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％。     

基于层次型支持向量机的人脸检测

复杂背景中的人脸检测可广泛应用于人脸识别、人机交互等方面。但目前大部分人脸检测方法中存在分类器训练困难和检测计算量大等问题。提出了一种基于层次型支持向量机的正面直立人脸检测方法,在这两方面作了改进。这种结构的分类器由一个线性支持向量机组合和一个非线性支持向量机组成,由前者在保证检测率的情况下快速排除掉图像中绝大部分非人脸区域,后者对人脸候选区域进行进一步确认。在卡内基梅隆CMU等数据库上的实验证明了这种方法不仅具有较高的检测率和较低的误检率,而且具有较小的计算量。     

融合人脸特征和相关向量机的多姿态人脸检测

多姿态人脸检测是人脸检测研究领域中的难点和热点之一,针对这一实际应用中亟待解决的难题,提出融合人脸特征和相关向量机的检测算法。算法首先利用肤色特征快速排除大部分背景,在肤色区域中搜索眼睛和嘴巴区域。根据眼睛和嘴巴区域的几何特征所确定的人脸方向,分割出大致正向的人脸候选区域。最后选用分类性能比支持向量机更优的相关向量机对候选区域进行分类。对比实验表明,算法提高了多姿态人脸的检测率,对光照、表情和遮挡有较强的鲁棒性。     

基于DCT特征与SVM分类的人脸检测

一般的人脸检测在运行时间及检测率上都不能得到很好的保证.本文提出了基于离散余弦变换的支持向量机的人脸检测方法,利用离散余弦变化后的系数作为支持向量机的输入特征,实验表明该方法具有更好的检测效果.实验还表明,在采用离散余弦变换系数作为检测特征值时,检测准确率并不是随着所选取特征值个数的增加而提高.     

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Gabor小波支持向量机的人脸检测

提出了一种基于Gabor小波的支持向量机人脸检测方法.该方法首先提取人脸和非人脸样本库的Gabor小波特征,构造学习样本集,再训练支持向量机,计算出最优分类决策函数.对比实验结果表明,本文提出的方法简单、计算复杂度低、效率高、对正面垂直人脸的检测和定位准确度高.     

改进AdaBoost与SVM快速人脸检测

使用Ada Boost进行人脸检测,存在训练时间长以及误检率高的问题.本文提出了一种新的快速人脸检测方法.首先通过对类Haar特征约束,提高人脸特征选取的有效性,减少整体特征数;然后利用基于梯度方向直方图HOG特征的支持向量机SVM算法对改进后的Ada Boost算法出现的高误检率进行检测优化,以降低误检率,提高检测的准确度.实验结果表明,本文提出的Ada Boost改进算法可以有效地缩短训练和检测时间,结合SVM优化实验可以大大降低误检率,提高人脸检测的正检率,实现快速高效的人脸检测.     

人脸检测研究现状和发展

人脸检测问题已经成为计算机视觉领域中的重要问题．从显式特征和隐式特征两个方向出发，分析了肤色模型、模板匹配、特征脸、人工神经网络、支持向量机及积分图像特征等多种方法在人脸检测中的应用，对人脸研究问题的现状作了全面介绍，并通过对相关论文的系统分析，在相同的测试集上对部分方法进行了比较和评估，指出了相应方法的适用性，最后提出了该研究领域还存在的问题及发展趋势．     

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.