视频序列中人脸眼嘴特征定位

提出了一种基于数学形态学和分水岭算法的眼嘴特征定位算法．根据人脸稳定的色度、梯度和亮度空间分布的信息，先利用数学形态学的运算对图像进行有效部分加强的预处理．后利用分水岭算法对加强图像进行分割，然后再定位特征．实验证明该算法能有效定位正面人脸的眼嘴高级特征，对于轴线不与视平面平行的脸部和一些被阴影遮挡脸部也能确定其大致位置．     

基于视频图像的人脸定位方法

给出了一种视频图像中的人脸定位方法,该方法首先通过一种平均帧差的方法检测人体运动区域;然后根据人脸分布的特点,采用水平投影的方法在运动区域里分离人脸和身体;最后根据人脸器官的分布规律,利用k-means的聚类算法对人眼进行定位.实验表明,该方法简单、高效,而且不依赖于人脸肤色,在一定范围内能很好地适应光照变化,能满足实时系统的要求.     

人脸特征提取及自动定位的研究

研究了人脸特征的自动定位与提取,用改进的多尺度分析方法从背景图像中定位人脸,然后根据提升滤波二值图的积分投影确定各特征的初始位置,再利用变形模板能量函数最优化方法撮特征的精确参数,同时还提出了新的能量函数和解度判断方法来改善匹配结果。     

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。     

基于遗传算法的正面人脸定位

利用人脸的椭圆轮廓特征,使用参数化可变形椭圆模板和遗传算法（ＧＡ）对正面人脸进行定位．首先取得人脸的边缘图像,并定义边缘图像的能量场,然后定义参数化的可变形椭圆模板,对椭圆模板的参数进行编码,并定义合适的适应值函数,使用ＧＡ以椭圆模板在人脸边缘能量场图像中对人脸轮廓进行最优化匹配．实验结果表明,该方法在中等复杂背景环境下的人脸定位应用中取得了较好的性能,定位更加准确,同时具有较强的鲁棒性     

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。     

基于小波变换的人脸特征定位

文章在小波分析的基础上,提出了一种在图像的小波分解数据域中实现对称变换的方法,并把这种方法运用于人脸特征的定位,这种方法可以提高人脸特征定位的效率。     

视频序列中的人脸检测定位

提出了在不同环境下视频序列中人脸检测定位的多级算法.首先,用改进的帧间差自适应阈值法检测运动区域.然后,用YCbCr颜色空间检测肤色区域,并用二值形态学操作进行后处理.最后,构造眼嘴映射检测定位人脸.实验结果证明,该算法可以有效运用于多人脸、不同表情和姿态、不同光照的情况,检测率平均达到81%.     

一种视频中基于检测的快速人脸跟踪方法

针对背景复杂多变的视频人脸实时跟踪问题,从检测率、漏检率与错检率3个指标出发,通过改进样本选取的方式对训练样本的比例进行优化,得到一种快速人脸检测方法.在对卡尔曼的初始状态进行选取后,运用具有通过调整参数就能对被跟踪的人脸区域进行放大或者缩小功能的卡尔曼滤波方法来选取候选人脸区域,从而减少搜索时间,提高脸部区域检测速度...     

基于肤色区域相关过滤的人脸定位

在人脸识别和表情识别研究中,人脸位置的定位起着十分重要的作用.对由图像获取设备的含有人脸的图像进行预处理后,提出了肤色区域相关过滤投影的方法实现了人脸区域的定位,实验表明所提出定位方法的有效性,通过试验对人脸有部分遮挡和偏转的图像也取得了较好的效果.     

基于数理形态学的近红外光图像实时人脸检测

该新型算法首先使用基于Harr特征和Adaboost算法的人脸检测方法寻找人脸候选区域,并对候选区域进行归一化处理;然后利用人眼瞳孔在近红外光图像中会生成白色光斑的特点,使用基于数理形态学的Quoit滤波器精确定位眼睛.为了减小不同瞳孔大小带来的影响,使用了多尺度的Quoit滤波器以提高准确性.实验表明,这种方法不仅准确性高而且速度快,达到了实时人脸检测的要求.     

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．     

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.     

基于改进Adaboost算法的人脸检测研究

分析Adaboost弱分类器计算耗时的原因,并提出了本文的改进。根据强分类器错误率上限的计算公式,推导出弱分类器错误率的期望值,并以此作为减少计算量的依据。实验结果表明,本文的改进方法,在保持弱分类器性能不变的条件下,可以有效降低计算量。     

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。     

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.     

基于嵌入式平台的运动人脸捕捉系统设计及实现

针对现有智能监控系统难以同时满足清晰、准确、实时、可靠等要求的缺点,提出了一种基于嵌入式视频监控的实时人脸捕捉系统。在ARM Linux操作平台上建立流媒体服务器,实现CCD摄像头的视频采集和传输,采用背景差分法与相邻帧差相结合的方法来实现运动目标的分割与精确定位,提出了一种基于肤色模型的人脸区域分割算法,缩小了运动区域的人脸检测范围,在此区域内,通过Adaboost算法实现了运动目标的实时人脸捕捉。采用ARM1176JZF-S内核的Samsung S3C6410处理器,以Linux2.6.28作为系统的软件开发平台,在基于开源计算机视觉库OpenCV软件工具基础上进行系统开发与测试。结果表明,该系统实现了运动目标的检测以及人脸捕捉,并具有很好的清晰度,从其统计的检测率和运行时间看,有很好的鲁棒性和实时性。     

一种视频中基于检测的快速人脸跟踪方法

针对背景复杂多变的视频人脸实时跟踪问题,从检测率、漏检率与错检率3个指标出发,通过改进样本选取的方式对训练样本的比例进行优化,得到一种快速人脸检测方法。在对卡尔曼的初始状态进行选取后,运用具有通过调整参数就能对被跟踪的人脸区域进行放大或者缩小功能的卡尔曼滤波方法来选取候选人脸区域,从而减少搜索时间,提高脸部区域检测速度,使基于检测的跟踪能得以实现。通过对2段视频中的人脸进行有效跟踪实验,验证了该方法的可行性。