基于Adaboost算法的人脸检测技术的研究与实现

随着信息安全,人机交互等领域的发展,人脸检测作为人脸识别的一个重要前期步骤,开始作为一个独立技术越来越受到关注。根据Adaboost算法的基本原理,生成简单的矩形特征为人脸特征（Haar—like特征）,然后由多＆Harr-hke特征构成一个简单的弱分类器,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的人脸检测中,从截取的每一帧图像进行检测。实验证明应用本算法有良好的实时性和准确性。     

基于特征脸空间重建的彩色人脸检测方法

提出的人脸检测方法利用人类肤色在色度空间分布的稳定性，检测出图像中的皮肤区域，然后将其在特征脸空间中投影，重建，通过求重建图像的信噪比进行判断。实验结果证明了方法的有效性。     

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。     

基于人脸检测和多线索融合的实时人脸跟踪系统

在分析和总结国内外对人脸检测与跟踪的相关研究成果的基础上,研究提出了在Viola-Jones人脸检测算法中引入运动区域检测和人脸肤色检测以缩小人脸检测的搜索区域,有效地提高了人脸检测的帧处理速度,并降低了人脸检测的误检率。对基于Meanshift算法和基于光流法的人脸跟踪方法进行了研究与分析,分析了各算法的优缺点,利用各算法之间性能上的互补性,通过各模块之间的协同合作设计并实现了一个实时人脸检测与跟踪系统,并设定了相应的评价参数,通过实验室录制视频和NRC-IIT视频人脸数据库对系统进行了性能测试。     

基于肤色检测的快速五官定位算法

根据视频应用的特点，结合人脸的肤色和特征部位几何分布特征，提出了一种应用于视频序列人脸部位的五官定位算法。实验表明，该算法定位速度快，误检率低。     

基于特征提取与认证的彩色图像人脸检测

在深入的对频谱脸法和Fisherface方法进行研究后,综合这两种方法的优点,提出了一种基于频谱脸和Fisher-face的人脸识别新方法。频谱脸方法主要是采用二维小波变换和傅立叶变换。因为人脸图像的低频部分对人脸的表情变化是不敏感的,所以对人脸图像使用二维小波变换,提取人脸图像的低频部分。对人脸图像的低频部分使用傅立叶变换,从而获得原人像的一个低维空间的表达。但是频谱脸特征维数仍然较高,所以在频谱脸法的基础上继续提取人脸频谱图像的Fisherface特征,降低特征的维数,提高识别效率。利用人脸面部构造产生的灰度特性提取眼睛,利用嘴唇的色度特征分割出嘴巴,进而根据眼睛和嘴巴构成三角形模板的特性,精确定位人脸在图像中的位置。实验结果表明,这种结合肤色和面部特征的算法,能够对人脸进行较快速、准确的定位,而且结果比较稳定可靠。     

人脸图像检测及分类系统的研究

本文提出了一个人脸图像检测及分类系统的快速算法.任意输入图像,系统首先通过查询颜色表的方法快速提取出人脸区域.在姿势分类时,本文使用了分类压缩人脸本征空间的方法,降低了对人脸图像训练和分类的计算量.实验结果证明,本算法具有很好的检测和分类性能.     

基于Adaboost的人脸检测算法研究

Paul Viola和Michael Jones曾提出的基于积分图象和Adaboost算法构建层叠式(cascade)人脸检测器,是人脸检测算法上的里程碑事件。先利用积分图象在常数时间内快速计算矩形特征,再用Adaboost算法训练这些矩形特征组成强分类器,从而使分类器的速度大大提高。此外,构造层叠分类器,首先简单的强分类器排除大多数非人脸窗口,减轻复杂分类器的负担,进而提高速度。     

基于肤色的人脸检测研究

随着科技发展,信息信息技术也在日渐成熟,关于人脸检测技术的研究在不断的更新,检测的方法也多不胜数。像是基于肤色的人脸检测技术就是一种常见的检测技术。今天我就来谈谈基于肤色的人脸检测。     

基于Android平台的实时人脸检测与跟踪

针对Android智能手机自带人脸检测功能效率低、错误率高的问题,提出了一种将OpenCV移植到Android平台的方法,在运行Android系统的嵌入式平台中使用改进的AdaBoost算法,并结合OpenCV库来实现实时人脸检测与跟踪。实验取得了高达9505%的人脸检测准确率和5013 ms的平均检测速率,在保证检测速度的同时比Android自带的人脸检测更具高效性和实用性。     

基于手机平台的人脸检测系统的研究

随着通信技术和图像处理技术的发展,手机不仅是一种便携的通信工具,而且能够用来拍照。针对市场上的非智能手机拍照的性能欠佳又不具备图像处理功能的缺点,选取了扩展的Haar特征,利用Intel开源的图像处理软件OpenCV在智能手机操作系统上实现了一个Adaboost人脸检测系统,描述了建立样本、图像预处理、特征提取、构造级联分类器和目标检测等过程。多次实验证明,该系统正检率高,检测时间短,具有一定的实用性。     

