复杂背景下基于运动特征的人面定位

对传统的光流算法进行了改进，提出了一种新的分割图像的方法，并与传统的神经网络算法相结合，通过两步定位模型，进行人面定位，其中，搜索定位是本系统最关系的一步，采用两步法，首先进行候选人面区域的分割，然后进行基于神经网络的人面精确定位，实验结果表明，采用的两步法在复杂背景下具有运动特征的人面定位过程中，具有实时性、鲁棒性好及实用性强的诸多优点，通过实验，取得了满意的效果，并且所涉及的人面定位系统将是后阶段完整人面识别系统的重要组成部分。     

视频会议图像序列中含人脸的前景分割

人脸是一个非刚体，其运动分割一直是一个难点，在首先建立色度和象素点运动矢量幅值一致性的区域分割的基础上，通过运用考虑到模型失败的运动模型图像分割技术，从而得到含人脸的前景分割，新的算法可以准确地将包含人脸的前景与背景分开，实验结果显示了算法的有效性。     

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。     

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。     

基于非单色背景下的人脸彩色图象定位算法与实现技术

针对非单色背景下的人脸，本提出了一种新的人脸定位算法。该算法包括两个部分：首先进行肤色分割，该采用迭代算法计算Cb、Cr阚值，进行自动分割，可完整地分割出人脸部分；然后进行人脸定位，由于嘴唇具有较高的Cr值，可去除嘴唇部分以消除嘴唇对其它图象部分的影响，利用水平、竖直灰度特性确定人眼坐标，将人脸图象规范化。实验结果证明了该算法的有效性。     

基于虚拟样本扩张法的单样本人脸识别算法研究

随着人脸识别技术的不断发展,单样本人脸识别已成为当今的一个热点。针对单样本人脸识别问题,提出了一种基于虚拟样本扩展的人脸识别方法,为给定的单训练样本增加虚拟图像,以增强单训练样本的分类信息,并对原样本及其虚拟样本进行特征变换,划分得到更多的子图像,利用二维主成分分析(2DPCA)实现特征抽取,一定程度上减轻了人脸的表情、姿态、光照等因素对识别效果的影响,提高了识别率。提出的方法分别在ORL及FERET两大人脸数据库上得到了验证。     

A fast SVM training algorithm based on the set segmentation and k-means clustering

At present, studies on training algorithms for support vector machines (SVM) are important issues in the field of machine learning. It is a challenging task to improve the efficiency of the algorithm without reducing the generalization performance of SVM. To face this challenge, a new SVM training algorithm based on the set segmentation and k-means clustering is presented in this paper. The new idea is to divide all the original training data into many subsets, followed by clustering each subset using k-means clustering and finally train SVM using the new data set obtained from clustering centroids. Considering that the decomposition algorithm such as SVMlight is one of the major methods for solving support vector machines, the SVMlight is used in our experiments. Simulations on different types of problems show that the proposed method can solve efficiently not only large linear classification problems but also large nonlinear ones.     

一种视频对象提取与跟踪的新方法

针对视频对象的分割问题，提出了一种新的视频对象提取与跟踪方法．首先采用分水岭分割和区域合并的方法进行初始分割，再通过光流场估计和全局运动估计计算全局运动的残余误差，在分割的每个区域上利用残余误差数据进行假设检验以确定运动区域，组合所有的运动区域即可提取完整的视频对象．然后使用双向投影的方法在后续帧中快速准确地跟踪视频对象，前向投影用来定位视频对象和简化分割计算，后向投影则用来确定每个分割的区域是否属于跟踪的视频对象．对MPEG-4测试序列的实验结果表明，本方法具有良好的分割性能．     

一种快速人脸跟踪算法的研究

提出了一种新的在连续运动场景中人脸的检测和跟踪方法.首先采取FloatBoost算法检测人脸,以提高检测速度和精度,然后运用运动学原理及运动估计的思想,利用时间序列分析中移动平均法和指数平滑法预测下一帧图像中跟踪目标的运动位置区域,以减少图像搜索区域,降低处理资源的消耗,达到实时跟踪的效果.仿真实验中,利用MATLAB进行人脸的检测、跟踪实验,并运用本文算法与FSA,CPME算法对跟踪目标物体的时间进行了对比实验.实验结果表明,本文所提出的方法具有良好的实时性和准确性.     

