤色因素,在具体识别过程中,有些可利用肤色信息很快排除的区域,在Boosted Cascade算法中却没有被排除掉。针对该算法的缺陷提出了一种改进算法,即利用Boosted Cascade人脸检测算法,检测出人脸的候选区域,通过人脸肤色模型进行验证,如果候选区域的像素符合人脸的肤色模型的程度到达某一数值,则接受该区域,即认为该区域是人脸;否则排除该区域。改进后的算法能够有效地提高检测的正确率,减小出现检测错误的几率,在不影响识别速度的情况下,提高了检测效率。     

基于YCbCr空间的高斯肤色模型的人脸检测

主要研究人脸检测算法,分析了现有人脸检测算法的特点和不足之处。采用基于YCbCr空间的高斯肤色模型,利用颜色信息把彩色图像分割成皮肤区、头发区和背景区。对皮肤区进行去噪处理,实现脸部区域的具体定位,然后对人脸上的眼睛、嘴巴和鼻子定位。给出了人脸检测的模块设计和算法流程。     

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。     

基于肤色的复杂环境下人脸检测

对由光源颜色变化引起的图像色彩偏差,进行了校正,并在YCbCr颜色空间建立了Cb-Cr色度查找表和亮度信息联合的肤色模型,应用预处理技术,去除部分非人脸区域,减少人脸检测的搜索空间,并采用模板匹配方法在人脸候选区域检测人脸.实验表明,该方法能够有效的从复杂环境的彩色图像中检测出左右旋转不超过45°的人脸,且不受人脸表情、尺度和数目的影响,且错误率较低.     

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。     

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.     

肤色信息在人脸检测中的应用

基于肤色信息的人脸检测方法能快速获得所有可能的候选人脸,把经过光线补偿处理后的彩色图像从RGB转换到YCbCr色彩空间,根据实验获得的最佳阈值进行肤色分割,快速获得所有可能的候选人脸。对候选人脸作形态学处理及人脸区域标定,最终确定人脸区域。实验结果表明,基于肤色的人脸检测方法能快速的区分人脸区域和背景区域,将人脸区域标定在一个白色的矩形框内,具有良好的检测效果。     

复杂光照下的人脸肤色检测方法

复杂光照对人脸肤色检测具有重要影响。在YCbCr颜色空间建立复杂光照条件下的人脸肤色模型,然后利用该模型检测人脸图像的肤色区域,并对检测结果利用4-连通区域的几何特征消除非人脸区域,最后利用连通元复原误检的人脸肤色区域。实验结果表明,该方法可以实现复杂光照下人脸肤色区域的准确检测。     

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。     

基于肤色模型和层次滤波技术的人脸检测

为了能够实现单幅彩色图像中的人脸检测,提出了基于肤色模型和层次滤波技术的人脸检测算法.它通过基于肤色的鲁帮性进行肤色建模,在图像中精确的提取出肤色区域,再经过方向校正后,检验出一系列的人脸特征、像素亮度的变化以及连通区域的空间排列,可以较好地检测出图像中的脸部区域.实验结果表明,该方法可以适用于不同光照条件下的人脸检测,即使在脸部特征没有被很好的检测出的情形下也可以较好完成人脸检测.     

基于肤色模型、神经网络和人脸结构模型的平面旋转人脸检测

人脸检测是智能人机接口的关键技术之一,它在人脸识别、表情识别、人脸合成和人脸编码等领域具有重要的应用价值.该文针对复杂背景下的彩色图像,提出了一种基于肤色模型、人脸平面旋转角度检测和正面人脸结构特征的人脸检测算法.该方法首先建立了一个人脸肤色分布模型;其次采用神经网络计算和瞳孔定位操作,实现了由粗到精的人脸平面旋转角检测;最后提出了一种基于结构的正面人脸检测策略.实验结果表明,所提出的算法能够适应不同的光照环境,可以检测不同大小、不同平面旋转角的人脸.     

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.