基于NiosⅡ的人脸检测系统设计

基于FPGA内嵌的NiosⅡ处理器,设计了一个实时人脸检测系统。介绍了基于Haar 特征的AdaBoost人脸检测算法,描述了依据AdaBoost算法的人脸检测软件实现过程,最后在以Altera公司CycloneⅡ系列EP2C70为核心芯片的DE-2 开发平台上,对检测系统进行了整体设计。测试结果表明,系统有较高的检测率,可以满足实时人脸检测的要求。     

Android系统下OpenCV的人脸检测模块的设计

针对解决OpenCV人脸检测模块在Android平台编译和移植的问题,提出一种利用JNI技术(Java Native Interface)调用OpenCV以及采用Android NDK(Native Development Kit)生成共享库的目标检测方法。文中从分析利用Android NDK编译Android平台所需要的OpenCV静态库的问题入手,详细阐述了利用JNI调用OpenCV相关函数的具体步骤。经过多次试验,证明该人脸检测模块的平均检测时间为1 280 ms,具有较高的检测速度和检测精度。     

基于视频的人脸检测算法研究

针对传统AdaBoost算法在视频中检测人脸误检率较高的问题,文中提出了一种结合运动分析和肤色检验的改进型人脸检测算法。该方法通过运动检测来提取运动前景,并选择肤色模型对人脸肤色进行相似度求取,利用几何特征进一步缩小检测范围;采用增加新Haar特征和改进权重更新方式的改进型AdaBoost算法对人脸候选区域进行实时检测。实验结果表明,与传统AdaBoost方法和增加肤色检验的AdaBoost方法相比,该方法的误检率分别降低了18.68%和8.79%,检测时间则分别缩短约800 ms和250 ms。     

基于肤色的实时人脸检测算法研究

研究了一种基于肤色的人脸检测算法的设计与实现过程。在YIQ颜色空间中,进行了有效的肤色提取,把提取到的肤色与背景图像信息转为二值图像进行形态学降噪处理,再采用质心定位法进行准确的眼睛定位,最后对检测到的人脸图像进行缩放、旋转、移位校正,以提高输出人脸图像的质量。实验结果表明,本文所提的算法具有很高的准确率与检测速度,能够适用于实时人脸检测系统。     

基于ZYNQ的人脸检测的快速实现

本文是在ZYNQ平台上,结合加入阈值处理的背景减除法实现人脸检测的快速实现。ZYNQ是ARM+FPGA的体系架构,本文利用该芯片的PL（FPGA）端来实现图像的预处理;利用PS（ARM）端对来自PL端的图像利用背景减除法进行前景的提取,然后对前景图片进行人脸检测。最终,本文实现了人脸检测的时间在ZYNQ平台上平均减少了700ms以上,而且在识别率方面也有所提高。     

嵌入式人脸检测算法的研究与实现

使用人脸类Haar特征、快速人脸检测算法Adaboost进行人脸检测。针对ARM的不足,将经过PC机训练得到的人脸分类器文件通过网络传输到嵌入式平台,结合人脸检测算法,实现了一种嵌入式人脸识别系统,较好地解决了嵌入式人脸检测系统由于训练人脸图像数据巨大而造成处理效率低的难点。基于EELiod 270嵌入式开发平台实现了...     

基于特征分析的人脸检测算法的DSP实现

由于监控视频中人脸影像的多角度性和多尺度性,实时视频中人脸的实时检测成为智能监控系统中的关键技术之一。算法首先根据MATLAB统计好的肤色模型确定候选肤色区域,然后依据人脸的形状特征排除非人脸区域,可以实现所有人脸的精确定位;同时采用区域增长的连通域方法来确定人脸候选块,代替了边缘检测等方法,减少了DSP的运算量。算法在ICETEK-DM6437-B评估板上实现。经过测试,该算法可以很好的满足实时人脸检测的要求。     

基于人脸检测的新闻视频主持人帧识别技术研究

本文首先阐述了新闻视频中主持人帧检测的重要意义,然后重点介绍了一种基于人脸检测的自动的主持人帧识别算法。该方法首先利用人脸检测器过滤出具有人脸的候选帧,然后利用补充的背景匹配算法从候选帧中筛选出主持人帧。实验结果表明,该方法适用于各种不同种类的新闻节目视频,可以应用于新闻视频分析。     

基于YOLOv5的人脸检测及关键点定位的研究和实现

人脸检测的研究对与日常生活很好的实用价值,如人脸体温检测,视频监控等。实验通过YOLOv5方法对用户进行训练,并选用YOLOv5系统中网络深度最大和宽带最少的YOLOv5s模型,基于重参数化结构,提升了检测的准确率,且其具有速度快,体积小的优点。在人脸检测出后基于face＿recongnition库进行关键点定位。通过实验结果可以看出,检测较为准确,具有良好的应用价值。