基于肤色模型的人脸检测与人眼定位

针对光照变化对人脸检测及人眼定位的影响,提出一种基于肤色模型的人脸检测与人眼定位方法.先对图像进行预处理,减少图像中的噪声;再将RGB颜色空间转化到具有良好肤色聚类特性的YCbCr色彩空间,利用Gauss模型进行肤色建模;最后检测出人脸区域并确定人眼位置.     

彩色图像中人眼的精确定位

提出了一个彩色图像中人眼的精确定位过程.首先利用肤色特征检测出人脸的候选区域,在检测过程中考虑了头发亮度对肤色检测的影响;然后利用改进的二值化方法进行了眼睛的检测;最后利用眼睛的位置特点和人眼模板完成了眼睛的定位.     

基于YCb＇Cr＇肤色特征和Otsu算法的人眼定位优化方法

为了解决光照和人脸姿态对人眼定位的影响,提出一种基于肤色特征和最大类间方差法（Otsu）相结合的人眼定位优化方法.该方法首先在检测出人脸的基础上,在YCb＇ Cr’色彩空间里做肤色检测,运用肤色分割原理缩小人眼检测的搜索区域;接着,对图像进行Otsu阈值分割,提取二值图像的眼睛区域;最后,在眉眼区域利用二值积分投影分别定位左右眼睛.该方法减小了光照对图像的影响,并且简单快速.在标准的VidTIMIT人脸库和自采图库上进行了实验仿真,结果表明,此算法在光照和人脸姿态变化的情况下都具有很好的鲁棒性.     

一种实用监控系统的人脸检测定位算法

对基于监控系统中彩色图像的人脸检测与定位方法进行了探讨,利用颜色对方向的不敏感来减少人脸区域的搜索范围,将颜色空间与Hough变换相结合实现人脸定位.首先在颜色空间YCbCr上建立肤色模型,并对肤色区域进行初步检测,然后利用自适应模糊Hough变换检测瞳孔所在的圆心,从而实现对人脸区域的精确定位.在Georgia Tech彩色人脸数据库上的实验结果表明:该方法能够较好地检测肤色偏黄的人脸,并且在人眼的定位阶段平均用时为0.1秒,满足数字监控中实时性的要求.     

复杂背景下的彩色图像人脸检测

提出了一种复杂背景下使用肤色模型检测人脸的方法.该方法首先对图像进行光照补偿,然后对肤色模型处理后的二值图像进行分割与合并,并结合先验知识提取出人脸候选区域,最后验证人脸轮廓、眼睛和嘴等特征来判断人脸候选区域是否包含人脸.对1 010幅变光照和复杂背景情况下拍摄的彩色人脸图像进行验证,其检测率达到89.7%.     

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.     

复杂背景图像中彩色人脸的检测

提出了一种在复杂背景的图像中自动检测彩色人脸的方法.该方法首先在YCrCb和HSV色彩空间进行肤色和非肤色的分割,对检测到的肤色像素在CrCb空间中进行聚类,在每一聚类中心应用形态学算子除去一些较小的背景区域,然后进行区域合并形成候选人脸区域.在候选人脸区域内应用重复阈值法得到候选眼睛对,最后采用BP神经网络进行确认.实验结果表明这种方法在复杂背景的图像中检测人脸的正确率为90%.     

驾驶员疲劳检测中的眼睛定位与状态分析

针对驾驶员头部多角度变化时眼睛定位困难的现状,提出了基于肤色检测和纹理特征的驾驶员眼睛定位算法.该算法采用肤色检测定位出人脸图像;根据眼睛灰度范围与其他部位的差异进行人脸图像二值化和形态学图像处理,确定眼睛候选区域;通过比较各候选区域纹理特征向量值的不同,确定眼睛位置,并基于黑斑拟合椭圆性质进行眼睛验证和睁开程度计算.计算结果表明,头部角度变化时各候选区域的纹理特征值差别仍较大.因此,该算法不受驾驶员头部角度的影响,眼睛定位准确率较高,且算法简单,计算速度快.     

融合肤色分割与KL变换的人脸特征检测方法研究

通过肤色分割将人脸和背景分离后,进行归一化和灰度化,利用KL变换和人眼的自然约束在肤色图上找到所有候选眼睛的瞳孔,然后根据每对瞳孔的位置分割出候选眼部,从而确定眼睛的位置.     

