基于肤色的人脸检测算法研究

提出一种基于RGB、HSI空间和KL变换的人脸区域检测算法，根据待检测图像上每点的颜色值来判断它属于人体区域还是背景区域，从而检测出人脸所在的位置。实验表明，该种方法避免了在RGB、HSI和KL三个独立空间分别进行人脸检测所出现的人脸误码测问题，通过大量的实验和检测，将三种方法有机的结合起来，较好地区分人脸区域和背景区域，具有很好的鲁棒性。     

基于肤色的人脸检测算法的研究

本文主要研究了基于RGB和YCbCr两种彩色空间下的肤色模型对人脸检测的准确性,实验表明,通过肤色进行人脸检测能够快速的去除复杂背景,缩小检测范围。为在复杂背景下快速和准确的进行人脸检测奠定基础。本文还对RGB和K—L变换相结合来进行人脸检测的方法进行了探讨。     

基于双肤色模型及AdaBoost算法的人脸检测

针对复杂背景和可变光照条件下,彩色静止图像的人脸检测问题,综合利用YCbCr和HSI颜色空间下的肤色模型,先进行肤色分割,定位出候选人脸,再用AdaBoost级联分类器进行检测验证,有利于提高检测效率,降低误检率。     

基于肤色的人脸检测算法研究

文章提出了一种基于肤色的彩色图像人脸检测算法。该算法会对输入图像进行尺寸归一化及光线补偿,综合利用2种色彩空间对预处理后的图像进行二值化操作。在肤色分割的基础上去除噪声,并结合多种有用信息,对肤色区域进行了判定,最终识别出人脸区域。它的主要优点有对人脸的姿态不敏感、检测速度快等。在多人脸检测方面,该算法运用区域分割的方法对多个人脸进行有效检测。实验结果表明,该算法是可行有效的。     

基于肤色模型与人脸结构特征的人脸检测

人脸检测是自动人脸识别中的关键环节.提出了基于人脸肤色模型和人脸结构特征的人脸检测.首先利用人脸图片样本,提取肤色像素,建立肤色CbCr高斯模型.根据高斯肤色模型求得人脸似然图,并采用最佳阈值对之进行二值化.之后再采取形态学处理,除去部分非人脸区域,分割出待定人脸区域.最后根据人脸的结构特征进行再次筛选,得到人脸区域.此方法运用在一般的人物照片中都能达到比较理想的效果.     

基于肤色和结构特征的人脸检测

本文提出了一种基于肤色模型和人脸面部结构特征的人脸检测算法,该算法首先建立肤色模型来对原始图像进行肤色区域分割,再根据人脸的面部结构特征对分割区域进行过滤。实验结果表明给算法检测速度快,能够到达实时检测的目的。     

基于肤色信息的人脸检测系统

人脸检测作为人脸识别的重要组成部分,因为其巨大的应用价值和市场潜力已经成为热点研究领域。本系统在Matlab平台上实现了一种基于肤色的人脸检测算法。经测试,本系统的识别正确率可达到93％以上。     

一种基于肤色分割的人脸检测算法

本文提出一种在YCbCr空间基于非线性变换技术的肤色建模,并运用形态学运算和人脸先验知识和几何特征进行处理,正确定位出人脸的位置。实验表明该方法可行,有效。     

结合肤色模型和Adaboost算法的人脸检测

提出了一种结合肤色模型和Adaboost算法的人脸检测方法．Adaboost是一种分类器算法,把弱分类器提升为强分类器,具有很高的检测率,但其误检率也比较高．人脸肤色检测由于受光照等条件的影响,其检测率比较低,但是其误检率也比较低．结合这两种方法进行检测,能够优势互补,改善算法性能．实验证明该算法具有较好的检测效果．     

基于聚类肤色模型的人脸检测

在安全检测、人机交互等人脸识别应用中,人脸的检测与定位是前期重要工作.该文提出一种改进的基于亮度聚类的肤色模型,并提出一种新的最佳阈值选择算法,设计了肤色检测算法流程.实验证明该算法提高了人脸检测的速度和鲁棒性.     

