基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。     

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AdaBoost算法的易拉罐检测方法

提出了基于Adaboost算法的易拉罐检测方法.易拉罐检测器的训练,是基于AdaBoost算法思想,分别使用Haar特征、LBP特征对易拉罐图像进行特征提取,并对两者训练检测器的过程差异及最终效果作出比较.实验证明,基于AdaBoost算法训练的易拉罐检测器,检测率高且速度快.     

基于回归的人脸检测加速算法

为了提高视频中人脸检测的检测速度,采用回归分析方法预测连续视频中人脸中心位置坐标,并通过调整区域宽度系数确定人脸区域位置,从而提出一种人脸检测加速算法。该算法的主体框架采用VJ(Viola-Joines)结构,在人脸检测过程中,通过聚合通道特征和弱级联分类建立多尺度精细采样图像特征金字塔,并利用回归分析方法进行人脸中心位置坐标拟合,再采用粗粒度预测方法降低算法时间复杂度,最后通过优化人脸区域位置系数提高人脸检测准确率。在此基础上,又通过目标预测、跟踪算法进行人脸检测的二次加速。实验结果表明,该算法有效减少了视频人脸检测遍历区域,提高了人脸检测的检测速度,缩短了提取视频人脸特征区域的时间,更加适合视频人脸检测的实时性应用。     

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。     

视频人脸的器官快速定位

传统的人脸器官定位算法系统运算时间较长,不适于视频人脸的器官定位.运用了Adaboost从视频图像中检测出人脸区域并确定其位置,将人脸区域进行肤色分割并确定出器官位置：首先对视频相邻两帧的人脸肤色区域差分初步确定眼部区域,再根据人脸器官的几何分布特征精确的定位眼部区域.最后利用伪H分量的数据分布确定嘴唇区域.通过实验表明本文的视频人脸检测算法处理时间较短和定位准确率较高.     

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。     

视频序列对称差分法检测与预测人脸技术

根据视频监控图像在时间和空间上的连续性和相关性,利用视频图像对称差分,找到运动区域,再结合人脸肤色的聚类特征确定出人脸候选区域,改进了基于规则的人脸定位方法,利用人脸的几何特征,实现复杂视频图像中的多人脸检测。运用运动系数加上横向和纵向调节因子,对后续帧中的人脸加以预测。实验表明,该算法复杂度小,准确率较高,对姿态、表情、背景等变化情况下人脸的检测均具有较好的鲁棒性,预测跟踪效果好。     

多次投影算法在视频监控人脸检测中的应用

根据视频监控图像在时间上的连续性和空间上的继承性,利用连续三帧视频图像对称差分,找到运动区域,再结合人脸肤色的聚类特征确定出人脸候选区域,然后改进了利用投影的人脸定位算法,将单次投影发展为多次投影,并且结合人脸的几何特征,实现视频监控中复杂背景下的多人脸检测。实验表明,该算法复杂度小,准确率较高,对姿态、表情、背景等变化情况下人脸的检测均具有较好的鲁棒性。     

图像粒LLE算法在人脸表情分析中的应用

文章提出了一种粒计算和局部线性嵌入(LLE)相结合的图像处理方法.针对人脸研究领域中高维数据产生的复杂计算度问题,提出了图像粒的方法,并对图像进行处理;对高维数据进行了降维,从而达到降低计算复杂度的效果.实验在Frey人脸数据库上进行,在多个不同粒度的图像粒上分别应用LLE算法,给出人脸姿态和表情分布变化的实验结果,并分析了图像信息的损失情况.实验结果表明图像粒LLE算法对算法复杂度的降低和图像信息的保持是一个有效的方法.     

