基于高斯肤色模型和图像分割的人脸检测

提出了一种基于HSV、YCgCr颜色空间和图像区域分割的人脸检测方法.首先,将规范化的rgb肤色转化到HSV、YCgCr颜色空间,对向量(H,Cg,Cr)T进行统计,得到肤色的三维高斯概率模型.然后,根据该模型计算待检图像的肤色相似概率,采用最大类间方差的方法计算二值化阈值,根据阈值将相似度图像二值化.为了抵消人脸区域亮度变化和阴影的影响,以二值图像为模板,在原待检图像的饱和图中根据3像素×3像素区域的平均R、G值进行图像区域分割.在分割得到的区域中,根据人脸特征检测出图像中的人脸.实验表明,提出的方法能在复杂背景的情况下检测出人脸图像.     

基于运动检测和小波分析的视频图像人脸检测

人脸检测是所有人脸处理系统的基础,而视频中人脸检测问题更具有其特殊的意义。结合运动检测和小波分析技术,提出了一种快速的、具有良好鲁棒性的人脸检测方法。首先基于运动检测得到包含人脸对象的运动区域——人脸图像;然后应用小波分析良好的时频局部化特性和多分辨率特性对运动检测定位的人脸图像进行降维处理,同时得到体现人脸特征的小波系数候选本征脸;最后结合人脸的面部特征及形状分析进一步对结果进行验证。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于曲率和积分投影的人脸特征检测

针对以往基于图像的人脸特征检测对光照敏感的缺陷,提出了一种基于3D数据的人脸特征检测算法.首先对人脸3D数据计算其主曲率,设定阈值进行人脸特征的初步分割得到二值化的分割图,然后在二值化图上进行水平和垂直积分投影进一步确定人脸特征的位置,最后利用人脸特征的先验拓扑知识对检测到的人脸特征进行验证.实验结果表明,该算法能够有效地提取人脸特征点,具有一定的鲁棒性.     

基于视觉显著特征的人脸图像分割与跟踪方法的研究

将人脑视觉注意机制应用于人脸图像分割与跟踪中,提出了一种基于视觉显著特征的人脸目标分割与跟踪算法.该方法由三步完成：首先通过模拟人脑视觉注意机制迅速而准确地利用颜色、结构、梯度和位置等信息建立人脸显著特征图.其次,基于建立的视觉显著特征图,对人脸图像视觉显著特征进行学习和聚类,最终能够快速而准确地确认和分割出图像中的人脸区域.该方法突破了传统的逐点搜索的限制,通过一个几何模型和眼图模型对图像中的人脸区域进行搜索,大大提高了人脸候选区域搜索标记的效率,减少了后续处理工作.最后,通过分割出的人脸区域得到一个有效的边界特征图,并融合人脸显著特征图对人脸进行跟踪.实验结果表明本论文所提出的基于视觉显著特征的人脸图像分割与跟踪方法能够较有效地分割出人脸.     

图像灰度熵特征与SVM分类结合的人脸检测

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸检测方法．在信息论的编码熵的基础上提出了灰度熵的概念，并把人脸图像的行像素灰度熵和列像素灰度熵作为人脸图像的部分特征．在人脸检测系统中，把人脸图像的灰度值和行像素灰度熵和列像素灰度熵作为特征用支持向量机进行训练，得到检测用分类模型，然后把分类模型应用于人脸检测．实验证明了这种方法的有效性。     

基于差值图像及子波变换的人脸检测方法

图像中人脸的检测有广泛的应用范围,提出了一种基于差值图像及子波变换的人脸检测方法．首先根据运动信息从图像序列中检测出候选人脸,然后使用子波变换方法分析候选人脸的直方图,确定出４ 个阈值,再根据此４ 个阈值对候选人脸进行多重阈值二值化,并根据有关人脸的先验知识,在多个二值化图像中定位眼、嘴、鼻．实验结果表明,提出的人脸检测方法能较好地检测出图像中的人脸．此方法在人机交互、安全防范等方面具有一定的实用价值     

基于遗传算法的人脸跟踪研究

提出了一种快速的、鲁棒的人脸定位及跟踪研究方法，定义了一种新的运动能量表示方法，利用该方法可以很快地检测出图像中的运动区域。在检测到的运动区域内，利用人的头部及面部结构知识确定出人脸区域，再将检测到的人脸区域作为模板，利用遗传算法在新的图像序列中动态地进行模板匹配，以确定人脸在新的图像序列中的位置。实验结果表明，该方法不但检测速度快，而且对光照、人脸姿态、表情及其他噪声具有较强的鲁棒性。     

彩色序列图像人脸检测系统

介绍了一个完备、新颖的彩色序列图像人脸检测系统。该系统利用颜色信息和运动信息发现人脸可能出现的区域，然后利用人脸的几何特征进行验证，并对正确检测到的人脸提取其面部特征进行精确定位。实验结果表明，该系统具有较强的抗光照强弱变化、人脸侧转、旋转等干扰因素的能力，并能根据输入图像的质量选择输出结果的定位精度，在提高定位精度的同时确保了系统的可信度。     

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。     

用于人脸识别的人脸图像标准化算法

人脸图像的标准化，作为人脸图像预处理过程，是计算机人脸识别中很重要的一个环节。论文给出了一种改进的人脸图像标准化算法。该算法首先利用人脸图像的垂直灰度投影曲线确定脸的左右边界；接着根据人脸图像的水平灰度投影曲线来确定眼、嘴的位置；然后依据确定的眼、嘴以及脸的左右边界这些参数对图像进行剪裁和缩放；最后获得人脸的标准图像。采用ORL人脸数据库进行仿真实验，结果表明，该算法基本消除了背景、头发、服装等干扰，保留了人脸识别所需的主要信息，更利于后续的特征提取与识别，解决了常规方法不适合侧面人脸图像或者闭上双眼的人脸图像的问题，是一种有效的方法。     

