基于不同色彩空间的肤色模型

确定肤色对彩色图片中的人脸检测很重要，在这篇论文中，作者首先讨论了用3种颜色空间表示的肤色子空间：YCbCr，HSV和统一的颜色空间。然后作者给出了算法，判断在3种肤色子空间下，一个象素是否为皮肤象素；并且提出了一种新的方法来找出候选面部区域。最后，作者比较了3种肤色子空间的性能。     

光照自适应的人脸肤色检测方法

从3个方面入手提出了一种抗光照噪声强的人脸肤色检测方法:①从常用的颜色空间中选择出对光照因素稳健的肤色子空间;②提出了基于该子空间的光照自适应的肤色检测方法;③进一步采用小波边缘检测的方法精确定位人脸区域.实验结果表明,该方法对抗灯光、太阳光、荧虹灯光,光的阴影等的影响都有好的效果.     

几种常用的肤色检测颜色空间

本文主要介绍了一种常用的肤色检测方法即肤色区域边界固定法,同时介绍了利用该方法进行肤色检测的几种常用的肤色检测颜色空间如RGB、YCbCr以及HSV颜色空间,并在这几个颜色空间中对在Internet上获取的200个光照均匀的肤色块进行肤色检测,统计出在每个颜色空间中肤色检测的正确率并对实验结果做出分析。最终的实验结果表明,在所取图片的光照比较均匀的条件下,HSV颜色空间的肤色检测效果最佳,YCbCr颜色空间次之,RGB颜色空间最差。     

视频序列中基于肤色的人脸实时检测

利用肤色在颜色空间的聚类特性来检测人脸,为了去除亮度对肤色的影响,增强检测的可靠性,采用了同时在RGB归一化颜色空间和HSV颜色空间中对肤色进行检测.在肤色检测之前采用了图像差分法先检测出运动空间,消除了背景对肤色检测的影响,也缩小了肤色搜索的范围.关于实际场景的实验表明,本文算法既能准确地检测出人脸,同时又能够达到实时效果.     

基于肤色的人脸区域分割

通过主要的两种色彩空间比较,选取YCbCr颜色空间,确立一种在YCbCr空间下的基于高斯模型的肤色分割方法.在YCbcr色彩空间中建立肤色分布的高斯模型,得到肤色概率似然图像,在最佳动态域值下完成肤色区域的分割,最后应用欧拉数确定出人脸区域.实验表明,该方法可以有效地分割人脸区域.     

人脸检测的自适应肤色分割算法研究

为寻找候选人脸区域,从复杂的背景中分割出肤色信息成为一种有效的方式。作者分析了几种常用的彩色空间,提出一种自适应肤色分割算法,即检测出彩色图像中的肤色区域。算法选择了分割效果很好的HSV彩色空间,对Sandeep等人提出的方法进行改进,克服了因为皮肤区域的颜色随着拍摄的光照、角度等因素难于分割的不足。实验结果表明,该算法能有效地从复杂背景中分割出肤色区域,显示出更强的鲁棒性(robust),在人脸检测系统中具有很好的应用价值。     

基于纹理和邻域信息的肤色分割算法

为有效分割图像中的肤色信息,提出一种基于纹理和肤色点的邻域信息肤色分割算法.首先,根据图像中的肤色点在RGB颜色空间上的分布规律,利用统计直方图模型对肤色部分进行初步分割;其次,为提取图像中的纹理信息,采用Gabor滤波器进一步过滤掉与人类皮肤颜色接近但纹理粗糙的区域;最后,采用掩码图像中的肤色点作为种子点进行邻域信息的扩散,得到最终掩码图像.实验结果表明,与统计直方图肤色模型相比,该方法肤色分割效果更好.     

基于高斯肤色模型和图像分割的人脸检测

提出了一种基于HSV、YCgCr颜色空间和图像区域分割的人脸检测方法.首先,将规范化的rgb肤色转化到HSV、YCgCr颜色空间,对向量(H,Cg,Cr)T进行统计,得到肤色的三维高斯概率模型.然后,根据该模型计算待检图像的肤色相似概率,采用最大类间方差的方法计算二值化阈值,根据阈值将相似度图像二值化.为了抵消人脸区域亮度变化和阴影的影响,以二值图像为模板,在原待检图像的饱和图中根据3像素×3像素区域的平均R、G值进行图像区域分割.在分割得到的区域中,根据人脸特征检测出图像中的人脸.实验表明,提出的方法能在复杂背景的情况下检测出人脸图像.     

复杂背景下基于YCbCr颜色空间和Mini-Batch聚类的肤色检测

针对复杂背景下的人体彩色图像,提出了一种基于YCbCr颜色空间和Mini-Batch聚类的肤色检测算法.算法首先将目标图像转换到YCbCr颜色空间,并在Cb和Cr分量上进行统计建模,得出肤色阈值的高斯分布模型;然后采用Mini-Batch聚类算法在Cb和Cr分量上对肤色进行聚类分割,并对分割出的肤色区域进行面积过滤和区域归并,最终获得完整的肤色区域.仿真结果表明,相比传统算法,该算法对光照变化具有很好的鲁棒性,在背景复杂的人体图像中,能够得到较为完整、准确的肤色区域;同时该算法对大尺寸的图像具有较高处理效率.     

