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.     

基于肤色模型和神经网络的人脸检测算法

神经网络具有自学习、记忆、计算以及智能处理等能力,本文应用前向型神经网络做分类器,并阐明了神经网络的分类方法和人脸检测过程,以及结合人体肤色模型实现了在不同环境、不同姿态、不同肤色、不同表情等复杂环境下的人脸检测,同时通过对静态检测的扩展实现了实时的人脸检测.实验表明,该方法具有快速,有效等特点.     

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.     

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。     

人脸检测技术的发展和现状研究

对人脸检测所面临的问题进行探讨,分析有关人脸检测问题的研究方法,并对其进行分类和评价。从基于模板的方法、基于肤色模型的方法、基于统计理论的方法三方面进行了阐述。分析各种方法的优缺点,并提出了关于人脸检测问题的进一步研究方向。     

基于YCbCr空间的高斯肤色模型的人脸检测

主要研究人脸检测算法,分析了现有人脸检测算法的特点和不足之处。采用基于YCbCr空间的高斯肤色模型,利用颜色信息把彩色图像分割成皮肤区、头发区和背景区。对皮肤区进行去噪处理,实现脸部区域的具体定位,然后对人脸上的眼睛、嘴巴和鼻子定位。给出了人脸检测的模块设计和算法流程。     

视频中人脸的实时跟踪

介绍了一种简单、快速的实时视频人脸对象跟踪算法．在使用肤色检测算法进行人脸区域定位的基础上,采用差分运动估计,确定最大的搜索区域,在此区域使用两个正交的边缘梯度跟踪模型和内部肤色像素统计直方图跟踪模型跟踪人脸．本算法较好地解决了跟踪的连续性、实时性和精确度间的矛盾．实验结果表明本算法能够对人脸进行实时跟踪,具有一定实际应用价值．     

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。     

融合YCbCr肤色模型与区域标记的人脸检测算法研究

由于肤色在YCbCr空间中有较好的聚类性,选取YCbCr肤色模型进行人脸检测。首先将视频序列图像转换到YCbCr空间,通过YCbCr肤色模型进行肤色分割,提取肤色区域,排除大部分非肤色区域的干扰;然后采用形态学处理,进行区域标记,排除不连通区域,同时结合人脸面积排除非人脸面积区域。最后,结合人眼、嘴巴等特征进行定位,从而准确定位人脸。实验表明,该方法具有一定的鲁棒性。     

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。     

人脸识别中的边缘检测技术

边缘的提取在人脸识别技术中具有重要的意义。传统的算法检测到的边缘信息往往是不完整的,而且在检测噪声污染图像时会得到许多虚假的边缘;而神经网络算法由于没有样本的压缩功能,导致训练量过大。文章在传统算法的基础上结合神经网络算法对人脸图像的边缘进行检测。实验结果表明,该方法快速稳定,得到的边缘图像边界封闭性好,抗噪能力强。     

一种利用R/G值检测人脸的方法

在图像分析领域,对图像中人脸的检测和处理越来越受到重视,在许多地方被应用.如人脸的识别,人脸的分析,眼睛的检测,凝视的追踪等.经过对人脸肤色在RGB和HSV颜色空间中的分布情况的研究,提出一种利用R/G值来检测人脸的方法.     

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。