基于离散隐马尔可夫模型和奇异值特征的人脸检测

该文提基于离散隐马尔可夫模型（HMM）和奇异值特征的人脸检测方法。这一算法包含2部分工作,首先提出了基于离散隐马尔可夫模型和奇异值特征的正向端正人脸检测方法,然后将该算法扩展到检测任意旋转角度的人脸。扩展算法首先计算当前位置子图像窗口的奇异值特征,将该特征向量经过识别各个旋转角度人脸的HMM模型,得到该子图像窗口的旋转角度,再经过旋正,重新送到识别正面端正人脸的HMM模型,由此确定该子图像窗口是否为人脸,对一个由43幅集体照片组成的正面人脸图像集进行测试,共检测到484人中的425人,检测率为87。8％;而多角度旋转人脸图像检测率为75．1％,实验结果表明,该方法具有良好的检测性能。     

面向中医望诊的人脸图像配准

对可疑病人脸色与病例库中标准病例脸色之间的配准进行了研究.从人脸检测、特征提取到人脸配准,提出一套解决方案和实现算法.将基于肤色模型和动态外观模型的人脸多特征点精确定位方法相结合,应用于面向中医望诊的人脸图像特征定位中,利用所得特征点对人脸划分区域,在各区域内提取颜色特征,实现了基于颜色的图像配准.     

基于分级式特征提取的多视角人脸检测算法

提出了一种基于分级式特征提取的多视角人脸检测算法.首先,将训练所用人脸样本按照视角进行分组;其次,分别对每组样本进行特征提取,针对单一特征的局限性,提出了梯度方向直方图(HOG)和局部二值模式(LBP)的融合特征,为了快速构建特征金字塔,提出了一种分级式特征提取的方法;再次,使用基于隐含变量的支持向量机(LSVM)训练模型参数,获得多个模型;最后,将这些模型组合起来构成混合模型.在FDDB和AFW人脸数据库上进行了实验,结果表明:本算法可实现复杂背景下的多视角人脸检测,且比现有算法效果更好.     

基于灰度突变特征结构的快速人脸检测

基于面向人脸的分析，按照将复杂背景中的人脸检测转化为对五官检测的思想，建立了以五官结构为检测特征的人脸检测模型。在进行了灰度突变点、灰度突变块，组件特征块等一系列特征标识的基础上，设计了以双眼结构为主索引特征的多步快速快速检测算法，实验结果显示，该算法具有良好的检测性能。     

基于肤色和轮廓信息的人脸检测

针对彩色图像提出了一种基于肤色模型、脸部轮廓信息以及眼睛特征的人脸检测算法.采用基于YCbCr色彩空间的肤色分割模型,初步筛选人脸的候选区域;然后进行边缘检测,获得人脸轮廓信息,并利用三点定圆法来拟合脸部的圆形;最后在圆形区域的水平方向根据眼睛的几何特征来检测"眼睛对",再根据"三停五眼"来定位人脸,并利用左右对称性验证人脸.实验表明,该算法对于彩色图像的正面人脸检测具有良好的效果.     

基于肤色模型与Adaboost算法的多视角人脸检测

提出了一种基于椭圆肤色模型与可控风险敏感型Adaboost(CCS-Adaboost)算法的多视角人脸检测方法.在人脸检测的离线训练部分,该方法使用Haar-like特征和CCS-Adaboost算法训练样本.CCS-Adaboost在最小化分类错误率的同时能够最小化样本的误分类风险,从而它能够提高分类准确性.在实时检测部分,首先通过使用YCbCr颜色空间的椭圆模型快速检测出可能的人脸区域,然后通过基于CCS-Adaboost的多视角人脸检测器检测人脸.多视角人脸检测器中级联分类器的前四层构成姿态预估部分,如果样本未通过级联检测器的前四层,那么该样本被确定为一个非人脸样本.实验证明该检测器可以有效和准确地检测多视角人脸.     

基于小波变换的人脸特征定位

提出一种基于离散小波变换 (DWT)的人脸检测与特征定位算法 ,算法针对人脸的不同特征 ,选择小波变换相应最有效的频段和分量 .运用椭圆检测算法、模板匹配算法、Hough变换等方法 ,并结合人脸各特征间的几何特征关系 ,采用由粗到细的方法分步地检测人脸范围 ,分割定位人脸的眼睛、虹膜、嘴、鼻尖等特征 .该算法对人脸姿态、表情变化和遮盖物具有一定的鲁棒性 ,同时具有计算量小、效率高的特点 .     

