一种眼睛精确定位的人脸检测方法

提出了一种图像生成的概率模型,通过检测人脸区域与该区域内人脸的特征,获得最佳的推理算法．该方法将图像分割成若干任意大小区域,包括人脸区域与背景区域,其目的是对相似度模型进行改进,以便判别人脸与背景区域的生成部分,然后利用GentleBoost算法定位出任意图像的人脸和人眼部分．实验结果表明,采用该方法能获得较好的效果,具有一定的使用价值．     

一种基于人脸检测的人眼特征定位方法

人脸图像分析中,眼睛的精确定位是非常重要的一个环节。文章提出了一种基于人脸检测的人眼特征定位方法。首先采用AdaBoost人脸检测算法对人脸图像进行人脸检测,确定人脸位置。然后根据人脸面部结构特征估计人眼所在区域,利用该区域内的灰度和梯度特征搜索人眼特征点。实验表明该方法能够快速有效地定位出人眼特征。     

关于Adaboost算法在人脸检测中应用的研究

人脸检测算法研究是计算机视觉、模式辨识、图像处理等领域的一项重要研究方向,具有十分广泛的应用前景.详尽阐述了Adaboost算法的检测原理、特征值分布、积分图的计算,分类器的训练过程及强分类器的构建.对Adaboost算法对有倾斜角度人脸的识别具有检测盲区的缺陷,提出了算法的优化方法,引入两种新特征模版,训练后得到的分类器增强了倾斜人脸的检测率及误识率,达到了优化检测的目的.     

一种基于地形信息熵的人脸检测方法

提出一种基于地形信息熵的灰度人脸检测算法,能够部分地消除当前困扰人脸检测过程中的光照和噪声等因素的影响,尤其对阴阳脸的检测有一定的效果.该算法将人脸图像看作一种特殊的地形,并提取有效的信息熵;利用区域融合和区域过滤等操作,获取"人眼对"的候选区域;根据"三庭五眼"人脸特征,最终确定人脸的位置.实验表明,该方法在某种程度上可以有效地消除光照和噪声的影响.     

基于椭圆拟合的近红外图像的眼睛精确定位法

提出了一种新的近红外人脸图像的眼睛精确定位方法. 该方法首先使用基于Haar特征和AdaBoost算法的人脸检测分类器确定人脸区域和初始眼睛位置;然后用Sobel算子对眼睛区域进行边缘检测处理,得到眼睛边缘,并对它进行椭圆拟合获得眼睛的椭圆轮廓线;最后把拟合椭圆的中心点作为眼睛的精确位置. 实验表明,在正面人脸情况下,本方法能精确地定位近红外人脸图像的眼睛位置,在归一化人脸为120×120像素时,其平均误差小于1.5个像素,处理时间约7 ms.     

一种基于标准混合高斯模型的快速人脸检测方法

针对室内移动机器人运动过程提出一种快速而稳定的人脸检测方法.由于室内存在多种物体,背景不断变化,且光照条件可能不断变化,提出采用人脸肤色的标准混合高斯模型与人眼特征相结合的人脸检测法,无需对原始图像进行尺度变换.检测过程首先将经过补光处理及光线增强的人脸库转换到YCbCr空间,求其非线性变换空间YC'bC'r,求出左右脸标准正态密度函数及混合高斯分布;然后根据人眼颜色特征,分别对人脸肤色候选区域进行人眼候选区域提取,利用人眼Gabor模板的不变Hu矩与人眼候选区域的相关性,找出人眼拟合矩形区域,再综合利用人眼与人脸的特征关系以及人脸候选区域的投影关系检测出人脸区域.大量实验表明,新方法速度快,适应性较好,并可扩展检测到侧面人脸.     

基于眼睛状态识别的驾驶员疲劳监测

提出一种基于眼睛状态识别的驾驶员疲劳状态监测算法。在首帧定位人眼并在眼睛区域内提取多个具有互补性的特征,使用粒子滤波算法进行直接跟踪;在后续图像帧中利用CAMShift算法对初始检测到的人脸区域进行实时跟踪,在人脸区域中同步检测眼睛,检测结果用于粒子滤波器的后验确认和修正。在跟踪眼睛的同时检测每帧中的眼睛状态,通过连续帧中的眼睛状态判断出驾驶员精神状态。实验表明:该文算法对人脸旋转和尺度变化、摄像机抖动,以及遮挡的影响均具有较高的鲁棒性。     

基于视觉显著特征的人脸图像分割与跟踪方法的研究

将人脑视觉注意机制应用于人脸图像分割与跟踪中,提出了一种基于视觉显著特征的人脸目标分割与跟踪算法.该方法由三步完成：首先通过模拟人脑视觉注意机制迅速而准确地利用颜色、结构、梯度和位置等信息建立人脸显著特征图.其次,基于建立的视觉显著特征图,对人脸图像视觉显著特征进行学习和聚类,最终能够快速而准确地确认和分割出图像中的人脸区域.该方法突破了传统的逐点搜索的限制,通过一个几何模型和眼图模型对图像中的人脸区域进行搜索,大大提高了人脸候选区域搜索标记的效率,减少了后续处理工作.最后,通过分割出的人脸区域得到一个有效的边界特征图,并融合人脸显著特征图对人脸进行跟踪.实验结果表明本论文所提出的基于视觉显著特征的人脸图像分割与跟踪方法能够较有效地分割出人脸.     

