结合肤色模型和卷积神经网络的手势识别方法

在手势识别研究过程中,人工选取特征难以适应手势的多变性。提出了一种结合肤色模型和卷积神经网络的手势识别方法,对采集的不同背景下的手势图像,首先用肤色高斯模型分割出手势区域,然后采用卷积神经网络建立手势的识别模型,该模型融合了手势特征提取和分类过程,模拟视觉传导和认知,有效避免了人工特征提取的主观性和局限性。识别模型以手势区域的灰度信息为输入,同时利用权值共享和池化等技术减少网络权值个数,降低了模型的复杂度。实验结果表明,卷积神经网络(CNN)方法能够有效进行特征学习,在不同数据集下对手势的平均识别率都达到95%以上,与传统方法进行对比实验,表明该方法具有较高的识别率和实时性。

基于肤色信息和模板匹配的人脸检测与提取

随着人机交互的日益发展,人脸识别中的重要环节人脸检测得到了越来越多的重视。人脸检测的关键在于准确率和效率。针对肤色信息进行人脸检测速度快、易于实现,但准确率不高的特点,将肤色信息与模板匹配的方法结合起来进行人脸检测。利用在YCb Cr色彩空间中的肤色高斯模型,进行肤色区域的分割,经过膨胀腐蚀、长宽比与欧拉数等规则的处理,完成人脸区域的粗检测。然后通过模板匹配的方法进行人脸的细检测,将检测出的人脸区域圈起来并进行提取,形成一系列的人脸图像。实验结果表明,两种方法结合后检测准确率有所提高,速度较快。

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%。

人体肤色区域的自适应模型分割方法

针对现有人体肤色区域分割方法在光照等环境因素变化情况下鲁棒性差、精确度不高的问题,提出一种自适应模型的人体肤色分割方法.首先通过AdaBoost实现自动人脸检测,得到包含光照等信息的脸部皮肤区域样本;然后将所取得的肤色样本在YCbCr颜色空间的Y分量和CbCr分量上分别建立高斯混合模型;最后利用改进的Mahalanobis距离度量其他像素与肤色模型间的相似度,并确定阈值来对整幅图像进行肤色分割.实验结果表明,与同类融合算法、CbCr固定阈值等肤色分割方法相比,该方法实现了自动化的肤色建模,在降低误检率的同时平均可以提高10%左右的正检率,具有更好的鲁棒性.

基于多肤色模型的人脸检测系统研究

对用于人脸检测系统的多种肤色模型进行了研究,详细分析了固定阈值分割法、高斯肤色模型法和最大类间方差法,并分别在加州理工大学彩色人脸库上进行了仿真实验。实验结果表明,在不同的光照条件和背景环境下,3种肤色模型分割效果并不一致,而主要影响因素就是光照条件。通过大量数据分析,统计出3种模型能达到最好分割效果时的光照条件。结合Y通道信息,提出根据光照条件自动切换3种肤色模型的人脸检测算法。相对于过去单一肤色模型的人脸检测系统,本系统更稳定,更能适应环境。

基于灰度直方图和高斯混合模型多特征肤色识别算法

肤色识别是色情图像识别和人脸检测中的关键技术,肤色识别的效果关系着相关图像处理技术的应用效果。尽管基于高斯混合模型的肤色识别算法能较好识别存在干扰因素的图像中的肤色,但对于图像中与肤色相近的毛发、背景、风景等部分识别效果并不理想。为了解决这个问题,结合灰度直方图和高斯混合模型的优势,提出了基于灰度直方图和高斯混合模型多特征肤色识别算法。实验表明该算法识别效率较高,能较好识别与肤色相近的非肤色部分,具有一定的实用性。

基于肤色特征的色情图像识别算法

随着网络技术的普及,互联网上色情图像的传播严重地影响青少年的身心健康。为了杜绝互联网上色情图像的传播,结合色情图像的肤色特征,在肤色模型的基础上提出了基于肤色特征的色情图像识别算法。实验表明该算法识别效率较高,具有一定的实用性。

一种基于K-均值聚类方法的肤色分割算法

随着智能化信息处理技术的发展,人脸检测与定位越来越受到重视.本文在利用颜色信息进行皮肤检测的过程中采用YCbCr颜色空间,利用高斯肤色模型,得到图像中任意像素属于肤色的概率,同时借鉴了模式识别中广泛应用的K-均值的思想,设计了基于K-均值聚类方法的肤色分割算法,完成了图像的二值化.

