多信息融合的实时人脸检测算法

提出一种综合使用灰度、梯度和肤色信息的实时人脸检测方法,使用类Haar特征描述人脸模式的灰度差、梯度差和肤色差,构造相应的特征集．用AdaBoost算法从特征集中学习区分人脸与非人脸模式的有效规则,构成人脸检测级联分类器．实验表明,综合使用多信息的人脸检测器性能,比单独使用灰度信息的检测器有显著的提高．     

基于Adaboost的人脸检测技术

利用OpenCV图像处理软件,选取扩展的Haar like特征,实现了基于Adaboost的人脸检测器.阐述了Ad aboost人脸检测技术的基本原理,深入分析了强分类器的个数及排序对检测器性能的影响,并对3种分类方法得到的分级分类器的检测能力进行了比较,最后给出一种实用的分类方法.实验结果表明,该检测器检测速度快,开发周期短,具有可行性.     

改进AdaBoost与SVM快速人脸检测

使用Ada Boost进行人脸检测,存在训练时间长以及误检率高的问题.本文提出了一种新的快速人脸检测方法.首先通过对类Haar特征约束,提高人脸特征选取的有效性,减少整体特征数;然后利用基于梯度方向直方图HOG特征的支持向量机SVM算法对改进后的Ada Boost算法出现的高误检率进行检测优化,以降低误检率,提高检测的准确度.实验结果表明,本文提出的Ada Boost改进算法可以有效地缩短训练和检测时间,结合SVM优化实验可以大大降低误检率,提高人脸检测的正检率,实现快速高效的人脸检测.     

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。     

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。     

基于类Haar特征和自适应提升算法的前车识别

针对汽车高级驾驶辅助系统（ADAS）中前方车辆识别率低的问题，基于机器视觉原理研究了前方道路图像中的类Haar特征，并进行积分图计算，在提取类Haar特征基础上，采用自适应提升（AdaBoost）算法进行正负样本训练并级联，得到训练好的模型，进而检测和识别汽车行驶中前方车辆。最后基于Opencv计算机视觉库在Visual Studio开发环境中进行了算法实现和测试，结果表明，每帧视频图像识别时间小于40毫秒，检测率准确可靠，满足多场景、多工况下的前方车辆实时识别。     

基于卷积网络与特征脸的面部表情聚类

相比于人脸识别，表情识别是更细粒度的图像分类，不同表情之间的差异非常细微，一般的聚类算法难以处理面部表情数据的分类问题。本文提出了一种基于卷积神经网络的Expression-EigenFace特征聚类算法，对数据集样本进行预处理，通过人脸检测和定位技术，将人脸分割重组形成情绪特征脸；将处理后的特征脸送入预训练好的卷积网络进行提取特征；通过聚类算法对所提取的特征进行聚类，完成人脸面部表情聚类的过程。实验结果表明：相比没有经过任何处理的表情图像聚类，本文方法在调整兰德系数(adjusted rand index, ARI)、调整互信息(adjusted mutual information, AMI)和标准化互信息(normalized mutual information, NMI)这几个聚类评估指标上都有大幅提升，证明了所提出的特征脸聚类算法的有效性。     

人脸图像灰度分布统计分析与检测特征设计

人脸图像的明暗视觉效果是面部五官稳定分布模式的外在表现,灰度分布模式可用做区分人脸与非人脸的依据.相对灰度比绝对灰度的抗光照干扰能力更强,为此以相对灰度均值和灰度标准差的比值衡量任一像素的明暗稳定程度,据此划分多个人脸明暗区域,将明暗区域配对组合为域灰度差检测特征,并基于优选出的28个域特征构建的42个隐节点的三层反馈神经网络检测分类器,对包含有图像质量恶劣的图像集进行测试,等误差率低于1.7%.测试结果表明所提方法有效可行,仅用28个特征就达到了与Viola算法数千个Haar类灰度差特征相仿的检测效果.     

