基于肤色模型的复杂背景图像人脸检测

本文针对复杂背景下彩色人脸图像提出了一种基于肤色模型和人脸几何与统计特征的检测方法.先利用椭圆肤色模型分割出肤色区域,再利用形态学操作以及人脸的统计几何特征验证人脸.实验表明,该方法检测正确率高,可以有效地运用于多姿态、多人脸和复杂背景的情况,具有较好的检测效果.     

基于DSP的自动人脸识别门禁系统设计与实现

基于DSP构建的自动人脸识别门禁系统具有超高速、高性能、高可靠性的优点,本文用Adaboost统计学习方法进行人脸检测和用非线性SVM分类器进行人脸验证,然后用PCA算法和SVM进行识别,最后根据识别结果,判断用户是否合法,控制门的开关.     

基于运动检测和小波分析的视频图像人脸检测

人脸检测是所有人脸处理系统的基础,而视频中人脸检测问题更具有其特殊的意义。结合运动检测和小波分析技术,提出了一种快速的、具有良好鲁棒性的人脸检测方法。首先基于运动检测得到包含人脸对象的运动区域——人脸图像;然后应用小波分析良好的时频局部化特性和多分辨率特性对运动检测定位的人脸图像进行降维处理,同时得到体现人脸特征的小波系数候选本征脸;最后结合人脸的面部特征及形状分析进一步对结果进行验证。实验结果表明,该方法具有较好的实时性和鲁棒性。     

基于支持向量机的彩色人脸检测

支持向量机是建立在统计学习理论基础上的一种新的模式识别技术.本文首先采用肤色检测技术获得图像中可能存在人脸的区域,然后采用基于SVM的检测方法在可能存在人脸的区域进行检测.试验证明,本文提出的人脸检测方法是合理的,具有一定的实用价值.     

基于级联卷积神经网络的人脸检测算法

为了解决大部分基于深度学习的方法直接提取深度抽象特征,无法在速度与精度上取得均衡问题,该文将传统的级联框架与深度卷积神经网络结合,提出了一种新的基于级联的由浅至深的卷积神经网络人脸检测方法。首先通过融合全脸与部分人脸的全卷积神经网络置信图谱快速定位人脸候选区域,然后采用深度神经网络提取人脸鲁棒性特征,对候选区域进一步分类验证,并用联合回归的方法确定最终人脸位置,提高检测精确度。所提出的方法与一些代表性的算法对比和分析,在FDDB、AFW权威评测集上达到了可比较的精度,且能快速地进行检测。     

基于深度学习的人脸分析研究进展

近年来,基于深度学习的人脸分析取得了巨大的进步,成为计算机视觉领域最为活跃的研究方向之一.为了进一步推动深度学习和人脸分析的研究,结合近年已发表的相关文献,对基于深度学习的人脸分析技术进行综述.首先,简要概述深度学习及其发展历史,并分析深度学习有效性原因.然后,按照任务目的的不同,将人脸分析分成了人脸检测、人脸关键点检测、人脸识别、人脸属性识别等任务进行详细的介绍和讨论,重点分析各种任务现阶段存在的主要问题.接着,介绍人脸分析中常用的人脸数据库.最后,讨论深度学习和人脸分析面临的主要挑战,并给出结论.     

基于人脸检测的大学课堂关注度研究

【目的】利用深度学习的人脸检测技术为课堂教学评价提供新的方案。【方法】构建适用于课堂教学的人脸检测级联卷积神经网络模型,并进行相应优化,提出了基于统计人脸检测的抬头率来量化课堂关注度的方法。【结果】通过检测和统计课堂视频中的人脸,计算出学生的抬头率,统计出学生的课堂专注度以及时间分布,帮助教师及时准确地了解课堂教学情况。【结论】通过大量的测试和优化,该系统在人脸检测中具有较好的有效性和可靠性,可以为学生提供个性化教学,同时为教师提升课堂教学质量和教学效率提供参考。     

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。     

人脸检测技术研究及实验

本文论述了人脸检测研究的背景和方法,重点介绍了基于启发式模型的方法和基于统计模型的方法,包括基于知识的方法、基于局部特征的方法、基于特征空间的方法、基于人工神经网络的方法等。最后在VC下实现了一个基于肤色模型的人脸检测算法,并分析和比较了算法结果。     

