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。     

在人脸检测中对Adaboost算法的应用研究

由于在当前使用的图像检测方法当中最为流行的是Adaboost算法,这种检测方法立足于统计模型.而当前有部分人脸检测方法当中存在着比较严重的检测速度慢与误检率特别高的问题,本文则对基本的Adaboost算法原理进行仔细解释,而且将这一算法在开发OpenCV程序过程当中进行应用,从而做到实现快速检测、鲁棒性与检测率都比较高的人脸检测.     

基于肤色模型与改进Adaboost算法的人脸检测

介绍了一种基于肤色模型与改进Adaboost算法相结合的人脸检测方法。该方法首先利用肤色在YcbCr空间中的聚类特性,对图像进行预检测,得到候选人脸区域,进而采用改进的Adaboost方法对弱分类器进行级联,得到最终的人脸分类器。在特征选择上,使用基于像素的多层特征(Pixel Based Hierarchical Feature,PBHF),以解决传统Adaboost方法检测时间过长的问题。实验结果表明,该人脸检测方法比单纯采用Haar like 特征的人脸检测方法更加有效。     

基于Adaboost算法的人脸图像情绪识别

提出一种基于Adaboost算法对人脸图像进行情绪识别的方法。先将视频进行图像数据采集,再通过基于Haar特征值的自适应增强计算,即Adaboost计算检测人脸特征,将迁移机器学习技术运用到多任务的卷积式神经网络,然后利用卷积神经网络的情绪回归计算人脸表情的效价和唤醒度得分。不但可以解决对复杂背景图像的高误检率问题,而且还可以解决对多姿态单人脸图像的低检率问题。经仿真试验证明,该方法对单人脸、多人脸和复杂背景多人图像都有较好的测量效果,实用性较强。     

基于加权最小平方误差boosting的人脸检测

近年来Adaboost算法被成功地用于人脸检测中,本文给出了一种基于加权最小平方误差boosting算法的人脸检测。首先本方法在每一次循环中用加权最小平方误差准则训练弱假设,与原始Adaboost算法不同的是弱假设的生成不仅用于预测分类,而且用于估计每次预测的自信率,然后由这组合自信率的弱假设集成构造出强分类器。实践表明基于加权最小平方误差boosting算法的分类器有较高的检测率和较低的正样本误检率。     

基于图像增强的低光照图像识别算法研究

为提高图像增强算法的图像识别有效性,提出了基于图像增强的低光照图像识别算法。首先,采用直方图均衡化的图像增强算法对开源低光照图像数据集（ExDark）进行增强处理;然后,设计卷积神经网络进行图像识别训练,通过多重卷积—池化操作,实现图像特征提取;最后,将识别结果与其他增强方法结果进行对比实验。结果表明,与其他传统方法相比,在低光照图像的处理中采用直方图均衡化的图像增强法可获得更高的图像信息熵与图像对比度,图像识别准确率提升了14.4%,对低光照条件下的图像识别具有参考价值。     

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。     

Haar+Gabor小波特征的人脸检测方法研究

Haar小波具有算法简单复杂度底的特点,Gabor小波具有能够对目标的局部区域灰度变化进行多方向的有效描述,和进行多尺度的描述的能力.结合两种小波变换在特征提取上的各自优势,提出一种改进的基于复合特征提取方法的Adaboost分类器,在人脸检测实验中取得较好的效果.     

融合纹理和形状特征的人脸图像性别识别

针对人脸图像性别识别中单一特征识别率不高的问题,提出了融合纹理特征和形状特征的人脸图像性别识别方法.通过局部二值模式(LBP)及其改进算法提取人脸图像的纹理特征,梯度直方图(HOG)提取人脸图像的形状特征,融合两个特征利用Adaboost分类器进行人脸图像的性别分类.在ORL人脸数据库和自制人脸数据库CZB上的实验结果表明,相对于直接利用像素特征和单一特征的识别方法,融合多特征的人脸性别识别方法的识别率明显提高.     