基于彩色空间多特征融合的表情识别算法研究

目前的人脸表情识别方法大多是在灰度图像上采用单一特征算子,如 Local Phase Quantization(LPQ),Local Binary Patterns(LBP),Histograms Of Oriented Gradients(HOG),Gabor等,进行分类识别,但这类方法在复杂光照条件下识别率并不理想。为取得较好的识别率,本文首次提出了基于彩色图像多特征融合的表情识别算法。该算法首先在不同彩色分量上分别提取LPQ、LBP、HOG及Gabor多种特征,然后对高维特征进行线形鉴别分析并采用最近邻法进行表情分类,最后对多特征分类结果采用Adaboost算法进行融合。本文算法在具有复杂光照条件的Multi-PIE人脸库上进行了验证,取得了88.30%的平均识别率。实验结果表明：相比于基于灰度图像的单一特征识别算法,本文提出的算法能较大幅度地提高人脸表情识别率。     

基于AdaBoost和遗传算法的快速人脸定位算法

针对采用AdaBoost算法构建人脸检测器时存在的特征冗余问题,提出了一种新的快速人脸定位算法.首先用AdaBoost算法选取类Haar小波特征(称作AdaHaar特征),然后用遗传算法在低维的AdaHaar特征空间进一步优选,消除冗余并得到相应的权系数,最终的人脸检测器由这些优选的弱分类器及其相应权系数线性组合而成.实验结果表明,采用文中算法训练的人脸检测器在检测正确率、检测速度及占用内存等方面的性能都得到了改善.     

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.     

基于随机Fourier有监督特征变换降维算法的人脸检测方法

针对传统人脸检测方法采用空间向量对复杂环境下的高维度人脸特征进行辨识时, 存在检测效率低、 检测精度差的问题, 提出一种基于随机Fourier有监督特征变换降维算法的人脸检测方法. 首先, 通过随机Fourier映射随机形成大规模多维候选集合, 采用特征选择算法获取特征集内的最佳子集; 其次, 基于l_2,1范数的极限学习机, 产生高斯核拟合效果的随机映射, 利用l_2,1正规则化过滤掉人脸随机特征中的无价值及冗余特征, 并对该过程进行优化, 提高人脸特征降维的精度; 最后, 采用基于降维特征与Adaboost算法的人脸检测方法获取的降维特征, 通过Boosted级联算法获取级联分类器, 实现人脸特征的准确检测. 实验结果表明, 该方法的漏检率和误检率均为8%, 平均检测时间为118 ms, 运行效率和检测精度均较高.     

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.     

一种基于维度约减的快速人脸检测方法

针对视频监控中的高维度和复杂环境的困难,文章提出一种基于主成份分析与Adaboost的视频人脸检测算法．该方法先使用PCA方法对特征空间进行降维,并以PCA特征建立误分率最小化弱分类器,最后使用Adaboost算法提升弱分类器性能,将所有已训练的弱分类器联合成一个强分类器．实验证明,在正面人脸样本和具有复杂表情变化的人脸测试集上,该方法可以得到很好的检测结果．     

A Robust Pedestrian Detection Approach Based on Shapelet Feature and Haar Detector Ensembles

Detection of pedestrians in images and video sequences is important for many applications but is very challenging due to the various silhouettes of pedestrians and partial occlusions. This paper describes a two-stage robust pedestrian detection approach. The first stage uses a full body detector applied to a single image to generate pedestrian candidates. In the second stage, each pedestrian candidate is verified with a detector ensemble consisting of part detectors. The full body detector is trained based on improved shapelet features, while the part detectors make use of Haar-like wavelets as features. All the detectors are trained by a boosting method. The responses of the part detectors are then combined using a detector ensemble. The verification process is formulated as a combinatorial optimization problem with a genetic algorithm for optimization. Then, the detection results are regarded as equivalent classes so that multiple detections of the same pedestrian are quickly merged together. Tests show that this approach has a detection rate of over 95% for 0.1% FPPW on the INRIA dataset, which is significantly better than that of the original shapelet feature based approach and the existing detector ensemble approach. This approach can robustly detect pedestrians in different situations.     

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.