彩色图像中人脸部的小波方法检测

本文针对人脸检测过程中常用到的基于彩色图像肤色分割的方法存在的不足,提出了一种将彩色图像肤色分割方法与图像的小波变换方法相结合的人脸区域检测方法.首先采用肤色分割方法对图像中的人脸区域进行粗定位,然后与从原图像进行小波分解提取出的人面部的细节信息相结合,从而可以更为准确地定位人脸的位置.实验表明了本方法的有效性,并且对于一般背景的图像可以提高人脸检测系统的适应性.     

基于梯度信息的灰度人脸检测

针对灰度图像提出了一种有效的人脸检测算法。首先对原始灰度图像利用Sobel边缘检测算子得到水平方向的梯度信息;在此基础上,结合人的眼睛灰度信息得到眼睛的初步候选区域,并根据眼睛的几何特征删除非眼睛区域;然后利用眼睛的几何特征以及人脸的“三停五眼”特性确定真正的眼睛和嘴的区域,在精确定位眼睛和嘴的几何位置后确定人脸区域;最后利用人脸的左右对称性来验证人脸。实验表明,该算法对于灰度图像的正面人脸定位以及人脸检测具有良好的效果。     

基于支持向量机的彩色图像人脸检测方法

提出了一种利用肤色信息、基于样本学习的彩色图像人脸检测方法。该方法利用两层支持向量机进行人脸检测，用肤色和非肤色样本训练的第一层支持向量机对图像中每个像素进行分类，所有被判断为皮肤点的像素构成了肤色区域；用窗口对肤色区域进行遍历，用人脸和非人脸样本训练的第二层支持向量机判断窗口是否包含人脸模式，并对检测到的人脸区域进行必要的合并。实验结果显示，本文方法对彩色图像中正面人脸的检测率为87.6％。     

一种面向复杂场景的彩色图像人脸检测方法

针对复杂场景的需要，提出了一种适用于复杂场景的彩色图像人脸检测方法．首先通过综合考虑肤色的亮度和色度信息提高了现有的肤色模型准确率，然后基于颜色和形状特征给出了一种有效的人脸候选区域定位方法，最后针对现有特征验证方法的不足，提出了一种基于人脸像素梯度阈值的验证方法对人脸进行确认．试验表明这种方法是有效的，鲁棒的．     

一种视频人脸跟踪算法

介绍了一种简单、鲁棒、快速的实时视频人脸对象跟踪算法.在使用贝叶斯肤色分类器分割出椭圆候选人脸区域的基础上,采用人眼谷极点生成人脸假设和特征脸人脸验证方法得到参数化的人脸椭圆区,并使用2个正交的边缘梯度跟踪模型和椭圆内部肤色像素统计直方图跟踪模型跟踪人脸.本算法较好地解决了跟踪的连续性、实时性、精确度和鲁棒性间的矛盾.实验证明:本算法能够实时跟踪多个人脸.     

融合人脸特征和相关向量机的多姿态人脸检测

多姿态人脸检测是人脸检测研究领域中的难点和热点之一,针对这一实际应用中亟待解决的难题,提出融合人脸特征和相关向量机的检测算法。算法首先利用肤色特征快速排除大部分背景,在肤色区域中搜索眼睛和嘴巴区域。根据眼睛和嘴巴区域的几何特征所确定的人脸方向,分割出大致正向的人脸候选区域。最后选用分类性能比支持向量机更优的相关向量机对候选区域进行分类。对比实验表明,算法提高了多姿态人脸的检测率,对光照、表情和遮挡有较强的鲁棒性。     

基于肤色模型与眼睛定位的人脸检测方法研究

提出了一种基于肤色模型与眼睛定位的人脸检测方法。通过YIQ色彩模型的肤色区域分割进行人脸的粗定位，再根据眼睛的灰度及形状信息的眼睛定位实现人脸的准确检测。实验表明，该方法能够在复杂背景图像中较准确地检测出人脸。     

基于肤色模型和特征定位的人脸检测算法

针对彩色图像提出一种基于肤色模型和特征定位的检测算法.首先建立一个新的肤色模型（H_SI_I模型），它对光照亮度具有强鲁棒性.在肤色分割的基础上，利用水平灰度投影估计人眼水平位置，然后结合候选脸区的边缘图像，给出人眼的确定位置，并输出人脸检测结果.实验表明该算法简单、快速、鲁棒性强.