基于肤色HSV彩色模型下的人脸检测

每一种人种皮肤彩色分布在一个较窄的频带上。一般所用的RGB彩色模型对光线的亮暗程度比较敏感,而在HSV彩色模型中,色相H分量表示了图像的彩色信息,受到光线变化的影响缓慢。鉴于此,采用在HSV彩色模型下建立肤色模型,并对其进行训练,从而用训练后的模型对图像进行人脸检测。实验结果表明,提出的方法是有效而快速的。     

基于模糊HSCC的人脸检测

本文提出一种新颖的利用颜色信息的人脸检测方法。它结合HSV颜色空间和YCbCr颜色空间，即模糊HSCC空间，其中HS和CrCb空间用模糊成员函数来定义。实验结果表明模糊HSCC方法比HSV方法和YCbCr方法更加有效和精确。     

一种基于肤色的人脸检测方法

提出了一种基于肤色的人脸检测方法,通过在YCbCr颜色空间内对人脸图像进行建模,实现人脸的初定位,再使用形态学理论对候选人脸区域做处理,从而实现人脸区域的精确定位。通过仿真实验发现,提出的方法相对于神经网络和模板匹配方法可以较好地适应光照变化,并且解决了计算量大的问题,提高了算法的实时性。     

一种基于肤色模型的快速人脸检测方法

提出一种基于肤色模型的快速人脸检测方法,能同时平衡算法速度和精度要求.首先对图像进行肤色区域提取,然后对肤色区域进行基于偏微分方程的形态学处理,对区域形状进行大小粗过滤;接着对粗过滤后的肤色区域对应的原图灰度图运用人眼的几何特征进行人眼粗定位;最后提出一种相关系数判断的方法精确定位人眼,从而确定出人脸区域.     

一种高效的人脸马赛克方法

针对现有人脸检测方法速度缓慢的问题,在详细介绍结合类Haar特征和级联AdaBoost人脸检测算法原理及训练流程的基础上,提出一种改进的人脸检测算法。该算法可以动态调整Haar检测函数的阈值和选取扩展的Haar特征,并运用OpenCV中图像处理的基本算法实现较高准确度和较快速度的人脸检测,可高效用于马赛克处理。实验结果表明,该算法人脸检测率达到95.41%,处理图片时间约2.4ms/frame,计算复杂度低,且稳定性较好,可广泛用于人脸检测中。     

一种改进的MTCNN人脸检测算法

人脸检测主要运用于机场、火车站等人口密集场所。目前常用的人脸检测算法有MTCNN、YOLOV3、faster-RCNN、SSD等,但已有算法难以兼顾检测速度和检测准确性。 通过改进多任务级联卷积神经网络（MTCNN）人脸检测算法,将MTCNN、YOLOV3、faster-RCNN等3个模型进行整合,减少内存与显存之间的数据搬运;然后动态修改Minsize值,减少图像金字塔中图片生成数量,并根据图像相似度对输入图片进行不同处理以提高效率。改进后的MTCNN算法比传统MTCNN算法识别速度提高将近40%,且正确率达到97%,可更好满足现代社会对于人脸检测的应用需求。     

一种快速的人脸检测训练算法

近年来基于Adaboost的人脸检测算法因其快速和可接受的检测率得到了成功的应用,但Viola-Jones学习算法需要对级联分类器的每一个特征反复训练弱分类器显得非常缓慢。本文给出了一种新的级联检测器节点分类设计方法,首先将每个节点所有弱分类器的训练移到循环外,然后选择使强分类器有最小错误率的特征集代替选择单个最小加权误差的特征生成强分类器。实践表明该训练速度快于Viola-Jones的方法。     

基于混合方法的人脸检测综述

混合方法成为目前人脸检测研究领域的热点,本文将其检测过程分为基于提高检测速度的粗检测和基于检测精确度的细检测两大部分,分析了有关人脸检测向题的研究方法,并对其进行了分类和评价.     