增强LGBP融合广义平均神经网络的鲁棒人脸识别研究

针对人脸识别中由于人脸表情、姿态、尺度等变化而影响识别效果的问题,提出一种融合增强局部Gabor二值模式和广义平均神经网络方法。首先,对归一化的人脸图像进行多方向、多尺度Gabor小波滤波,将生成的Gabor幅值模式分成多个子区域;然后,利用增强局部二值模式对每个子区域进行操作形成特征向量;最后,利用广义神经网络进行识别。在ORL、FERET及LFW上的实验利用错误接受率、错误拒绝率等错误率和时间复杂度评估方法的有效性。实验结果表明,相比其它几种较新的方法,取得了更好的识别效果。     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

基于深度学习的二值图像目标轮廓识别算法

针对传统目标轮廓识别算法对图像目标轮廓识别精度较低、 效果较差的问题, 提出一种基于深度学习的二值图像目标轮廓识别算法. 首先, 选取深度学习算法中的深度卷积网络算法识别二值图像目标轮廓, 将二值图像划分为不重叠的、 大小相同的子块图像输入深度卷积网络第一层; 其次, 卷积网络中的滤波器（卷积核）采用传统神经网络算法优化的代价函数对输入子块图像实施卷积滤波, 并将卷积滤波后下采样图像发送至第二层, 第二层经过相同处理后将结果输入第三层, 第三层输出图像即为该子块目标轮廓识别结果; 最后, 所有子块识别结束后在输出层通过全连接方法将其聚类, 并输出最终二值图像目标轮廓识别结果. 实验结果表明, 该算法识别15幅二值图像目标轮廓的识别精度平均为98.75%, 信噪比平均为2.42, 识别效果较优.     

标准正面人脸图象的特征提取

人脸的识别技术（ＦＲＴ）是当前模式识别领域的一个热点课题,人脸特征的自动提取是人脸自动识别过程中至关重要的一步,文中采用基于人脸几何特征的方法,设计一个初步的自动人脸特征提取系统,首先通过改进后的边缘检测和阈值技术在头肩型图象中找到头部轮廓,再利用“三停五眼”的标准进一步确定五官大概的位置,最后提取出７个有效的特征点,本系统建了一个包含５０个人脸图象的数据库,实验结果表明这种方法可以有效地获取头部轮廓一人脸特征点。     

基于肤色模型与人脸结构特征的人脸检测

人脸检测是自动人脸识别中的关键环节.提出了基于人脸肤色模型和人脸结构特征的人脸检测.首先利用人脸图片样本,提取肤色像素,建立肤色CbCr高斯模型.根据高斯肤色模型求得人脸似然图,并采用最佳阈值对之进行二值化.之后再采取形态学处理,除去部分非人脸区域,分割出待定人脸区域.最后根据人脸的结构特征进行再次筛选,得到人脸区域.此方法运用在一般的人物照片中都能达到比较理想的效果.     

基于真实感三维头重建的人脸替换

传统的人脸替换技术需要输入的源图像中的人脸与待替换的目标图像中的人脸姿态相似,这限制了人脸替换技术的应用。该文提出一种基于特定三维头模型重建的人脸替换技术。首先,利用替换者的2张正交图像(1张正面图像和1张侧面图像)进行三维头重建。整个三维头重建过程分为人脸图像配准、特征点匹配、标准三维头形变和纹理贴图4个部分。形变部分利用了径向基函数对标准三维头进行形变以获得最终的特定三维头模型。通过建立替换者的真实感三维头模型,渲染出与任意目标图像姿态相一致的人脸图像。为了让渲染后的人脸图像与目标图像进行无缝纹理融合,还进行了色彩传递和基于多分辨率技术的边界融合。用此方法可将故事书中的任意角色替换成用户,以此提供个性化的图书。     

分块PCA和奇异值分解相结合的人脸识别算法

针对分块PCA算法对位移、旋转等几何变化比较敏感的缺点,提出一种基于分块PCA和奇异值分解相结合的人脸识别算法。该算法分别提取分块子图像的PCA特征和奇异值特征,在此基础上得到同时包含分块PCA和奇异值信息的距离测度,利用最小距离分类器进行分类识别。在ORL人脸库上的实验结果表明,该方法能够得到较高的识别率。     

一种基于小波分量变换的人脸图像光照归一化算法

基于小波变换原理,提出一种基于小波分量变换的人脸图像光照归一化算法.人脸图像经过二维离散小波变换(DWT),被分解成4个子分量(LL,HL,LH,HH).将低频分量(LL)进行对数变换和分段线性变换,对高频分量(LH,HL,HH)进行Gamma变换.对所有子分量进行小波逆变换,对经小波重构后的人脸图像进行中值滤波.分别在Yale B和CMU-PIE人脸数据库中对本文算法进行光照归一化有效性试验;对比本文算法与其他22种光照归一化算法的处理时间及处理效果;进行分段线性变换和伽马变换参数比较试验及人脸识别试验.结果表明:本文算法执行速度快,处理效果好,人脸识别率高,适用于不同光照条件的人脸识别系统.     

人工神经网络在人脸部识别中的应用研究

在对二值图像分析处理的基础上，介绍了人工神经网络（ANN）方法在数字图像识别中的应用，并通过在身份验证中的人面部特征提取与识别的实例对现有网络进行了研究，提出了改进思想，以期达到降低运算量、提高识别率的目的。