基于支持向量机的人脸图像检测

人脸检测(FaceDetection)是指对任意一幅给定的图像,采用一定的策略对其进行搜索以确定其中人脸位置.目前学术界具有代表性的人脸检测算法包括基于肤色分割的方法、基于启发式规则的方法、基于特征脸的方法、基于聚类学习的方法和基于人工神经网(ANN)的方法[1]等,特别ViolaP通过综合Adaboost和Cascade算法[2],采用若干个弱分类器组合为强分类器的策略,检测速度得以明显提高.支持向量机(SVM)是Vapnik等提出的基于结构风险最小化原理的统计学习理论[3].它比基于经验风险最小化(EmpiricalRiskMinimizationPrinciple,ERM)的人工神经网方…     

基于人脸识别的实验室上机考试身份验证

实验室上机考试在越来越多的领域得到应用,比如注册会计师考试,银行业从业资格考试等。大部分考场都采用人工身份验证的方式。但是人工识别的局限和机房电脑显示屏的遮挡给替考作弊行为的查找带来了困难。该文注意到深度学习在人脸验证领域得到了长足的发展,提出一种新的基于人脸识别的上机考试身份验证系统。该系统首先通过考生准考证号登陆进系统,再通过人脸检测方法得到人脸,然后使用深度学习方法比对得到的人脸与系统中保存的人脸,最后使用活体检测方法排除替考者使用照片验证的情况。     

基于计算机视觉的人脸检测系统的研究

研究了一种基于计算机视觉的人脸检测系统,它采用模块化硬件技术和图像处理软件,满足实时检测的要求,可以有效检测出人脸。为该系统设计了一种基于判别函数分类器、模糊算法及人工神经网络的组合式多级分类器,具有一定的学习能力,当待测人脸发生变化时,系统可根据人脸数据库对分类器进行训练,以适应相关的变化。实验结果验证了该方法的有效性。     

小波和神经网络在人脸光照校正中的应用

提出一种基于小波和神经网络的人脸光照校正算法, 它 充分结合了小波的多分辨分析和BP神经网络的自适应学习和良好推广能力的性质, 对人脸进行光照校正. 理论和实验证明, 本方法能有效解决人脸检测和识别中的光照校正问题, 使不同光照条件下的人脸检测和人脸识别性能得到很大提高. 本方法还具有鲁棒性好、 适应面宽的特点.     

基于深度学习的视频会议画面人脸光照对称性评价方法

人脸光照对称性是影响视频会议画面人脸质量的一个关键因素,本文通过分析人脸光照特性,引入卷积神经网络,提出一种基于深度学习的视频会议画面人脸光照对称性评价方法,在实验的基础上验证了与主观标记的一致性.     

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。     

基于肤色统计矩和Adaboost算法的人脸检测研究

采用基于Adaboost的人脸检测算法检测出彩色图像中的人脸候选区域,在此基础上利用人脸肤色统计矩剔除非人脸区域,最终实现对人脸的准确检测.由于本算法检测速度快、准确率高可以应用于对实时性要求较高的智能监控领域.     

基于人脸检测与跟踪的智能监控系统

针对现有视频监控系统的缺陷,提出一种新的基于人脸检测与跟踪的智能监控系统.利用对称差分算法,自动检测场景中的运动区域,限制搜索范围;然后利用BP神经网络对肤色进行识别,获得候选人脸区域,该方法比固定阈值肤色检测方法具有更强的环境适应能力;经过人脸验证,最终定位图像中的人脸;对检测出的人脸,提出了新的基于肤色信息和维护运动人脸缓冲池的方法,主动跟踪目标人脸.依据检测出的人脸信息和当前的日期、时间,建立相应的监控信息标注数据库,以供后期查询.实验表明,该系统能够实时可靠地检测、跟踪运动人脸,满足特定的监控要求.     

基于虚拟曝光融合的光照自适应人脸图像增强方法

为了提高复杂光照条件下的人脸识别性能,提出一种基于虚拟曝光融合的光照自适应人脸图像增强方法。该方法针对检测到的人脸图像,计算其平均亮度,并与经由统计学习得到的正常光照人脸图像的亮度区间进行比较,判定其光照水平,分为低光照、高光照或正常光照,然后基于相机响应模型采用虚拟曝光融合的方法对低光照和高光照人脸图像进行光照增强处理,此过程循环迭代处理直到增强的人脸图像平均亮度达到正常水平。这种光照自适应增强后的人脸图像可作为输入无缝接入现有的人脸识别算法中,从而改善人脸识别系统性能。在Extended Yale B和CMU_PIE人脸图像数据库上的实验结果表明,该方法能有效提高复杂光照下的人脸识别率。     

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。