人脸检测方法研究

随着信息处理技术的逐步发展,人脸检测作为人脸信息处理的核心问题越来越受到重视,人脸检测作为目标检测领域中的一个典型问题,涵盖了多方面学科的知识,包括了模式识别、图像处理、计算机视觉等领域的内容,它的研究与发展必将对这些学科产生极大的推进作用并对一般物体的检测问题具有重要的指导意义.     

一种彩色图像的边缘检测算法

通过对灰度图像的边缘检测的研究,构造了一种新的基于色度差的边缘检测算法,并充分利用彩色图像的颜色信息,将此算法从灰度图像转化到RGB的颜色空间中。这种新方法旨在区别于传统意义上对图像的边缘检测要求的精准性,而把提取出彩色图像中直观形象的轮廓信息作为研究目的。实验仿真表明,该算法提取出的边缘能够较好地反映目标图像中具有代表性的信息。     

基于YCbCr高斯肤色模型和形态学的人脸检测技术研究

人脸检测是人脸信息处理领域的一项关键技术。本文通过选取YcbCr颜色空间,建立高斯肤色模型,然后对其验证和分析,随后对二值化图像进行阈值分割、数学形态学处理等一系列去噪处理来实现人脸检测中肤色分割过程,从而将非肤色成份尽可能排除,将可能的候选的人脸区域分割出来,为日后的人脸定位节省了大量的时间,对人脸识别的研究具有积极意义。     

基于特征的人脸检测研究

人脸检测是近年来图形图像处理和模式识别的热点研究内容之一．文章系统介绍了基于特征的人脸检测方法,对其进行了分类总结．同时,详细介绍了其中的关键技术和研究成果,并对其研究的发展趋势进行了展望．     

基于Halcon的光纤端面尺寸检测方法

针对传统光纤端面尺寸检测几何尺寸误差大、效率低的弊端,采用一种基于Halcon的光纤端面尺寸检测方法,利用数字图像处理算法,采用中值滤波的方法对图像进行预处理,消除图像噪声,并对图像进行二值化及形态学处理,选用Canny算子作为边缘检测算子确定像素级边缘,该方法边缘检测性能较好,且具有较强的抗噪声能力|再从选取的边缘中选出类圆度高的部分边缘进行共圆轮廓合并、拟合,通过拟合的椭圆和圆得到光纤半径、不圆度、同心度等几何参数。实验结果表明,纤芯和包层半径可以精确到万分之一,不圆度和同心度可以精确到小数点后8位,测量精度较高且不受操作水平影响。     

基于卷积神经网络的人脸检测算法研究

近年来,随着深度学习的迅猛发展,人脸检测算法准确度已有很大提升。模型越复杂,检测速度越慢,设计一种准确度与速度兼顾的人脸检测模型尤为必要。基于FaceBoxes人脸检测算法框架,提出一种基于深层卷积主干网络的改进方法,并在人脸检测基准数据集中进行测试实验。其在FDDB数据集上的实验结果显示,检测正确率达95%,比传统方法提高1.67%。该算法在保证实时性的同时提升了检测准确率,可应用于追求更高准确率的人脸检测系统。     

基于肤色和AdaBoost算法的人脸检测

文章提出了一种新的将肤色算法与AdaBoost算法结合起来的人脸检测算法．算法主要是将用肤色检测算法得到的肤色特征,做为一种新的矩形特征加入到AdaBoost算法的训练过程中．新算法提高了人脸检测的正确率,降低了误检率,新算法的鲁棒性更强．     

基于Adaboost的快速视频人脸检测

使用Haar型特征设计不同尺度弱分类器形式,采用Adaboost算法学习建立瀑布型人脸检测器。并针对视频人脸检测中,人脸旋转导致检测失败的现象,使用CAMSHIFT算法进行人脸跟踪,缩小检测范围,提高算法速度。试验结果表明,所提出的算法有更好的鲁棒性和更快的检测速度。     

基于双肤色模型及AdaBoost算法的人脸检测

针对复杂背景和可变光照条件下,彩色静止图像的人脸检测问题,综合利用YCbCr和HSI颜色空间下的肤色模型,先进行肤色分割,定位出候选人脸,再用AdaBoost级联分类器进行检测验证,有利于提高检测效率,降低误检率。