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．     

基于眼定位的人脸图像归一化方法

人脸图像的归一化对于人脸识别系统是一个承上启下的步骤.本文提出了一种基于眼定位的人脸图像归一化方法.首先在人脸区域采用形态方法定位眼睛中心点;然后以双眼中心点为基准的进行旋转校正,保证了人脸方向的一致性;其次根据人脸各部分比例关系切割出人脸矩形区域,对切割后人脸矩形区域进行图像缩放,保证人脸位置和大小的一致性,实现了几何归一化;最后采用光照归一化方法,消除不均匀光照及亮度不一致,达到光线归一化.该方法应用在识别系统中效果良好.     

基于灰度图像的人脸检测算法的研究

人脸检测与识别技术是生物信号处理的一个重要的研究领域.文章利用人脸的垂直积分投影和水平积分投影法确定人脸轮廓.首先对人脸进行二值化、平滑等处理,使人脸与背景部分分离开来,然后利用人脸的垂直积分投影和水平积分投影法进行人脸的定位.脸左右之间位置得到定位后,便可得知这两者之间的水平距离,从而确定脸区宽度,其中脸区的左右坐标点位置都得到了确定.实验结果表明该算法能有效地提取头部轮廓,且操作简单,效率高.     

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.     

基于Adaboost实现的实时手势识别

随着更多照相和视频捕捉设备的涌现,对于非接触式手势命令的识别提出了很高的需求。本文针对这一趋势,依据实验环境和实际应用的需要,提出了一种在基于OpenCV2.2视觉库和Visual Studio C++来实现的Haar的矩形特征提取并充分利用Adaboost的学习分类模块来实现对特定握拳手势的实时识别和精确定位。本方法使用的迭代算法将弱分类器训练组合为强分类器,经过基于正负样本图片的过程后,所得的级联分类器首先可以根据摄像头捕捉的视频中的实时手势位置,能够识别手势的类型并进行对应画笔轨迹的跟踪实验,并且通过具体的算法,在已识别的各个位置中,实现了去除可能的误差位置,从而使得画笔的轨迹更为流畅。根据统计,所进行的实验对室内环境下握拳手势的识别率可以达到90%,取得了良好的效果。     

改进的基于谱直方图人脸图像特征提取方法

提出了一种基于谱直方图的人脸图像特征提取的方法．使用梯度滤波器、高斯-拉普拉斯滤波器和局域二值模式（LBP）构成的滤波器组来计算待测图像的谱直方图．仿真实验结果和分析表明,该算法具有较高的效率和准确性．     

基于几何形状的AdaBoost人脸检测算法研究

介绍了AdaBoost人脸检测算法以及人脸符合的几何规则。考虑到使用AdaBoost人脸检测算法存在计算量比较大的问题,因此文中提出基于几何形状的AdaBoost人脸检测算法,改进了人脸检测分类器训练方法,降低了误检率,提高了人脸检测的计算速度。     

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.     

眼底图像光照不均匀校正

针对眼底图像中因光照不均对后续图像处理造成影响的问题,结合图像内与图像间的光照校正方法加以解决。图像内校正是指处理图像内部光照差异,图像间校正是指处理不同图像间的光照差异性。首先通过单幅图像光照校正方法消除图像内的光照不均,然后通过多幅图像间的光照校正方法进一步将不同图像的亮度及对比度调成一致。通过实验比较,选取IRHSF作为图像内光照校正方法,将图像间的亮度配准一致后达到最终要求。     

基于OpenCV的人脸检测系统实现

基于计算机视觉类库OpenCV 实现人脸检测系统,采用级联分类器的方法对人脸进行检测。系统对不同图像有较强的适应性,能够比较精确地判断出人脸位置,尤其对有遮挡物人脸的检测效果较好,具有一定应用价值。