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.     

基于Gamma和AdaBoost的人脸检测系统设计

为了有效地实现人脸的检测效果,文章在AdaBoost算法基础上提出一个改进的人脸检测算法．为了有效地消除光照和成像对人脸的影响,该算法将Canny修剪算法和伽马矫正算法进行结合,有效地消除光照和成像设备对人脸的影响．并利用VisualC＋＋和OpenCV等开发工具设计了一个人脸检测系统．本系统采用20×20的人脸图像和背景图像各1000张训练了一个7层的级联分类器,每一层构成的强分类器由一组基于Haar特征的弱分类器构成．该系统通过自选137幅包含人脸和背景的图片对系统进行测试,获得94．72％的正确检测率以及26．42％的误检率．     

基于姿态估计的多视角人脸检测

目前,对于多视角的人脸检测仍然是一个具有挑战性的难题.为了解决这个问题,提出了一种基于姿态估计的人脸检测的方法.在训练人脸分类器时,我们将视角范围划分成几个小区间,为每一个小区间利用Adaboost算法训练相应的分类器;在对图像进行检测时,对于任何给定的一幅图像,我们首先对其进行姿态的估计,并根据估计的结果选择相应的检测器对其进行检测.实验结果表明,提出的方法能很好地检测多视角人脸图像,在检测率和检测速度上都有很好的效果.     

基于AdaBoost算法与神经网络的快速虹膜检测与定位算法

针对目前已有的虹膜检测与定位算法的局限性, 设计了一组具有局部互联结构的神经网络, 结合AdaBoost算法用于虹膜的检测与定位. 算法主要有以下特征： 根据虹膜图像的特点设计了一组具有不同感受野和不同复杂程度的局部互联神经网络虹膜分类器; 应用AdaBoost算法整合神经网络分类器, 产生一个具有很强虹膜检测能力的总分类器; 采用级联结构提高系统的检测速度. 实验结果表明, 该方法具有极高的检测精度与速度, 有效地解决了包含大量脸部区域的虹膜检测与定位问题, 以及以往方法很难解决的白内障患者的虹膜检测和定位问题.     

基于双有序性约束的人脸年龄估计研究

目的 人类年龄是人类识别和搜索任务中的重要特征,现有研究一般将人脸年龄估计视为传统的分类任务,忽略了年龄之间的有序特征,导致估计年龄与真实年龄之间的差距较大,因此,有必要寻找一种方法以缩小估计年龄与实际年龄的差距。方法 提出一种基于双有序性约束卷积神经网络模型(DO-CNN)的人脸图像年龄估计方法。首先,DO-CNN使用基于广义Logistic分布的有序回归模型作为卷积神经网络的分类器,并验证比其他有序分类器在人脸估计任务上的优越性;接着,进一步提出有序竞争比损失函数,在传统竞争比损失函数上,通过引入风险项使损失函数注意到预测年龄与真实年龄的误差,进而指导模型缩小估计年龄与真实年龄的差距。结果 在开源人脸图像年龄数据集FGNET和AgeDB上的对比实验显示：相比现有研究方法,DO-CNN分别提升约12%和3%的准确率,当允许的误差范围扩大后,该优势依然保持。此外,基于广义Logistic分布的有序回归分类器相比基于其他分布的有序回归分类器具有明显提升。结论 实验结果表明：基于双有序性约束的卷积神经网络模型可以明显提升人脸年龄估计的准确率,并减少年龄估计的实际误差。     

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。     

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．     

改进的SIFT特征人脸识别方法ADSIFT

针对光照、表情、噪声等因素容易造成误识别的问题,提出一种改进的SIFT特征人脸识别方法.对每个训练图像,先提取得到SIFT特征向量集合,利用每个SIFT特征向量,并选择阈值构造一个弱分类器.利用一种基于Adaboost的算法从每个训练图像的弱分类器集合中选出一部分,确定其对应的阈值和权重,然后构造出该训练图像的相似度函数.根据相似度函数可计算出目标图像与每个训练图像的相似度,从而求出目标图像与每个类的训练图像的平均相似度,则目标图像属于平均相似度最高的类.实验表明在ORL人脸数据库上则可达到98%识别率,优于现有的方法.     

基于LBP和OpenCV的实时人脸检测系统设计

为了在实时的视频流中快速准确地检测人脸信息,本文采用了一种基于人脸局部LBP特征的检测方法,利用Open CV视觉开发库,在Visual Studio2010环境下采用C++语言开发了一套实时人脸检测系统,利用Open CV中的两个工具opencv_traincascade和opencv_createsamples对样本数据库AR和FERET中的图像进行学习训练,通过训练后的人脸和人眼分类器face.xml和eye.xml文件对实时图像进行人脸检测。测试表明,相较于传统采用Haar特征的人脸检测系统,本文采用的LBP特征人脸检测系统,在检测速度和准确性方面效果更好,本系统也可以在移动平台上部署。