视频流下的人脸检测与跟踪

研究了基于AdaBoost算法的人脸检测、级联分类器,讨论了Haar-Like特征及其积分图的计算方法,以及微结构特征的详细定义和表示方式,并给出4种不同矩形特征的计算方法.以色彩直方图为跟踪特征,将基于AdaBoost的人脸检测算法与CamShift跟踪算法进行了有效的结合,并给出视频下的人脸检测与跟踪实验结果.实验结果表明,在尺度变化、角度变化以及有遮挡的情况下都得到了很好的检测、跟踪效果.     

基于小波变换的人脸特征定位

提出一种基于离散小波变换(DWT)的人脸检测与特征定位算法，算法针对人脸的不同特征，选择小波变换相应最有效的频段和分量．运用椭圆检测算法、模板匹配算法、Hough变换等方法，并结合人脸各特征间的几何特征关系，采用由粗到细的方法分步地检测人脸范围，分割定位人脸的眼睛、虹膜、嘴、鼻尖等特征．该算法对人脸姿态、表情变化和遮盖物具有一定的鲁棒性，同时具有计算量小、效率高的特点．     

一种自动3D面部区域分割方法

提出一种用于美容整形的三维人脸模型自动分区方法。通过不同分辨率模型、主成分分析数据、鼻尖特征和相交曲线形状等进行组合分析,生成标准的正面朝向的三维人脸模型,然后,自动渲染生成二维图像并用可靠的二维人脸特征检测方法生成二维标志点,逆向生成三维人脸标志点。最后,基于对应的三维标志点,将标准制作的解剖学分区模板与输入模型进行自动拟合,自动生成17个区域,用于不同类型的美容整形手术。在实际三维人脸模型分割实验中拟合基元的分层聚类算法、基于"形状直径函数"(SDF)的算法以及SNAKE方法等对比方法。研究结果表明:本文方法所得实际分割效果比对比算法好,在相同实验环境下,本文方法比这3种对比方法分别快10,70和50 s。     

一种基于人脸检测的人眼特征定位方法

人脸图像分析中,眼睛的精确定位是非常重要的一个环节。文章提出了一种基于人脸检测的人眼特征定位方法。首先采用AdaBoost人脸检测算法对人脸图像进行人脸检测,确定人脸位置。然后根据人脸面部结构特征估计人眼所在区域,利用该区域内的灰度和梯度特征搜索人眼特征点。实验表明该方法能够快速有效地定位出人眼特征。     

基于随机Fourier有监督特征变换降维算法的人脸检测方法

针对传统人脸检测方法采用空间向量对复杂环境下的高维度人脸特征进行辨识时, 存在检测效率低、 检测精度差的问题, 提出一种基于随机Fourier有监督特征变换降维算法的人脸检测方法. 首先, 通过随机Fourier映射随机形成大规模多维候选集合, 采用特征选择算法获取特征集内的最佳子集; 其次, 基于l_2,1范数的极限学习机, 产生高斯核拟合效果的随机映射, 利用l_2,1正规则化过滤掉人脸随机特征中的无价值及冗余特征, 并对该过程进行优化, 提高人脸特征降维的精度; 最后, 采用基于降维特征与Adaboost算法的人脸检测方法获取的降维特征, 通过Boosted级联算法获取级联分类器, 实现人脸特征的准确检测. 实验结果表明, 该方法的漏检率和误检率均为8%, 平均检测时间为118 ms, 运行效率和检测精度均较高.     

基于颜色分割和HOG学习机制的人脸检测

人脸检测在信息安全和处理等应用领域起到很重要的作用.提出了一种鲁棒的人脸检测算法.该算法结合了基于颜色分割的粗定位过程和基于Histogram of Oriented Gradient(HOG)特征的人脸精确定位过程.粗定位利用人脸的颜色特征,采用基于YCbCr空间的颜色分割方法,获得图像中有可能包含人脸的图像子区域;精确定位则采用HOG特征,并利用SVM进行分类,得到人脸的准确位置.实验证明我们的方法对不同亮度、各种年龄及性别、表情变化及部分遮挡的人脸都具有很强的鲁棒性.     

