图像灰度熵特征与SVM分类结合的人脸检测

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸检测方法.在信息论的编码熵的基础上提出了灰度熵的概念,并把人脸图像的行像素灰度熵和列像素灰度熵作为人脸图像的部分特征.在人脸检测系统中,把人脸图像的灰度值和行像素灰度熵和列像素灰度熵作为特征用支持向量机进行训练,得到检测用分类模型,然后把分类模型应用于人脸检测.实验证明了这种方法的有效性.     

图像灰度熵特征与SVM分类结合的人脸检测

提出了一种基于支持向量机并综合图像灰度值和灰度熵的人脸检测方法．在信息论的编码熵的基础上提出了灰度熵的概念，并把人脸图像的行像素灰度熵和列像素灰度熵作为人脸图像的部分特征．在人脸检测系统中，把人脸图像的灰度值和行像素灰度熵和列像素灰度熵作为特征用支持向量机进行训练，得到检测用分类模型，然后把分类模型应用于人脸检测．实验证明了这种方法的有效性。     

基于边缘检测的人脸正面图像识别

人脸识别系统是高级信息检索和机器人视觉的重要内容.主要提供了基于人脸正面图像特征提取的方法.在具体实施的过程中,首先是将彩色图像转化成灰度图像来增加图像本身的对比度,以便图像的边缘检测和特征定位,其次是利用边缘检测的方法,对人脸图像进行特征提取,以达到人脸特征识别的目的.     

基于灰度信息和支持向量机的人眼检测方法

提出一种基于灰度信息和支持向量机的人眼检测方法.首先,利用人眼区域灰度变化比人脸其他部位灰度变化明显的特征,采用图像灰度二阶矩(方差)建立人眼方差滤波器,在固定人眼搜索区域内,应用人眼方差滤波器搜索候选人眼图像;然后,使用训练的支持向量机分类器精确检测人眼区域位置;最后,采用图像灰度信息率定位人眼中心(虹膜中心).该方法在BioID、FERET和IMM人脸数据库中的测试结果显示：没有佩戴眼镜人脸图像正确率分别为98.2%、97.8%和98.9%,406幅佩戴眼镜人脸图像正确率为94.9%;人眼中心定位正确率分别为90.5%、88.3%和96.1%.通过与目前方法比较,该方法获得较好的检测效果.     

基于梯度信息的灰度人脸检测

针对灰度图像提出了一种有效的人脸检测算法。首先对原始灰度图像利用Sobel边缘检测算子得到水平方向的梯度信息;在此基础上,结合人的眼睛灰度信息得到眼睛的初步候选区域,并根据眼睛的几何特征删除非眼睛区域;然后利用眼睛的几何特征以及人脸的“三停五眼”特性确定真正的眼睛和嘴的区域,在精确定位眼睛和嘴的几何位置后确定人脸区域;最后利用人脸的左右对称性来验证人脸。实验表明,该算法对于灰度图像的正面人脸定位以及人脸检测具有良好的效果。     

人脸图像灰度分布统计分析与检测特征设计

人脸图像的明暗视觉效果是面部五官稳定分布模式的外在表现,灰度分布模式可用做区分人脸与非人脸的依据.相对灰度比绝对灰度的抗光照干扰能力更强,为此以相对灰度均值和灰度标准差的比值衡量任一像素的明暗稳定程度,据此划分多个人脸明暗区域,将明暗区域配对组合为域灰度差检测特征,并基于优选出的28个域特征构建的42个隐节点的三层反馈神经网络检测分类器,对包含有图像质量恶劣的图像集进行测试,等误差率低于1.7%.测试结果表明所提方法有效可行,仅用28个特征就达到了与Viola算法数千个Haar类灰度差特征相仿的检测效果.     

基于图像处理的人脸检测研究

针对人脸识别的预处理,采用图像处理技术解决了人脸检测问题。首先建立输入图像的肤色模型,然后进行开运算处理,以消除图像噪声利于后面的眼睛定位。再对二值图像做灰度投影实现人脸粗分割,定位双眼。最后对细化分割出来的人脸区域进行标准化操作,包括灰度的均衡处理和Mallat算法二维小波分解。灰度均衡把原始图像的直方图变换为均匀分布的形式,增加像素灰度值的范围。小波分解可以压缩图像,以降低算法的复杂度。每个步骤通过处理前后人脸图像的对比彰显所做步骤的意义。人脸检测的最终结果是获得64×64大小的人脸图像。此图像包含了人脸的有效信息,在此图像的基础上才能进行后续的提取特征、设计支持向量机,进而做人脸识别。     

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.     

人脸检测与识别

人脸是人主要的身份特征之一,人脸识别在信息管理、身份验证、视频监控、机器视觉等领域有着重要的实用价值.本文以中央民族大学信息工程学院本科生人脸数据库为背景,从应用的角度出发,开发了基于人脸识别的学生身份确认系统.整个系统主要分为图像预处理、人脸检测和人脸识别三个部分.图像预处理包括图像大小归一和图像灰度均衡;人脸检测采用Harr分类器;利用PCA（主成分分析）获得投影矩阵和维数适中的能够表征人脸的特征向量;基于最近邻原则,进行人脸匹配.系统测试结果表明,该系统能够完成基于人脸识别的学生身份信息查询功能.     

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。     

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％。     

人脸检测与识别方法研究

人脸图像处理包括人脸检测、人脸识别等．分析了有关人脸检测问题的研究方法并对其进行了分类和评价,重点介绍了人脸自动识别这一领域的研究方法并对其进行了简要分析评价,最后提出了人脸图像处理领域的研究展望．     

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．     

快速人脸检测技术在证件照中的应用与研究

在人脸识别应用中,经常会应用到证件照图像,要对其进行识别处理,就先要进行人脸捡测.与普通图像不同的是,有些证件照图像本身已经接近人脸检测结果要求,有些可能是半身照,证件照的许多共有特征可以在人脸检测过程中起到很好的辅助判别作用实现快速检测,并不需要使用复杂的算法就可以取得较好的检测效果.经过研究与实验,本文针对证件照图像设计了一种基于肤色分割的快速人脸检测算法,利用证件照的特性取得快速准确的检测结果.     

Real-Time Multi-View Face Detection and Pose Estimation Based on Cost-Sensitive AdaBoost

Locating multi-view faces in images with a complex background remains a challenging problem.In this paper, an integrated method for real-time multi-view face detection and pose estimation is presented.A simple-to-complex and coarse-to-fine view-based detector architecture has been designed to detect multiview faces and estimate their poses efficiently. Both the pose estimators and the view-based face/nonface detectors are trained by a cost-sensitive AdaBoost algorithm to improve the generalization ability. Experimental results show that the proposed multi-view face detector, which can be constructed easily, gives more robust face detection and pose estimation and has a faster real-time detection speed compared with other conventional methods.     

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.     

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.     

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．     

Adaboost算法在人脸检测中的应用

针对人脸检测的特点,详细叙述了检测中应用的特征值的计算以及积分图的使用,给出了基于Adaboost算法的弱分类器选取和单个强分类器的训练过程,以及最后的层叠分类器的具体组成形式.基于此算法的人脸检测具有检测率高、速度快、对于光照变化适应性强的特点,能够达到实时检测的要求.