Motion segmentation based on dual interrelated models

Motion segmentation plays an important role in many vision applications, yet it is still a challenging problem in complex scenes. The typical conditions in real world scenarios like illumination variations, dynamic backgrounds and camera shaking make negative effects on segmentation performance. In this paper, a newly designed method for robust motion segmentation is proposed, which is mainly composed of two interrelated models. One is a normal random model(N-model), and the other is called enhanced random model(E-model). They are constructed and updated in spatio-temporal information for adapting to illumination changes and dynamic backgrounds, and operate in an Ada- Boost-like strategy. The exhaustive experimental evaluations on complex scenes demonstrate that the proposed method outperforms the state-of-the-art methods.     

fMRI evidence for objects as the units of attentional selection.

Contrasting theories of visual attention emphasize selection by spatial location, visual features (such as motion or colour) or whole objects. Here we used functional magnetic resonance imaging (fMRI) to test key predictions of the object-based theory, which proposes that pre-attentive mechanisms segment the visual array into discrete objects, groups, or surfaces, which serve as targets for visual attention. Subjects viewed stimuli consisting of a face transparently superimposed on a house, with one moving and the other stationary. In different conditions, subjects attended to the face, the house or the motion. The magnetic resonance signal from each subject's fusiform face area, parahippocampal place area and area MT/MST provided a measure of the processing of faces, houses and visual motion, respectively. Although all three attributes occupied the same location, attending to one attribute of an object (such as the motion of a moving face) enhanced the neural representation not only of that attribute but also of the other attribute of the same object (for example, the face), compared with attributes of the other object (for example, the house). These results cannot be explained by models in which attention selects locations or features, and provide physiological evidence that whole objects are selected even when only one visual attribute is relevant.     

基于边缘光流法向分量的运动区域划分

为克服传统运动区域分割算法对光流求解正确度的依赖,提出了一种基于光流法向分量的运动区域分割算法.该算法利用有区别的同区域判决函数对各个边缘点及其邻域进行光流法向分量的相关性聚类.利用Matlab软件对合成图像和真实图像进行了仿真.结果表明,在参数选择合理的情况下,该算法能够正确地对图像序列中的运动区域进行分割;并且由于仅对于边缘点处的光流法向分量进行处理,算法速度也比基于完全光流矢量的算法有所提高.     

基于切比雪夫分割法的铣削稳定性分析

利用切比雪夫分割法离散延时微分方程中的时间周期项,然后采用二阶Newton差商方法求出每个时间元端点处铣刀的运动向量,进而得到铣削系统的传递矩阵,并用Floquet理论判断铣削系统的稳定性.利用以上方法,研究了一个两自由度铣削系统稳定性问题,得到了系统稳定性叶瓣图.结果表明:在同等计算精度的要求下,切比雪夫分割法比平均分割法所取的点数要少,计算效率较高;将时间周期分割成相同的份数,切比雪夫分割法计算精度高.     

基于多任务CNN的人脸活体多属性检测

人脸的活体检测是人脸识别系统的安全性保证,传统交互式活体状态识别中通常先进行关键点检测,再进行人脸活体状态判断,无法利用活体属性之间关联性同时进行多种活体属性检测。基于多任务卷积神经网络(convolutional neural network,CNN),提出了一种直接从输入人脸中同时判断人脸的眼睛睁闭状态、嘴巴的张闭状态、头部点头状态和摇头中左右侧脸状态四个任务的活体检测方法。该方法利用多层CNN强大的特征提取能力、多任务的并行能力和四个任务中的关联性,直接提取人脸照片中的特征信息,判断人脸多个活体属性。实际应用结果表明,这种基于多任务CNN方法的准确率在四个任务中均可达95%以上,甚至达到98%以上,无论检测的准确率还是同时检测多个任务的能力均明显优于传统的人脸活体属性检测方法。     

