人脸特征点定位及其在心率检测中的应用研究

在人脸检测基础上,进一步确定眼睛、嘴巴、脸部外形轮廓等位置的问题称为人脸特征点定位,是人脸分析识别的关键技术。通过仪器测量心脏每分钟跳动的次数称为心率检测,是评估心脏功能的重要途径。随着心脏的跳动,血液在人体的循环流动会导致人体肤色发生相应的变化,据此可以进行心率测量。实际中,皮肤区域选择是心率分析测量的关键。总结了人脸特征点定位的主要方法,研究了基于AAM(Active Appearance Models)模型特征点定位的有效皮肤区域选择方法。通过提取信噪比高的人脸区域进行分析,测量得到心率信息。实验结果表明,该方法能有效提高心率检测准确率和鲁棒性。     

改进的小波阈值函数在心率检测中的应用

基于人脸视频图像的心率检测是根据血液的运动使人脸皮肤颜色发生细微的变化,提取出含有脉搏信息的信号,从而得出心率值的方法。由于受背景光照、环境温度等因素的影响,在提取心率信号的过程中不可避免地带有噪声,导致检测的心率值不准确。针对这一问题,提出了一种改进的小波阈值函数并应用在心率检测中。改进的小波阈值函数既满足阈值函数的连续性,又避免了软阈值函数恒定偏差的问题,同时通过调节参数能灵活地调节阈值函数,从而实现了对心率准确、有效地估计。实验表明,改进的阈值函数去噪优于软、硬阈值函数,心率检测准确、有效。该方法在监测生命健康、监控运动安全、防止疲劳驾驶等领域有着很好的应用前景。     

基于肤色分割和神经网络确认的快速人脸检测

为了提高人脸检测速度,提出了一种基于肤色分割的快速人脸检测方法．利用颜色信息将彩色图像分割成皮肤区域和非皮肤区域,从而缩小了神经网络的检测区域,提高了人脸检测速度．     

基于YOLOv3模型的人脸检测与头部姿态估计融合算法

针对头部姿态估计中的人脸检测框尺寸难于学习问题和将人脸检测、头部姿态估计分为两阶段的模型中流程复杂、耦合程度高、误差累积严重的问题,本文提出一种基于YOLOv3模型的人脸检测与头部姿态估计融合算法。通过K-means聚类方法对训练集中人脸区域的尺寸进行聚类,得出9组聚类结果,以模拟真实情况下人脸区域的尺寸和比例;通过拓展YOLOv3模型,实现人脸检测和头部姿态估计同时进行,并在3个不同层次的特征图上进行人脸检测和头部姿态估计,实现对特征图的多尺度检测,充分利用了特征图中的信息;采用端到端模式进行训练,简化头部姿态估计任务的处理流程。在CAS-PEAL-R1姿态子集上取得99.23%的预测准确率,在Pointing′04数据集上pitch和yaw方向分别取得了3.79°和4.24°的平均绝对误差。结果表明,本模型在满足实时性要求的前提下,能够出色完成人脸区域检测与头部姿态估计任务,充分证实本文方法的可靠性与实用性。     

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％。     

典型相关分析融合LBP和HOG特征的人脸年龄估计

通过人脸分析方法估计人类年龄的困难在于人脸外观的变化原因除了年龄变化,还受生活方式及环境等影响。人脸图像在采集时的复杂性造成的光照不均,人脸姿势等,也增加年龄估计难度。目前大多数年龄估计的方法都是预先对人脸图像进行灰度均衡和人脸矫正等预处理,采用外形或纹理信息作为特性的估计方法。提出一种多特征融合的人脸年龄估计方法,采用有较好的光照及旋转不变性的局部二进制模式(LBP)和梯度直方图(HOG)作为人脸年龄变化的特征描述子,用典型相关分析法(CCA)在特征层将LBP和HOG融合成更具年龄变化鉴别力的特征。然后通过学习得到一个多线性回归函数揭示融合后的特征和年龄之间的关系。实验结果表明该方法在没有人脸矫正等预处理的情况能取得较好效果。     

