改进的AdaBoost检测算法在身份识别中的应用

传统的Ada Boost人脸检测算法训练时间长对设备要求高,在复杂背景下存在漏检误检。提出一种基于小波重构和特征提取的Ada Boost人脸检测算法,并应用到身份验证中。采用小波重构方法,实现对人脸信息有用特征的重构,进行去噪处理提高人脸识别的准确性。采用人脸特征关联性方法将不同的人脸特征子集进行分类处理,采用特征提取算法实现对Ada Boost算法的改进。仿真结果表明,采用改进的人脸检测算法进行身份验证,能检测到一定范围内的非正脸图像特征,有效提取人脸的局部信息特征点,提高身份验证对象的检测精度和正确识别率。     

一种基于YCgCr色彩空间的人脸检测方法

人脸检测是计算机视觉研究的重要研究方向之一,提出了一种基于新色彩空间YCgCr的人脸检测算法。首先比较了YCgCr间和YCbCr色彩空间,得出YCgCr色彩空间的在人脸处理方面更有优势,然后通过二维高斯分布提取肤色区域,对二值化的图像应用区域增长算法求取最大联通区域,得到准确的面部图像,实验结果表明该算法是快速而有效的。     

几种人脸检测算法的对比研究

本文在对比大量的人脸检测算法的基础上．介绍了几种常用的人脸检测算法,并提出了一种基于人脸肤色模型和人脸结构特征相结合的人脸检测新算法．实验证明该新算法能有效提高人脸检测效率,并得出人脸检测算法的发展趋势是多种特征检测算法相结合。     

基于主元分析构造强分类器的人脸检测算法

本文研究了基于特征脸的人脸检测算法,针对其分类能力差的特点,基于主元分析提取特征向量空间构造弱分类器,结合AdaBoost算法构造强分类器,提出了一种人脸检测算法。利用MIT+CMU人脸数据库测试该算法的性能,结果表明本算法在运行时间与检测正确率方面明显优于基于神经网路的算法和支持向量机算法。     

基于年龄变化的人脸识别

本文基于对数字图像处理问题的研究,建立了图像预处理模型与图像相似度计算模型,同时从轮廓检测与提取和特征识别方面对模型进行了修正。第一,在图像预处理模型中,本文采用Niblack二值化算法对人脸斑点、肤色和皱纹等一些皮肤细节部分进行滤波处理,通过设置阈值来除去皮肤细节等问题,实现对图像特征区域的粗略提取。第二,在边缘检测模型中,本文采用的是高斯滤波和拉普拉斯边缘检测算法相结合的方法,使用高斯—拉普拉斯算子对图像实行边缘检测,通过检测得到进而获取人脸的轮廓。第三,在图像相似度计算中,本文建立了基于SVD奇异矩阵分解的PCA主成分分析模型,实现对图像特征向量的提取,然后采用巴氏距离算法计算人脸轮廓图像相似度。     

基于Adaboost的人脸光照补偿方法

针对传统Adaboost人脸检测算法中光照不均匀、图像检测正确率低的问题,提出一种基于Adaboost算法的人脸光照补偿检测方法。介绍Adaboost人脸检测算法的处理流程以及直方图均衡化原理,并将Adaboost算法和直方图均衡化相结合,实现人脸检测。检测结果表明,与传统的Adaboost人脸检测方法相比,新方法对于光照不均匀图像的人脸检测有很好的效果。     

改进的连通区域标记算法在人脸五官识别定位技术的应用

人脸的五官特征识别是人脸识别的关键技术,本文在原有连通区域标记算法基础上提出了一种改进算法,从而来实现对人脸目标器官的提取。该算法在一次人脸图像扫描中就可以完成所有连通区域的标记,避免了大多数改进算法都必须处理的重复标记的问题,从而提高了标记效率;同时,该算法不受所标记的图形形状的影响。仿真实验表明,该改进算法具有较高效率和较强的鲁棒性。     

基于肤色和图像似然度的人脸检测

提出了一种基于肤色分割和图像似然度的检测人脸方法，该方法能在复杂的背景下较好地检测出人脸。首先利用颜色信息把图像分割成肤色区域与非肤色区域，然后对肤色区域做预处理后，进入图像似然度检测阶段．最终实现人脸检测。     

基于深度学习的人脸识别跟随六足机器人

本文介绍了一种基于深度学习的人脸识别算法进行人脸检测达到智能跟随的六足机器人。该机器人系统包括人脸捕捉单元、主控制单元和行为运动控制单元。所述人脸捕捉单元是利用摄像机获取人脸图像或视频并传输给机器人主控制单元。而主控制单元运用改进的VGG-Net人脸识别算法进行人脸检测,再根据检测结果发出信号到行为运动控制单元完成智能跟随,通过驱动直流电机实现六足机器人的运动。     

基于肤色检测和支持向量机的人脸检测系统

本文基于Accord.NET Framework,构建了一个基于肤色检测和支持向量机的人脸检测系统。首先提取图片中肤色区域,用已经训练好支持向量机的人脸检测模型检测图片中的肤色区域,区分出人脸部分。