基于肤色分割与Adaboost融合鲁棒人脸检测方法

人脸检测广泛应用到人脸识别、数字视频处理、安全访问控制、视觉监测、基于内容的检索等领域.比较众多人脸检测算法,文章提出了一种改进的基于Adaboost算法的人脸检测算法.该算法的核心是肤色分割结合基于Adaboost算法的人脸检测.首先,对彩色图像进行肤色分割,通过肤色区域的大小和长宽比等规则去除部分类肤色区域,得到可疑的人脸区域.其次,基于Adaboost算法的灰度特征得到最终的人脸.通过大量彩色图像的实验,证实了该方法的准确性和鲁棒性.     

基于Adaboost算法的人脸检测技术的研究与实现

人脸检测是人脸识别技术的基础,首先提出人脸检测系统的构成,分析Adaboost算法对图像进行人脸检测的基本原理。根据Adaboost算法形成了简单的矩形特征作为人脸特征,即Haar-like特征,然后由多个Haar-like特征相当于一个弱分类器,由多个弱分类器级联成为一个强的分类器,并将级联分类器用于动态人脸检测中,从截取的每一帧图像中进行检测。经过实验验证,采用这种方法和步骤进行人脸检测达到了比较好的精度和速度,N-I~T来的人脸识别提供了前提条件。     

Adaboost人脸检测算法的改进

AdaBoost人脸检测算法是该领域中比较成功的算法之一。当被检测图片中人脸大小缩放至与分类器尺寸左右时,才能够正确地判定人脸,而其他缩放下的检测造成了冗余。验证了人脸检测速度的影响因素,针对分辨率为640×480的图片,建立了人脸尺寸高斯模型以及单幅人脸权重模型,提出了依据这两个模型的人脸检测的缩放方式。实验显示基于该方法,在稍有降低识别率的情况下,大幅提高了检测速度。     

基于肤色及改进的Adaboost算法的人脸检测

为提高人脸检测的实时性和准确率,提出一种基于肤色与改进的Adaboost算法结合的人脸检测新方法。首先在YCbCr色彩空间下建立混合高斯肤色模型处理待检测图像,分割出肤色区域得到候选人脸区域。然后通过Harr矩形特征扩展与样本权值更新改进Adaboost算法,进行人脸检测。实验表明,该方法较好地处理了复杂背景下彩色图像人脸检测的漏检、错检问题,提高了检测速度和精度。     

基于肤色和Adaboost算法的人脸检测

人脸检测是人脸识别的第一环节,也是非常关键的环节。试验中主要针对静态彩色图像进行人脸检测,研究肤色在人脸检测中的应用。不同图像背景、人脸的可变性和光照条件变化都增加了人脸检测的难度。因此,从一幅图像中检测人脸是一项具有挑战性的任务。采用Adaboost的人脸检测,并提出肤色与Adaboost算法相结合的人脸检测方法。对输入的彩色图像进行从RGB空间到YCbCr空间的转换,然后进行肤色分割,排除背景干扰,最后用Adaboost算法对可能区域进行检测,得到人脸位置。实验表明,该方法误检率低,鲁棒性好,对人脸检测有较强的实用性。     

基于肤色模型和改进Adaboost算法的人脸检测

为提高人脸检测的精度,提出一种基于YCbCr肤色模型和Adaboost算法的人脸检测方法。利用YCbCr颜色空间的肤色阈值模型确定待检测区域。再利用Adaboost算法准确定位出人脸位置,并对Adaboost算法的训练过程提出一种新的权值更新方法,防止权值过分增大,避免了Adaboost算法训练过程中出现的“退化”现象。     

基于Adaboost算法的红外图像中人脸自动检测方法的研究

为了实现对红外视频图像中人脸的自动检测与跟踪,提出了一种基于Adaboost算法的红外图像自动检测方法。该方法通过用Haar-Like特征和积分图概念描述人脸的基本特征和采用Adaboost学习算法和Cascade算法,提高了红外图像中人脸自动检测的准确性和快速性。其检测速度为每秒15帧,检测精度达到了98.4%。通过大量实验证明,Adaboost算法在对红外图像中人脸的自动检测方面具有优势。     

一种基于Adaboost.M1的车型分类算法

神经网络分类器存在容易出现过学习、欠学习、陷入维数灾以及局部最小等问题,支持向量机分类器也存在运算比较复杂,模型选择和核函数的构造比较困难的问题,而贝叶斯分类器只有在训练样本数趋于无穷时,训练结果才趋于真实的模型,因此,提出了一种基于Adaboost.M1理论的车型分类算法,该算法简单易用,只需要寻找一个精度比随机预测略高的弱分类器,不需要调节任何参数,不需要先验知识,而且有足够的理论支持.最后通过实验验证了该算法进行车型分类的有效性.     

一种基于改进Adaboost的人体检测算法

本文采用改进的Adaboost算法对静态图像中人体进行检测。针对传统算法中训练速度较慢,并且存在风险敏感的问题。本文提出一种快速特征选择算法,通过构造统计表,保存特征信息,避免每轮弱分类器训练时对所有特征重新计算分类误差;并结合fisher判别分析对选出的弱分类器进行训练,学习得到一个新的线性判别方程,最大化不同类别数据之间的可分离性,达到优化强分类器降低风险敏感影响的目的。实验结果表明,相对于传统的Adaboost算法,本文给出的方法加快了特征选择的速度,并具有较好的检测性能。     

基于BitBP特征的多重级联人脸检测器

结合Haar和MB-LBP特征,提出了一种采用BitBP特征描述图像局部信息的方法,该特征可有效描述图像局部区域的灰度像素分布情况,具有比Haar和MB-LBP特征更强的分类能力。且可有效地克服Haar特征数目巨大、训练时间长的缺点。根据BitBP特性,提出一种多重级联的分类器。该分类器的每层均由单一BitBP特征的次级级联分类器构成。而次级级联分类器中的每层分类器均是一个小型的联分类器。利用多重级联结构,可获得更快的检测速度。