基于高斯混合模型自适应肤色识别算法

肤色识别是色情图像识别、人脸检测等图像处理技术的关键步骤,肤色识别效果的好坏直接影响相关图像处理技术的效果。图像中存在干扰因素时基于单高斯模型的肤色识别效果不佳,为了解决这个问题,在YCbCr色度空间基础上,提出了基于高斯混合模型自适应肤色识别算法。实验表明该算法识别效率较高,能较好地识别存在干扰因素图像中的肤色,具有一定的实用性。

利用彩色空间肤色模型实现快速人脸检测

本文采用在彩色空间建立肤色高斯模型的方法进行人脸区域与非人脸区域的大致分离,然后在分离结果中根据每一个8连通区域的形态特点和人脸的几何特征,去除误检出的非人脸区域。本文中彩色空间选用HSI和YCbCr彩色空间,相较于RGB彩色空间,这两种彩色空间都可以将亮度信息与色彩信息分离,减小了亮度不同所造成的影响。该方法具有操作简单,计算量小,快速、不易受表情姿态影响等优点。实验结果表明该方法可以作为特征提取前,提高图像处理效率和准确度的图像预处理操作。

基于肤色建模及自动阈值方式的手势提取研究

在手势图像处理中,手势轮廓识别率高低的基础之一就在于能否精确的把手势轮廓提取出来。针对类肤色信息和复杂背景的影响,提出一种用单峰高斯概率函数的方法把不同人种的肤色在YcbCr彩色空间的分布进行建模,建立的模型用于手势图像的提取得出手势图像的似然概率图,接下来应用自动阈值和图像处理方法提取了手势的最终二值化轮廓,实验结果表明本文所用方法的简单高速有效性。

复杂背景下的人体轮廓提取算法

针对现有人体轮廓提取方法在复杂背景情况下鲁棒性差、精确度不高的问题,提出了一种改进的自适应人体区域分割方法。首先提取肤色样本,并建立自适应高斯模型提取肤色区域,然后在HSV色彩空间分割提取服装区域,最后线性融合以上两检测区域实现人体区域的检测。实验结果表明,该方法可以得到比较准确且完整的人体区域,有效降低了复杂背景环境、光照等条件的限制。

基于在线学习的亮度自适应皮肤区域检测方法

提出了一种基于YCbCr色彩空间的亮度自适应的在线学习型肤色检测方法。在亮度自适应性方面,该方法通过考察肤色区域的颜色分量随亮度分量的变化规律,对传统的高斯模型进行了改进,同时提出了一种亮度自适应的阈值模型。在学习样本的选取方面,该方法利用人眼检测和基于结构的方法找出面部区域并以此作为肤色样本来计算模型参数。测试结果表明,该方法对光照变化及受试者肤色差异均有很好的鲁棒性,且在检测的正确率(Accuracy)和F1分数(F1-score)方面优于传统方法。

基于小样本训练集的肤色模型建立方法

肤色模型的应用大多是建立在小样本训练集上,而目前常用的肤色模型理论却主要是利用大训练集来提高模型的精确性。那么,如何实现一种基于小样本训练集的且具有较高精确度的肤色模型呢?文章在对该领域常用的三种典型肤色模型分析比较的基础上提出了一种多模型相互结合的肤色模型———统计色度空间模型。实验表明在四种模型中效果是最好的。