基于肤色和轮廓信息的人脸检测

针对彩色图像提出了一种基于肤色模型、脸部轮廓信息以及眼睛特征的人脸检测算法.采用基于YCbCr色彩空间的肤色分割模型,初步筛选人脸的候选区域;然后进行边缘检测,获得人脸轮廓信息,并利用三点定圆法来拟合脸部的圆形;最后在圆形区域的水平方向根据眼睛的几何特征来检测"眼睛对",再根据"三停五眼"来定位人脸,并利用左右对称性验证人脸.实验表明,该算法对于彩色图像的正面人脸检测具有良好的效果.     

基于Adaboost人脸检测算法

针对因图像背景复杂、 光照变化及面部旋转等因素的影响, 使复杂背景下人脸检测难度大、 速度慢和准确率低的问题, 使用Adaboost算法进行人脸检测, 并在OpenCV上实现其检测过程。分别对具有面部旋转和复杂背景的图像进行了人脸检测实验, 其检测准确率分别为85%和99%, 平均检测时间分别是16.67 ms/张和76 ms/张。实验结果表明, 该算法能在复杂背景下准确、 快速地实现人脸检测, 且能满足人脸识别系统实时性的要求。     

基于脸部检测和Fuzzy ART的乘客检测算法

研究了小汽车内的乘客检测和计数的方法,提出了一种基于脸部检测和Fuzzy ART神经网络的算法.采用光照校正、基于亮度补偿的椭圆肤色模型检测算法和数学形态方法以分割汽车内部的人脸区域和背景区域,使用Fuzzy ART神经网络分类器对脸部区域进行计数.在正常白天天气和光照条件下,该算法能够有效地检测出运动车辆中乘客的数量.     

一种改进的Adaboost算法的人脸检测分类器

针对人脸检测中单一分类器检测非常耗时,而且没有考虑到检测后提取标准人脸对后续工作(如识别)等问题,提出了运用Adaboost算法,采用正面人脸和人眼两个特征作为分类器,首先用Cascade算法筛选出输入图像中最有可能是人脸的区域,然后根据以正面人脸和人眼为特征的分类器检测人脸区域,并根据检测出来的人眼距离和角度对人脸进行精确的定位.同时针对实际的图像中人脸常常存在一定倾斜,从而影响后续的人脸的识别率这一问题,采取了根据人眼的位置对倾斜图像进行修正.实验结果表明改进的算法能够在保持一定运算速度的基础上取得准确的人脸,具有较好的实用性.     

基于全卷积神经网络的多尺度人脸检测

如何快速而准确地定位到人脸,针对这个问题,提出了一种基于全卷积神经网络的多尺度人脸检测方法.首先用全卷积层替换VGG网络中的全连接层,然后用二分类代替分类层,最后进行该算法下的人脸检测,通过对待检测的图片进行多尺度变换并将其输入到全卷积神经网络中,得到相应的概率矩阵,人脸图框通过非极大值抑制法获取.试验结果表明,该算法的准确率较高,检测时间短,性能较好.     

基于肤色分割的彩色图像的人脸检测

提出了一种基于肤色分割与统计特征分析并结合模板匹配的检测人脸方法，该方法能在复杂的背景下很好的检测出人脸。首先利用颜色信息对彩色图像分割成皮肤区域与非皮肤区域，然后对皮肤区域作尺寸大小、方差大小、旋转角度等处理后，再进行模板匹配。     

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．     

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法，能够对复杂环境中大小不等的人脸进行快速、准确的检测．算法首先通过假面变换来预测人脸位置上边沿的中心，然后对图像中的预测位置进行模板匹配，设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法，最后对匹配结果进行验证，确定人脸准确位置．采用多种环境下的大量图片进行实验，结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性．