结合肤色模型和Adaboost算法的人脸检测

提出了一种结合肤色模型和Adaboost算法的人脸检测方法．Adaboost是一种分类器算法,把弱分类器提升为强分类器,具有很高的检测率,但其误检率也比较高．人脸肤色检测由于受光照等条件的影响,其检测率比较低,但是其误检率也比较低．结合这两种方法进行检测,能够优势互补,改善算法性能．实验证明该算法具有较好的检测效果．     

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。     

Adaboost算法在人脸检测中的应用

针对人脸检测的特点,详细叙述了检测中应用的特征值的计算以及积分图的使用,给出了基于Adaboost算法的弱分类器选取和单个强分类器的训练过程,以及最后的层叠分类器的具体组成形式.基于此算法的人脸检测具有检测率高、速度快、对于光照变化适应性强的特点,能够达到实时检测的要求.     

一种新的Adaboost快速训练算法

提出了一种新的Adaboost快速训练方法,解决了基于Adaboost的人脸检测算法中结构复杂、训练非常耗时的问题．新方法从两方面提高训练速度：直接求解训练中Adaboost目标函数;在直接求解算法基础上,使用了双阈值简单分类器构造强分类器的Adaboost检测器结构。     

基于级联Adaboost和神经网络主元分析算法的人脸检测系统

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和神经网络主元分析(PCA)算法的人脸检测新方法以提高人脸检测的正确率。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%,检测率为88%;基于SVM检测正确率为54%,检测率为89%;基于FSS检测正确率为66%,检测率为92%。实验结果表明,本方法能够很好地区分人脸模式和非人脸模式。因此,级联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DSP的自动人脸识别门禁系统设计与实现

基于DSP构建的自动人脸识别门禁系统具有超高速、高性能、高可靠性的优点,本文用Adaboost统计学习方法进行人脸检测和用非线性SVM分类器进行人脸验证,然后用PCA算法和SVM进行识别,最后根据识别结果,判断用户是否合法,控制门的开关.     

关于Adaboost算法在人脸检测中应用的研究

人脸检测算法研究是计算机视觉、模式辨识、图像处理等领域的一项重要研究方向,具有十分广泛的应用前景.详尽阐述了Adaboost算法的检测原理、特征值分布、积分图的计算,分类器的训练过程及强分类器的构建.对Adaboost算法对有倾斜角度人脸的识别具有检测盲区的缺陷,提出了算法的优化方法,引入两种新特征模版,训练后得到的分类器增强了倾斜人脸的检测率及误识率,达到了优化检测的目的.     

基于Adaboost的行道线检测

行道线检测是主动安全和视觉导航技术中的一个重要研究课题．在总结前人检测算法的基础上，设计了基于Adaboost算法的行道线检测方法．Adaboost算法作为一种新型的机器学习算法，可以在比随机预测略好的弱分类器基础上构建高精度的强分类器．该算法简单可靠、学习效率高，较好地解决了实时检测系统中速度和精度的矛盾．实验结果表明该方法有较好的检测效果．     

基于改进Adaboost人脸检测算法的研究及DSP实现

在Adaboost人脸检测算法的基础上,通过将所有的特征值排序并构建一个次序表,并使用改进Adaboost权值更新算法和分类误差计算方法,训练分类器并检测样本图像,达到了减少训练分类器耗时、提高检测率和降低误检率的效果.最后在DSP上实现了人脸检测系统,验证了改进系统在实时性能上得到较大的改善.     

基于类灰度图的类Haar特征构建及其应用

有效的特征提取是正确模式分类的基础.在Viola-Jones快速目标检测算法的基础上,侧重研究了类Haar特征原型的本质与提取,提出了类灰度图的概念,并以快速人脸检测为例,从类灰度图提取广义类Haar特征,从本质上拓展了类Haar特征的类型.基于类灰度图提取的广义类Haar特征在基于Adaboost的人脸检测系统性能超过Viola-Jones系统;作为弱分类器的滤波器构建是影响基于Adaboost分类算法性能的重要因素.     

基于改进Adaboost算法的人脸检测研究

分析Adaboost弱分类器计算耗时的原因,并提出了本文的改进。根据强分类器错误率上限的计算公式,推导出弱分类器错误率的期望值,并以此作为减少计算量的依据。实验结果表明,本文的改进方法,在保持弱分类器性能不变的条件下,可以有效降低计算量。     

局部匹配的人脸识别方法

从人类认知方式出发,提出了一种基于统计学习的局部匹配人脸识别方法。该方法将人脸图像划分成若干小块,各个子块中包含不同的人脸形状特征,而不同的子块则描述了人脸主要部件之间的相对位置关系,然后根据各个子块鉴别能力的差异,将每个子块看成一弱分类器,利用Adaboost学习算法组成一个强分类器,提高最终的分类效果。实验结果表明该方法可以有效提高人脸的识别准确率并对人脸的表情和光照具有较好的鲁棒性。     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.     

基于局部二元模式算子的人脸性别分类方法

提出了两种基于局部二元模式(Local Binary Pattern,LBP)算子的人脸性别分类方法:级联LBP方法和boosting LBP方法.前一种方法遵循从局部到整体的级联策略,使用LBP算子对由小波分解得到的细节图像进行特征提取,以达到扩充特征提取范围和增强所提取特征的有效性的目的,随后采用自适应加权机制对人脸图像的各个分块赋以不同的权值.后一种方法采用可变尺寸的子窗口对人脸图像进行扫描,在扫描所得的每个子窗口中,使用LBP算子对该子窗口提取LBP直方图.计算样本图像的LBP直方图和模板的LBP直方图之间的度量,并由此构建弱分类器集.利用Adaboost算法选取最有效的若干个弱分类器集组合成为强分类器.进行了三个基于LBP算子的人脸性别分类实验,实验所使用的训练集和测试集皆选自FERET人脸数据库.实验结果证明:LBP算子能有效地从人脸图像中提取出针对人脸性别分类的特征,并可以达到人脸性别分类的目的.所提出的两种基于LBP算子的方法可以有效的解决传统LBP方法所存在的特征提取范围有限、加权机制客观性不足等问题.     

一种改进的Adaboost算法的人脸检测分类器

针对人脸检测中单一分类器检测非常耗时,而且没有考虑到检测后提取标准人脸对后续工作(如识别)等问题,提出了运用Adaboost算法,采用正面人脸和人眼两个特征作为分类器,首先用Cascade算法筛选出输入图像中最有可能是人脸的区域,然后根据以正面人脸和人眼为特征的分类器检测人脸区域,并根据检测出来的人眼距离和角度对人脸进行精确的定位.同时针对实际的图像中人脸常常存在一定倾斜,从而影响后续的人脸的识别率这一问题,采取了根据人眼的位置对倾斜图像进行修正.实验结果表明改进的算法能够在保持一定运算速度的基础上取得准确的人脸,具有较好的实用性.     

基于姿态估计的多视角人脸检测

目前,对于多视角的人脸检测仍然是一个具有挑战性的难题.为了解决这个问题,提出了一种基于姿态估计的人脸检测的方法.在训练人脸分类器时,我们将视角范围划分成几个小区间,为每一个小区间利用Adaboost算法训练相应的分类器;在对图像进行检测时,对于任何给定的一幅图像,我们首先对其进行姿态的估计,并根据估计的结果选择相应的检测器对其进行检测.实验结果表明,提出的方法能很好地检测多视角人脸图像,在检测率和检测速度上都有很好的效果.