基于灰度积分投影与霍夫圆变换算法的人眼瞳距自动检测

人眼瞳距在视光学研究中和配置眼镜时都是需要精确测量的基础性参数,实现瞳距自动检测具有重要的应用价值,结合高斯肤色模型,提出一种基于灰度积分投影与霍夫圆变换算法的人眼瞳孔定位和瞳距计算方法.首先,通过二维伽马函数的自适应亮度校正方法对图像进行光照补偿预处理,在此基础上,利用肤色概率模型检测人脸并提取出面部区域.再运用灰度积分投影法,选取合适的阈值对眼部区域进行提取,经过一系列形态学图像处理,采用Canny边缘检测算子实现瞳孔边缘检测,最后通过Hough圆变换算法进行瞳孔定位,并对其中心距离进行计算.研究结果表明,该算法具有较快的瞳孔定位速度,能够较精确地实现瞳距自动测量,为瞳孔测距的智能化技术研究奠定了基础.

基于多高斯肤色分割和Haar-like强度特征的人脸检测

为了充分利用图像的肤色信息与人脸轮廓信息,本文提出了一种基于肤色预处理和Haar-like强度特征的人脸检测方法.首先,将图像转换到YCbCr色彩空间上,用肤色的多高斯阈值分割方法将肤色候选区域标定出来;然后用扩展特征集训练得到的级联分类器对肤色候选区域满足一定比例的待检测图像片进行检测,不满足的直接排除.实验结果表明,该方法比传统AdaBoost方法检测速度更快,检测率更高.

一种融合改进型AdaBoost和肤色模型的人脸检测方法

人脸检测是人脸信息处理领域中的一项关键技术,当图像中具有复杂背景或多人脸时,不能够快速准确地检测人脸,成为了人脸检测领域的重要的问题。论文首先提出了一种基于双阈值的改进型Ada Boost分类器算法,使用双阈值的弱分类器代替单阈值的弱分类器,从而提高单特征的分类能力,并给出了双阈值的搜索方法;其次提出了一种基于Harr特征的改进后的Ada Boost分类器融合YCb Cr空间高斯肤色模型的人脸检测方法,首先采用基于Harr特征的改进型Ada Boost人脸检测算法对输入图片进行预检测,再用基于高斯肤色模型的检测算法剔除误检的人脸区域。实验结果表明,该文提出的方法检测率高、误检率低,具有可靠的检测性能。

基于颜色和纹理的皮肤检测方法

提出一种新的基于颜色和纹理特征的皮肤检测方法,应用JSEG算法将图像分割成任意形状的相似图像区域集,然后从中提取颜色特征和纹理特征,最后应用高斯混合模型(Gaussian Mixture Model,GMM),并根据一定的判断准则(综合考虑颜色特征和纹理特征)进行皮肤和非皮肤区域分类．

一种与局部模型相结合的自适应肤色检测方法

使用预先训练得到的肤色高斯模型进行肤色检测,容易受到环境影响。为了提高肤色检测的性能和精度,提出一种与局部模型相结合的自适应肤色模型检测方法。在YCgCr颜色空间中使用高斯模型对图像进行肤色分割,并利用初次检测到的肤色区域像素数据建立局部模型,估计出模型参数。把局部模型与预先训练得到的参数相结合,得到自适应的肤色模型。实验表明,该方法和单独的肤色高斯模型相比,提高了在不同背景和光照下肤色检测正确率。

一种新型成人图像自动检测系统

肤色检测是成人图像检测中快速有效的检测技术,但是它的检出率和误检率都高。为了能够准确检测成人图像且尽量避免无害图像被误检,我们提出将高斯混合模型、颜色自相关图和人脸检测三种检测器相结合的方法。后面两个步骤的主要目的就是降低误检率。其中,颜色自相关图检测器不同于以往系统,因为颜色自相关图描述子不仅考虑了颜色的空间相关性,而且考虑了颜色的局部空间相关性的全局分布。实验证明,由于颜色自相关图检测器能够准确地辨别出90%以上的无害图像,所以有效地降低了该成人图像自动检测系统的检出率。