基于肤色模型的人脸检测与人眼定位

针对光照变化对人脸检测及人眼定位的影响, 提出一种基于肤色模型的人脸检测与人眼定位方法. 先对图像进行预处理, 减少图像中的噪声; 再将RGB颜色空间转化到具有良好肤色聚类特性的YCbCr色彩空间, 利用Gauss模型进行肤色建模; 最后检测出人脸区域并确定人眼位置.     

基于支持向量机的彩色图像人脸检测方法

提出了一种利用肤色信息、基于样本学习的彩色图像人脸检测方法。该方法利用两层支持向量机进行人脸检测，用肤色和非肤色样本训练的第一层支持向量机对图像中每个像素进行分类，所有被判断为皮肤点的像素构成了肤色区域；用窗口对肤色区域进行遍历，用人脸和非人脸样本训练的第二层支持向量机判断窗口是否包含人脸模式，并对检测到的人脸区域进行必要的合并。实验结果显示，本文方法对彩色图像中正面人脸的检测率为87.6％。     

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.     

A color based face detection system using multiple templates

A color based system using multiple templates was developed and implemented for detecting human faces in color images. The algorithm consists of three image processing steps. The first step is human skin color statistics. Then it separates skin regions from non-skin regions. After that, it locates the frontal human face(s) within the skin regions. In the first step, 250 skin samples from persons of different ethnicities are used to determine the color distribution of human skin in chromatic color space in order to get a chroma chart showing likelihoods of skin colors. This chroma chart is used to generate, from the original color image, a gray scale image whose gray value at a pixel shows its likelihood of representing the skin. The algorithm uses an adaptive thresholding process to achieve the optimal threshold value for dividing the gray scale image into separate skin regions from non skin regions. Finally, multiple face templates matching is used to determine if a given skin region represents a frontal human face or not. Test of the system with more than 400 color images showed that the resulting detection rate was 83%, which is better than most color-based face detection systems. The average speed for face detection is 0.8 second/image (400 x 300 pixels) on a Pentium 3 (800MHz) PC.     

基于肤色模型和径向基函数网络的脸部检测

驾驶员疲劳状态检测一般采用对人眼的闭合度进行计算,若实现对人眼的闭合度计算首先是对人脸的正确快速检测,针对驾驶室的特定环境,本文研究一种基于肤色模型和径向基函数网络为基础的快速人脸检测算法,该算法首先对输入图像进行RGB和YCbCr颜色空间的转换,其次建立相关的肤色模型,实现人脸区域的粗定位,然后结合径向基函数网络对输入的图像进行训练,这样就可以根据训练的结果判断是否是肤色,从而实现人脸检测。仿真结果表明,所研究的算法较好的提高了强光下人脸的正确检测,为驾驶员疲劳驾驶的研究奠定前期基础。     

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.     

一种改进的基于肤色分割和PCA人脸检测方法

人脸检测在安全、信息处理等应用领域起到很重要的作用。提出了一种改进的基于肤色分割和PCA的人脸检测方法。首先,基于肤色模型的建立提出了一种基于边缘和数学形态学的肤色分割方法;其次,用基于知识的人脸检测方法验证候选人脸,缩小候选人脸的数量;最后,用PCA人脸检测算法进行检测。实验表明该方法不仅可以有效地运用于多人脸、不同尺寸和复杂背景的情况,而且对包含部分遮挡、肤色干扰等复杂环境下的图片均有很高的检测率。     

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.     

灰度积分投影和圆形标记法结合的人眼定位

讨论对于自然光下摄像头采集的人脸照片的眼睛定位算法,该算法是基于灰度积分投影和圆形标记法实现。分为以下三个步骤:首先,在RGB空间下对图像进行肤色检测,得到可能的人脸图像,通过形态学处理排除噪声等干扰;然后,根据亮度分量对人脸区域进行分割,得到五官图,并通过灰度投影对人眼进行粗定位;最后,通过圆形标记法,把区域内的白色空洞转化成面积相等且质心为圆心的圆形,经过几何特征筛选排除干扰圆得到双眼的两个圆形。该算法在Matlab平台上进行仿真实验,结果表明,此算法对于复杂背景下特别是存在类肤色干扰情况时人眼定位效果好、精度高。     

基于肤色分割和神经网络确认的快速人脸检测

为了提高人脸检测速度,提出了一种基于肤色分割的快速人脸检测方法．利用颜色信息将彩色图像分割成皮肤区域和非皮肤区域,从而缩小了神经网络的检测区域,提高了人脸检测速度．     

基于肤色模型与眼睛定位的人脸检测方法研究

提出了一种基于肤色模型与眼睛定位的人脸检测方法。通过YIQ色彩模型的肤色区域分割进行人脸的粗定位,再根据眼睛的灰度及形状信息的眼睛定位实现人脸的准确检测。实验表明,该方法能够在复杂背景图像中较准确地检测出人脸。