基于遗传算法重采样的人脸样本扩张

无论是对人脸检测还是人脸识别来说,训练或测试一个分类器都要进行数据的收集,目前所有基于统计学习的方法都存在这个问题.提出了一种针对已有的人脸样本通过采用遗传算法进行重采样来扩张样本的算法.其基本思想是,基于人脸样本由有限的部件构成,而且遗传算法可以用于模拟自然界中的遗传过程.这种模拟可以涵盖人脸的一些变化,比如不同的光照、姿态、饰物、图片质量等.为了证明该算法所生成样本的推广能力,将这些生成的样本用于训练一个基于AdaBoost的人脸检测器,并且将它在MIT+CMU的正面人脸测试库上进行了测试.实验结果表明,通过这种方法来收集数据可以有效地提高数据收集的速度和效率.

融合改进参考白和稀疏网络的彩色人脸检测

面部肤色的提取容易受到光照干扰,因此采用改进参考白和稀疏网络(SNoW)相结合的彩色人脸检测方法。首先,在对光照变化较大的人脸图像进行肤色提取之前,在HSV颜色空间进行参考白和直方图均衡的融合以减小光照变化引起的色彩偏差,再将参考白光照补偿结果进行肤色模型的人脸信息提取;最后借助稀疏网络模型法计算分割提取出的人脸区块特征并进行人脸的正确分类。实验结果表明,该方法实现了光照变化剧烈的复杂场景下较优的肤色提取及人脸的准确检测和定位,满足了系统实时性需求。

复杂背景和光照多变的人脸检测方法

复杂背景和光照多变的人脸检测是自动人脸识别系统需要解决的重要问题之一,首先利用YCbCr空间进行肤色分割,获取候选人脸区域,然后提取相应区块的LSMQT特征,并利用SNoW分类器进行特征分类,最终获取人脸在图像中的准确位置。实验证明,该方法对复杂背景和光照多变的图像中的人脸具有较高的正确检测率。

基于组件词表的物体识别

提出一种基于组件词表的物体识别方法,通过AdaBoost从物体样本图像的组件中选取一些最具区分性的组件,构成组件词表。每幅图像都用词表中的组件来表征,在此基础上用稀疏神经网络来训练分类器。实验结果表明,该方法识别精度较高,对于遮挡和复杂背景有较强的鲁棒性。