人脸检测与跟踪系统的设计

基于Adaboost人脸检测原理,结合Windows下的Visual C++编程,设计了人脸检测系统.通过MIT人脸库和自建人脸库结合的方法,且对该人脸库进行有效的训练,实现人脸检测功能,提高了检测率和检测速度.利用连续自适应均值移动算法(Continuously Adaptive Mean Shift,Camshift)对人脸进行跟踪,并对Camshift算法进行改进,利用Adaboost人脸检测初始化模板的方法,将检测与跟踪结合起来,有效提高了人脸跟踪效率.     

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.     

一种基于Nest层次型分类器的快速、精确的眼睛定位算法

人脸特征点定位是人脸识别、表情识别等人脸处理技术的基础,脸部特征点定位,尤其是眼睛的定位性能很大程度上影响着算法的精度.首先利用积分图像的概念快速计算眼睛样本的Haar-like特征,然后训练了Real Adaboost分类器,为了提高训练速度采用了层次型结构的Real Adaboost分类器.相比于传统Cascade结构的层次型分类器,本文采用了基于Nest结构的层次型分类器算法. 研究表明这种新的算法,定位速度更快,定位精确度也更高.     

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。     

一种新型人脸识别算法的研究

针对当前人脸识别算法中常用的AdaBoost算法的缺陷,提出一种将3D形变人脸建模和AdaBoost算法相结合来进行人脸识别的新型人脸识别算法3D Adaboost。实验证明,该方法和传统AdaBoost算法相比,能有效减少侧面人脸或者旋转人脸造成的检测错误;并且能在不损失准确度的基础上,显著缩短训练时间。     

基于达芬奇平台的人脸检测研究

基于TI公司的达芬奇平台,研究了人脸检测算法.对OpenCV中的Adaboost算法进行了移植,使其在TI公司的TMS320DM6467运行,实现了人脸的自动检测.运行结果表明该方法具有较高的精度和较快的速度,适合于身份验证和视频监控等领域的实时应用.     

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。