基于神经网络的人脸检测算法研究

针对复杂场景图像中的人脸，提出了一种基于BP神经网络的人脸检测算法，由网络训练和人脸定位两部分组成．可以有效地运用于多人脸、不同尺寸、不同姿态、不同面部表情、不同肤色、不同光照条件和复杂背景的情况。实验结果表明该算法快速有效。     

脑中奥秘知多少

就人的身体而言，脑子是蕴藏秘密最多的地方，堪称问号的“富矿”，因而也就成为了科学家们竞相探求的热点。     

基于 Mahalanobis距离进行人脸表情的识别

提出了利用Mahalanobis距离进行人脸表情识别的方法.首先将待分类的图像样本集进行坐标变换,使得变换以后类间离散度尽可能大而类内离散度尽可能小,即使变换以后的Fisher准则函数取得极大值,在新的坐标下求每个待分类样本到各类均值向量的Mahalanobis距离,从而将待分类的样本归到Mahalanobis距离最小的类中去,通过实验得到了平均80.25%的识别率.     

具有真实感的虚拟人头部的一种构造方法

在人类交流信息、情感和动机暗示的广泛能力之中，面部是其中最关键的组成部分之一．因此，具有真实感的三维人脸模型的构造和动画是计算机图形学领域中一个重要的的研究课题．如何能够便捷有效的构造出具有真实感的三维人头部模型是其中一个难点．本文介绍了一种三维人头部模型的构造方法．该构造方法基于一个已存在的三维头部的无个体特征的一般模型，该模型可以经过调整而创造出具有个性特征的头部模型；借助于从两张从正交角度拍摄的普通的某个人的二维照片上采集到的能够反映该个体特征的数据参考点作为控制点，通过DFFD(Dirichlet Free-Form Deformation)的自由变形方法，调整该三维头部模型，进行非线性变形，向特征人面部结构逼近，从而构造出具有个性化特征的头部模型．在此基础上，本文提出了对该方法的一种改进，即对用来进行控制非线性变形的参考点赋以不同的权值，进行分层次控制，从而使得三维头部模型能够更精确的再现个体特征．     

复杂动态背景中的人脸检测

针对复杂动态背景中的人脸检测问题，提出了一种基于差影运算和肤色识别的检测算法。该算法首先通过改进的差影运算初步确定人脸区域，然后建立一个人脸肤色模型进一步进行肤色匹配．从而实现由粗到细的人脸检测。实验证明，该算法可以适应不同的光照环境，不受人脸大小和朝向的限制。其运算速度和精度均达到实用要求。     

线性人脸对象类模型的匹配提升技术

针对真实感人脸模型匹配的细节控制和稳健创建问题，提出了线性人脸对象类模型的匹配提升技术。基于非统一抽样(NUS)的动态高斯金字塔分析(DGPA)方法，结合不等概率抽样和整群抽样策略，自适应地动态调整每级高斯金字塔图像的抽样分布，利用最优化算法由粗到精的计算全局近似最优解，获得精确的模型匹配。动态调节整群区域边界并利用再抽样率调节抽样密度，可以有效控制人像模型的细节表达效果，提高模型创建的稳健性。随机梯度下降的线性相关性扰动(CD-SGD)和学习率自适应(ALR)技术，提高了模型匹配的准确性和收敛速度。以M     

蛇模型的综述

蛇模型 (snake)由卡斯 (Kass)等在 1987年首次提出后在数字图像分析和计算机视觉等领域正在得到越来越广泛的应用。本文从蛇模型的原理、发展及应用情况来进行阐述 ,并举例说明了蛇模型的使用     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

未来计算机“懂你”

也许有那么一天,计算机能够读懂你的表情。譬如:当一位老人在自动取款机屏幕前眯着眼辨认字体时,字体尺寸立刻加倍;当一名妇女对着购物中心的旅游广告微笑时,设备就会自动打印出一张旅游折扣表给她;当一位企业主管正为某问题紧皱眉头时,面前的电脑屏幕上立时现出逗人开心的图像和语言。这些并不是幻想,一切都会实现的。也许用不了多久,你的家庭中就会出现这样一个新成员。现在许多研究机构都看好表情机器识别技术,相信此技术具有很大的科研价值和商业价值。为了实现这一美好愿望,世界各国的科研人员和此产业连带的相关人员正在加紧各项研究…