头部多角度的眼睛定位与状态分析

针对彩色图像中人脸在多角度状态下眼睛定位困难的现状,提出了一种基于颜色信息且不受头部姿势影响的人眼精确定位的新方法。该算法首先检测出彩色图像中的人脸位置;然后在人脸区域内,根据肤色与眼睛、眉毛等颜色的差异性进行区分,得到脸部区域的非皮肤部分;接着对非皮肤部分进行数学形态运算,去除干扰点;然后采用平均复杂度方法定位出眼睛区域,并采用相似度计算检验眼睛定位正确与否;最后在眼睛区域内,精确定位眼白、虹膜,通过计算眼睛面积分析眼睛睁开程度。实验结果表明,该算法能精确检测出彩色图像中的眼睛并能快速判断出眼睛的状态。该方法不受头部姿势影响,计算简单,运算速度快,在定位精度及状态判断上具有优势。     

基于肤色补偿的人脸彩色照片高光修正方案

基于RGB色彩空间模型,结合人脸肤色特征和皮肤高光特征,采用手动指定高光中心及设置皮肤修正基色的方法,提出基于肤色彩色分量补偿的高光修正方案,并通过计算机对方案的修正效果进行实验验证.该方案根据人脸肤色特征对相片中人脸区域进行分割,识别出与皮肤高光灰度相近的眼白,眼珠反光等非处理区域,然后根据肤色特征和皮肤高光程度对高光区各颜色分量进行恰当的减量处理,实现人脸彩色照片高光修正.该方案简单可行,可控性强,可以对大多数人脸彩色照片进行较好的高光修正.     

基于RBF网络的人脸识别和表情分析方法研究

为解决人脸识别过程中出现的无法有效区分多姿态人脸的问题,进一步提高人脸表情识别率。本文在分析现有人脸表情识别方法的基础上,提出新的识别技术,即采用基于径向基函数(RBF)神经网络的方法,首先对图像皮肤和非皮肤像素进行分离,把人脸区域从检测到的皮肤区域中提取出来,然后以人脸表情数据库JAFFE为测试数据库,对人脸图像进行Gabor小波变换(GWT)和离散余弦变换(DCT),最后将该算法用于径向基函数神经网络的训练过程,建立相应优化模型,并将其应用到人脸表情的识别中,研究结果表明,具有收敛速度快、识别率高等优点,比文献中的方法提高了3%和8%的识别率。     

基于肤色的人脸检测算法研究

提出一种基于RGB、HSI空间和KL变换的人脸区域检测算法,根据待检测图像上每点的颜色值来判断它属于人体区域还是背景区域,从而检测出人脸所在的位置.实验表明,该种方法避免了在RGB、HSI和KL三个独立空间分别进行人脸检测所出现的人脸误测问题,通过大量的实验和检测,将三种方法有机的结合起来,较好地区分人脸区域和背景区域,具有很好的鲁棒性.     

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.     

基于肤色的人脸检测算法研究

提出一种基于RGB、HSI空间和KL变换的人脸区域检测算法，根据待检测图像上每点的颜色值来判断它属于人体区域还是背景区域，从而检测出人脸所在的位置。实验表明，该种方法避免了在RGB、HSI和KL三个独立空间分别进行人脸检测所出现的人脸误码测问题，通过大量的实验和检测，将三种方法有机的结合起来，较好地区分人脸区域和背景区域，具有很好的鲁棒性。     

基于肤色模型和模板匹配的人脸检测方法研究

提出了一种基于人脸肤色信息和模板匹配,对彩色图像中的人脸进行检测的方法。该方法首先在YCbCr色彩空间下,利用肤色信息将彩色图像中的肤色区域和非肤色区域分开,计算得到表示肤色相似度的色度图,然后分割由此色度图所生成的灰度图像,从而得到人脸检测的候选区域,同时计算该区域的欧拉数来进一步缩小人脸搜索的范围,结合人脸模板进行匹配,最终确定并标记出彩色图像中人脸的位置。实验结果表明:该方法能够在具有复杂背景的彩色图像中快速并且准确的检测出人脸,误检率较低。     