基于单幅图像的人脸三维建模研究

由于人脸三维模型在三维动画、计算机游戏、视频会议、医学手术以及生物教学等许多领域都有着广泛的应用价值,使得越来越多的研究人员开始思考获取人脸三维模型的有效途径。文中先采用AdaBoost算法进行人脸检测,判断输入图像中是否含有人脸;接着,采用ASM模型对合有人脸的图像进行特征点提取;最后依据从图像中提取的特征点等信息对初始模型进行调整,实现了一种基于单幅图像的建模方法。     

一种基于分层模板的人脸检测方法

针对校园监控视频环境下的人脸检测中人流量大、侧面视频多、低清晰度等问题,提出了一种基于分层结构的脸部形态模板方法,该方法通过综合肤色标定方法、阴影检测算法和脸部分层次的形态特征检测算法,得出了人脸结构信息的4个控制参数.通过在Caltech人脸数据库、ORL人脸数据库和本实验室仿真人脸库的实验结果表明,本文所提出的基于分层结构的脸部形态模板方法能准确高效地检测出人脸,适合应用到校园视频系统中.     

一种基于MPEG-4的三维人脸表情动画算法

面向模型基人脸视频编解码领域,提出了一种基于MPEG-4的三维人脸表情动画算法.首先对编码端发送视频的首帧图像,利用Adaboost+Camshift+AAM(active appearance model算法检测人脸和定位特征点,接着特定化一个简洁人脸通用网格模型得到FDP(facial definition parameter);对于得到的FDP,解码端先用其特定化一个精细人脸通用网格模型,然后基于肌肉模型和参数模型相结合的方式来生成人脸表情动画,同时对人脸功能区进行划分.实验表明,该算法在FAP(facial animation parameter)流的驱动下可以生成真实感较强的三维人脸表情动画.     

基于肤色和结构特征的人脸检测

本文提出了一种基于肤色模型和人脸面部结构特征的人脸检测算法,该算法首先建立肤色模型来对原始图像进行肤色区域分割,再根据人脸的面部结构特征对分割区域进行过滤。实验结果表明给算法检测速度快,能够到达实时检测的目的。     

视频序列中运动人脸的检测与特征定位

针对视频序列中运动人脸的检测与特征定位问题,给出了一种算法,即通过计算并比较人脸区域而不是整幅视频帧的峰值信噪比（PSNR）,先从视频序列中找到人脸区域清晰度高且尽可能大的视频帧,然后再进行人脸的准确检测与特征定位。首先利用Adaboost方法检测出人脸的大致范围,再根据肤色模型确定人脸的具体位置并从图像中提取出人脸部分,然后利用基于帧间差的人脸区域的PSNR判断图像清晰度,从而定位出人脸区域清晰度高且尽可能大的视频帧,最后进行人脸检测和特征定位。对实际视频序列的计算表明,给出的算法在时间效率上较高,人脸的检测与特征定位效果较好。     

基于级联Adaboost和神经网络PCA算法的人脸检测系统研究

针对人脸检测过程中难以区分人脸与非人脸等问题,提出了一种基于级联Adaboost和神经网络PCA算法的人脸检测新方法以提高人脸检测的正确率。该方法采用两级检测器对人脸进行区分检测,首先将计算速度较快的Adaboost算法作为第一级检测器对人脸图像快速扫描,对所有判断为人脸的窗口进行合并,然后将合并的窗口提取特征并送入作为第二级检测器的PCA进行验证,排除那些不可能是人脸模式的窗口,最后经过PCA检测结果判别输出验证后的人脸窗口参数(包括窗口的大小和位置信息)。不同算法检测结果显示,基于本方法的人脸检测正确率达到了92.6%,检测率为94.1%;基于Adaboost检测正确率为62.5%,此时的检测率为88%;基于SVM检测正确率为54%,此时的检测率为89%;基于FSS检测正确率为66%,此时的检测率为92%。实验结果表明,本方法能够很好的区分人脸模式和非人脸模式。因此,在这种意义上来说,级联的Adaboost和PCA算法组成的两级检测器可以明显提高人脸检测系统的性能。     

基于肤色模型的复杂背景图像人脸检测

本文针对复杂背景下彩色人脸图像提出了一种基于肤色模型和人脸几何与统计特征的检测方法.先利用椭圆肤色模型分割出肤色区域,再利用形态学操作以及人脸的统计几何特征验证人脸.实验表明,该方法检测正确率高,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.