边缘信息指导下的半模糊聚类图像分割方法

提出了一种利用边缘信息的半模糊均值聚类的图像分割算法，它先用边缘检测和区域生长算法对图像进行一次预分割，确定聚类的初始参数，然后在这个基础上对“边缘”部分的点采用模糊聚类、非“边缘”部分使用分明聚类，避免了模糊聚类时初始参数设定的盲目性，减少了迭代时的计算量，提高了迭代收敛速度．除灰度特征外，聚类时还利用了点到类的距离特征，较好地保持了分割图像的连续性．直接观察对比多幅图像的分割实验结果可以明显地发现，该算法较常用的Cksu方法、二维熵阈值分割方法以及FCM方法的分割结果更准确．就Lena图像而言，该算法的收敛速度也比一般的FCM快了将近一倍．     

Exploiting Effective Facial Patches for Robust Gender Recognition

Gender classification is an important task in automated face analysis. Most existing approaches for gender classification use only raw/aligned face images after face detection as input. These methods exhibit fair classification ability under constrained conditions, in which face images are acquired under similar illumination with similar poses. The performances of these methods may deteriorate when face images show drastic variances in poses and occlusion as routinely encountered in real-world data. The reduction in the performances of current gender classification methods may be attributed to the sensitiveness of features to image translations. This work proposes to alleviate this sensitivity by introducing a majority voting procedure that involves multiple face patches.Specifically, this work utilizes a deep learning method based on multiple large patches. Several Convolutional Neural Networks(CNN) are trained on individual, predefined patches that reflect various image resolutions and partial cropping. The decisions of each CNN are aggregated through majority voting to obtain the final gender classification accurately. Extensive experiments are conducted on four gender classification databases, including Labeled Face in-the-Wild(LFW), CelebA, ColorFeret, and All-Age Faces database, a novel database collected by our group. Each individual patch is evaluated, and complementary patches are selected for voting. We show that the classification accuracy of our method is comparable with that of state-of-the-art systems. This characteristic validates the effectiveness of our proposed method.     

流形正则化多核模型的模糊红外目标提取

针对模糊边缘的红外目标提取问题,提出一种基于流形正则化多核半监督分类的提取方法。首先应用最大类间方差法计算初始分割阈值,获得确定化的目标和背景区域以及待确定化的模糊边缘区域;然后建立各区域内像素点邻域空间集,并通过多核函数特征映射获得邻域空间中灰度均值和方差信息特征值,通过流形正则获得邻域空间中位置信息特征值;在特征值基础上,建立半监督分类模型对模糊边缘区域像素点邻域空间集进行类别划分;最后计算最佳分割阈值。对比实验结果表明,该方法提取模糊边缘红外目标效果好且运算效率高。     

基于局部分割的快速人脸识别

针对人脸识别系统易受光照,表情与遮挡等因素的影响,提出一种基于局部分割的快速人脸识别算法。首先,建立高斯肤色模型,并融合几何特征快速实现人脸粗定位;然后,利用局部初次匹配与全局特征的方法排除背景环境对人脸检测的干扰以及减少匹配过程中的计算量,同时运用LBP算子对2D-Fr FT的幅度与相位特征的互补信息进行编码;最后,采用最近邻分类器进行分类识别。本文的方法在公共人脸图像数据库上进行仿真实验。结果表明,该算法简单、鲁棒性高、在速度与准确性方面具有良好的性能。     

基于幂次变换和区域收缩算法的运动目标检测与定位

运动目标分割与跟踪是计算机视觉中的重要研究课题,而目标检测与定位是其中的必要步骤,对分割与跟踪效果影响很大.在此提出一种新的运动目标检测与定位方法,该方法在差分二值图像上,通过区域收缩定位到运动像素密度较大的区域,从而实现运动目标定位.在多目标情况下,先通过幂次变换突出不同位置的目标,然后再通过区域收缩实现目标定位,给出目标的特征矩形,便于进一步的跟踪与识别.该方法不需要任何关于目标数的先验知识,对噪声鲁棒性较强.文中给出的实验结果证明该算法的有效性.     

基于水平集方法的多运动目标分割

给出了一种对光照变化等实际环境中干扰不敏感的基于水平集和背景减的运动目标检测与分割方法。首先建立了当前帧图像与背景参考帧图像间的纹理差，并将其与灰度差相结合构成差图像；然后，分析了纹理特征，并采用适当措施减小由场景中杂乱运动产生的不利影响，从而实现运动目标的鲁棒检测；最后采用了基于区域的水平集方法，将多个信息有机地结合在一起，实现对多个刚体或非刚体运动目标的分割。实际采集序列图的仿真实验验证了该方法的有效性。