网上报名照片的人脸自动检测和裁剪系统

设计了基于肤色空间和积分投影的人脸检测和剪裁系统。首先对输入的图像建立YC_bC_r肤色模型，选择一部分皮肤区域样本，通过实验统计确定色度阈值的上限和下限，采用"双重阈值"方法将皮肤区域分割出来，然后对二值化图像进行形态学处理，最后进行水平积分投影和垂直积分投影，找到眼睛进而确定人脸区域，同时按要求进行裁剪图像。在输入图像被限定在“包含单张免冠人脸、角度正位、面部清晰、表情自然神态庄重”的条件下，检测准确率达96%以上。本系统实用性强，操作简单。     

改进的人眼定位算法在DSP上的快速实现

在PC机上实现人脸检测是一种非在线检测,具有非实时性和滞后性等缺点,而将嵌入式系统设计技术与数字图像处理技术相结合能够实现人脸的快速检测。以TMS320DM643建立实时图像处理硬件系统,通过CCD获取视频序列,再利用Harr脸部检测算法和Cam Shift运动目标跟踪算法来提取人脸区域。在此基础上采用临界值法和K-means算法进行人眼定位。采用C语言编程在TIDM643EVM上进行优化实验,完成一次操作只需0.48s。     

脸部美化的自适应算法研究

通过人脸特征的检测和识别对图片中人物脸部进行自动美化处理,利用搜索算法用颜色空间、空域和连通性来自动准确定位人脸和头发等特征区域,然后通过人脸的自适应美白和磨皮进行脸部美化.该方法解决了边界难处理的问题,将有助于人脸的自适应美化处理各特征区域.     

基于高斯加权和因子分析字典学习的人脸姿态估计

针对传统的非约束环境下人脸姿态估计方法无法在统一框架下很好地处理各种姿态相关和姿态无关因子等问题,设计了基于字典学习和稀疏表示的鲁棒性人脸姿态估计框架,提出一种新的基于鼻尖点高斯加权的人脸预处理方法.此外,为了提高字典的鉴别性,提出一种基于姿态相关和姿态不相关因子分析的鉴别字典学习算法.通过在公开的XJTU、Multi-PIE、CAS-PEAL-R1和AFLW人脸库实验,结果表明:该方法在具有光照、噪声和遮挡变化的人脸库上识别率均约达95%,基本可满足实际应用的要求.     

基于肤色分割的彩色图像的人脸检测

提出了一种基于肤色分割与统计特征分析并结合模板匹配的检测人脸方法，该方法能在复杂的背景下很好的检测出人脸。首先利用颜色信息对彩色图像分割成皮肤区域与非皮肤区域，然后对皮肤区域作尺寸大小、方差大小、旋转角度等处理后，再进行模板匹配。     

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CEEMDAN-FastICA算法的非接触心率检测

为了降低照明变化、相机内部等噪声干扰对远程光电容积描记法检测心率的误差,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)与快速独立成分分析(FastICA)相结合的去噪方法,实现非接触式心率准确检测.首先对视频图像中人脸68个关键点进行检测,获得感兴趣区域(ROI)并得到源信号;然后通过CEEMDAN对源信号进行分解并选取合适频段内的固有模式函数(IMF)进行重构,对重构信号进行FastICA盲源分离后将RGB各通道信号进行快速傅里叶变换,最终利用频谱峰值对应频率计算得到心率.对10名不同性别和年龄的人员进行了实验测量,并将测量结果与脉搏血氧检测参考仪器进行了对比分析,测量均方根误差和平均绝对误差分别为0.72bpm和0.60bpm.实验结果表明,所提方法能够有效去除心率检测源信号中的噪声,提高心率检测的准确性.