Face Detection under Complex Background and Illumination

For face detection under complex background and illumination, a detection method that combines the skin color segmentation and cost-sensitive Adaboost algorithm is proposed in this paper. First, by using the characteristic of human skin color clustering in the color space, the skin color area in YC b C r color space is extracted and a large number of irrelevant backgrounds are excluded; then for remedying the deficiencies of Adaboost algorithm, the cost-sensitive function is introduced into the Adaboost algorithm; finally the skin color segmentation and cost-sensitive Adaboost algorithm are combined for the face detection. Experimental results show that the proposed detection method has a higher detection rate and detection speed, which can more adapt to the actual field environment.

基于AdaBoost算法的快速人脸检测研究

研究了AdaBoost算法的原理和训练过程,分析了导致算法准确性下降的原因.使用高斯混合模型对人脸肤色建模,将可能存在人脸的区域从彩色图像中分离出来,再使用AdaBoost算法对该区域进行检测能够提高检测速度和准确率.实验结果验证了算法的准确性.

基于肤色分割与AdaBoost算法的人脸检测

提出了一种将肤色分割与AdaBoost算法相结合的人脸检测方法。该方法利用肤色的聚类特性在YCbCr色彩空间中建立肤色高斯模型,通过形态学处理完成图像肤色区域的筛选;然后利用AdaBoost算法训练弱分类器并构成强分类器,对强分类器进行组合,形成级联分类器并对候选区域进行人脸检测,排除非人脸肤色区域,实现对不同角度人脸的正确检测。该方法可同时解决肤色分割方法对复杂背景图像的高误检率与AdaBoost算法对多姿态人脸图像的低检测率的问题。仿真实验表明,该方法具有检测率高、误检率低、适应性好及鲁棒性强的优点,对具有多姿态、多人脸和复杂背景信息的图像具有较好的检测效果,实用性得到增强。

基于肤色分割和改进的AdaBoostSVM算法的人脸检测

为了提高人脸检测的速度和精度,提出了一种基于肤色分割与改进的AdaBoostSVM算法相结合的人脸检测方法。首先在YCgCr空间通过计算肤色相似度进行肤色分割,进而得到候选的人脸区域。然后,针对人脸检测中正负样本的非对称性对AdaBoostSVM算法进行改进,并用改进的AdaBoostSVM算法对候选人脸进行检测验证。实验结果表明,该方法改善了人脸检测性能,提高了检测速度,能够在复杂背景下进行快速而且较为准确的人脸检测。

基于改进Adaboost算法的人脸检测

针对传统Adaboost算法存在样本训练耗时、误检率较高的问题,提出了一种基于改进Adaboost算法的人脸检测方法。首先,利用肤色分割对待检测人脸图像进行预处理,然后,对传统Adaboost算法进行改进,在训练分类器过程中加入相关性判断,以减少弱分类器数量和提高样本训练速度,最后,对预处理过的待检测区域用改进的Adaboost算法进行人脸检测。实例测试表明,该方法在人脸检测中能够获得较高的检测率和较快的检测速度。

肤色特征与AdaBoost算法结合的人脸检测

文章提出了一种肤色模型与AdaBoost算法相结合的人脸检测方法。首先用YUV+YIQ肤色模型对输入的图像进行初步分割,剔除非肤色区域。再用Adaboost方法进一步检测,精确定位人脸位置。实验结果表明该方法简单、快速,能更好地提高检测的速度和精度。

基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.

E-learning系统中情感识别的研究

传统E-learning系统存在一个最大缺点是感情缺失,为弥补这一不足,需要在其中加入面部表情识别模块。表情识别模块分为3个阶段:人脸检测,图像标准化以及情感分类。其中人脸检测作为第一个阶段,是情感识别的前提。在众多人脸检测方法中,肤色分割是一种简单快捷的方法。以肤色分割为基础,提出了一种比较简单的人脸检测算法。实验结果表明,这种方法能够有效地识别出人脸及其器官(包括眼睛和嘴巴)的位置。

改进的高斯肤色模型及其在人脸检测中的应用

针对传统高斯肤色模型在肤色和光照变化较大情况下不能有效提取肤色区域的问题,提出一种改进的高斯肤色模型,并将其应用于人脸检测中。模型参数采用一种自适应更新的参数选择方法,通过对相似度人脸和灰度人脸在对应像素点加权相乘的方式,得到将肤色相似度信息和灰度分布信息有效结合的人脸肤色模型,并结合Adaboost算法设计了人脸检测方法。在FERET(facial recognition technology database)、LFW(labeled faces in the wild)、GTFD(Georgia Tech face database)和多人脸图库上的实验结果表明,该模型的肤色提取正确率比传统高斯肤色模型提高了27.1%,提出的人脸检测方法的检测率比Adaboost算法提高了5.5%。

基于Adboost与空间支持向量域分类的人脸检测

为了在AdaBoost算法基础上进一步提高人脸检测率,提出首先运用AdaBoost算法对样本进行训练得到T个分类器,然后通过空间支持向量域分类(SSVDC)方法找到T个分类器的超球半径以及球心。同时,为了提高检测速度,首先对彩色图像进行肤色分割,去掉背景以及非肤色区域,然后计算所测样本的对应T个分类器的特征值,并计算其到各个超球球心的距离,并根据其与超球半径的关系来判断是否为人脸。在ORL人脸库、YALE人脸库以及CMU+MIT人脸库中进行实验。实验结果表明:本文算法比AdaBoost算法具有更高的检测速度与检测率,检测率可达到94.4%。