基于人脸识别技术的智能监控系统设计方案

视频监控在安全领域扮演着重要的角色,但视频监控通常只是录制现场视频图像,用于事后做证,缺乏主动性和智能性．在分析了视频监控系统的结构,介绍了可用于视频监控的人脸识别技术,最后提出了一种基于人脸识别技术的视频监控系统设计方案,以对视频画面中的人物进行识别,在特定目标出现后能做出相应的反应．     

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。     

基于云水印的视频内容认证技术

 数字视频内容的认证技术越来越成为研究的热点。基于云水印及镜头分割技术,提出了一种新颖的视频内容认证方案。论文就不变特征提取、云水印生成、嵌入和提取、视频的认证与篡改检测等技术进行了研究并进行了实现。通过实验分析和验证,该方案可对实时的视频进行认证而不影响视频本身的视觉效果。     

基于Gamma和AdaBoost的人脸检测系统设计

为了有效地实现人脸的检测效果,文章在AdaBoost算法基础上提出一个改进的人脸检测算法．为了有效地消除光照和成像对人脸的影响,该算法将Canny修剪算法和伽马矫正算法进行结合,有效地消除光照和成像设备对人脸的影响．并利用VisualC＋＋和OpenCV等开发工具设计了一个人脸检测系统．本系统采用20×20的人脸图像和背景图像各1000张训练了一个7层的级联分类器,每一层构成的强分类器由一组基于Haar特征的弱分类器构成．该系统通过自选137幅包含人脸和背景的图片对系统进行测试,获得94．72％的正确检测率以及26．42％的误检率．     

基于SVD的唇动视觉语音特征提取技术

唇动视觉语音特征提取是音视频驱动的人脸动画唇动表示和唇读研究的关键技术．首先针对彩色视频图像进行唇色增强，对增强后的灰度图像进行闽值分割，获取唇部包围框，并根据口型发音的视觉特征进行初分类；然后进行尺度与灰度归一化处理，对预处理后的图像提取奇异值特征；最后采用基于欧氏距离的模板匹配法对该奇异值特征所包含的视觉语音信息进行测试试验．结果表明该低维度特征包含了大量唇动视觉语音信息，可用于单个人在自然环境下的唇语口型识别．     

彩色分量流形特征融合的人脸识别

对人脸图像RGB彩色空间三分量的非线性流形嵌入进行了分析,提出一种结合了流形学习技术和图像彩色信息的人脸识别方法。 该方法对人脸图像的彩色三分量分别采用局部线性嵌入（LLE）方法进行特征提取,提取的特征进行归一化处理和特征融合,采用线性判别分析（LDA）增加分类判别性,最后采用k最近邻法（kNN）进行分类。 该方法中提取的特征,能够保持人脸图像数据的非线性结构,同时利用了人脸图像的彩色信息。 对比实验结果表明,利用了彩色信息的三分量流形学习特征融合方法,比Fisherface特征灰度图像和单个彩色分量的人脸识别性能有所改善。      

感兴趣区域中的快速人脸区域分割与跟踪方法

为解决人脸区域分割和跟踪的方法在速度和精度上存在的问题,提出了同时使用前景提取与肤色检测的视频监控中感兴趣区域的提取方法,以及在此基础上使用水平集方法的人脸分割和跟踪方法.在大幅度缩小AdaBoost人脸检测方法的搜索区域的同时,能够避免传统水平集方法解偏微分方程的高计算复杂度,并且在脸部朝向变化的时候保持鲁棒性.应用到PTZ摄像系统中实现视频监控系统,能够随着人脸的移动改变摄像机视角,从而在较大的区域中连续跟踪人脸.实验表明在鲁棒性和实时性上均有提高.     

基于未确知测度的视频情感内容识别

为有效识别视频情感的内容,基于未确知数学理论,建立了视频低层特征和高层认知情感之间的联系,提出了一种基于未确知测度的新算法.首先,选取能反映情感变化的场景亮度、镜头切变率和色调效能作为视频情感低层特征,介绍了每种情感特征的数据提取方法,并由此构建了视频情感特征向量.其次,构造了视频场景的未确知对象空间和指标空间,并给出...     

基于扩展三角特征的AdaBoost快速人眼检测算法

首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块.考虑扫描块在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际,提出了一种结合Haar特征和三角特征的AdaBoost快速眼睛检测算法.通过级联分类器的前几层强分类器完成排除大部分非眼睛样本;然后,通过后续强分类器进行判断大部分的眼睛图像块和少量非眼睛图像块.检测时间消耗有所下降,这样可以保证整体的检测速度.实验结果进一步表明该算法具有更好的检测性能,与仅使用Haar特征相比正检率有一定程度提高.