基于肤色的复杂背景条件下的人脸检测

提出一种肤色与Adaboost方法相结合的人脸检测方法。首先把图像转换为YCbCr颜色空间,然后利用肤色在CbCr上的聚类性对图像进行预处理,最后,使用Adaboost算法对候选人脸集进行细化,最终得到人脸集合。实验证明该方法的有效性。

一种融合肤色和Haar特征的人脸检测方法

针对彩色图像提出了一种融合肤色与Haar特征的人脸检测方法。分别利用基于肤色模型和基于Haar特征的方法检测低像素图像和多人图像,在此基础上再次用基于肤色模型的方法进行后验证处理降低误检率。在Caltech Faces 1999 Database人脸库和自建人脸库上分别进行实验,结果表明,所提方法具有更优的检测效果。

一种动态视频流实时多人脸检测算法

针对传统的AdaBoost人脸检测算法对侧面及多姿态人脸检测误检率较高且检测速度较慢等问题,提出了一种动态视频流实时多人脸检测算法。仿真实验表明,通过使用该算法对静态图像以及动态视频流中的多个人脸实时检测,其结果比传统算法具有更低的误检率和更快检测速度。

实时视频中的快速人脸检测方法

提出一种实时视频中的快速人脸检测方法。采用DirectShow获取和回放视频帧,进行前处理。对所得彩色图像进行肤色分割,通过肤色的统计特性得到人脸候选区域,将该区域设置为感兴趣区域。运用基于局部扫描的AdaBoost算法对每个感兴趣区域进行检测。实验结果证明了该方法的有效性。

类肤色背景下的人脸追踪改进算法

针对人脸追踪过程中,基于目标色彩特征的CamShift(continuously adaptive mean-shift)算法受类肤色背景干扰所导致的搜索框偏移及尺寸异常问题,提出了一种结合肤色分割及追踪监测机制的人脸追踪改进算法。在YCbCr色彩空间的Cb、Cr分量内采用非参数肤色分割模型及SVM(support vector machines)构建特定于当前视频序列的联合肤色分割模型,以由粗至细的方式去除视频帧中类肤色背景。随后,在Cr分量内构建CamShift算法色彩直方图并进行人脸追踪。考虑在追踪过程中,当场景或光照强度改变时易出现的联合肤色分割模型及CamShift算法色彩直方图失效问题,采用拉依达准则(pauta criterion)判断追踪窗口内Cr分量均值的异常,当监测到异常值时即判定当前视频帧人脸追踪失败,使用Adaboost(adaptive boosting)算法构建的人脸检测器进行人脸复检并重构CamShift算法色彩直方图及联合肤色分割模型。在OTB-2015目标追踪数据集中进行测试,实验结果表明,所提算法在类肤色背景下相比原始CamShift算法对人脸目标的追踪精度更高;相比近几年的追踪算法则在具有良好追踪精度的同时速度优势明显。

基于OpenCV的人脸检测算法改进与优化

针对传统人脸识别系统中人脸检测准确率低、误检率高等问题,文中提出一种采用多线程的方式将多种分类器与肤色校验相结合的人脸检测方法。针对人脸检测的时间效率,基于肤色校验的检测方法表现较好,且Adaboost算法在人脸检测方面优势较大。故在此算法的基础之上,采用多线程的方式使用级联分类器进行多角度人脸检测,最后采用肤色分割对检测到的图像进行二次校验,从而增加了人脸检测的准确率。通过实验证明,采用这种方式能够对人脸图像的检测率提高4%,缩短人脸检测时间的同时又能提高人脸检测率。

基于肤色与Haar-like扩展集的驾驶员人脸检测算法

针对疲劳驾驶预警系统中人脸检测准确率低、误检率高的问题,提出一种基于肤色与Haar-like扩展集的驾驶员人脸检测算法。首先根据驾驶员人脸肤色在YCbCr色彩空间的聚类性、脸部特征及驾驶环境,筛选人脸肤色作为候选区;然后在传统基于Haar-like特征的AdaBoost算法中,加入两组新的符合人脸特征分布的Haar-like特征进行驾驶员人脸检测。以MIT人脸库和拍摄的驾驶员人脸图像作为训练与检测样本,与传统AdaBoost算法进行对比实验。结果表明,该算法对正面人脸和侧面人脸(倾斜角度小于45°)检测准确率分别提高1.25%和5.00%,误检率降低2.81%和4.50%,人脸检测准确率得到较大提高。

实时抗干扰的人脸检测方法

提出了一种针对实时视频流的稳定的人脸检测方法。在系统前端,结合金字塔结构、积分图和肤色覆盖率获取候选区域;级联分类器能有效检测人脸,通过改进连续型AdaBoost算法中平滑因子ε的选取方法,在加快收敛速度的同时避免过学习,合理的样本分布和弱分类器权重保证了低误检率和鲁棒性,GPU并行计算技术显著地加速了训练速度;在后端,卡尔曼滤波器用于预测和去噪,跟踪和检测结合的策略能加快处理速度。实验结果表明,该方法可以实时准确地检测人脸,能有效克服来自环境因素、姿态、表情以及遮挡的各种干扰。