基于Adaboost的人脸检测

对Adaboost算法进行了深入的研究和思考,在Adaboost算法的基础上引入了级联结构和积分图像的方法。实验证明,这两种方法的引入,在保证检测准确性的前提下,有效的提高了检测速度。     

基于Adaboost人脸检测算法

针对因图像背景复杂、 光照变化及面部旋转等因素的影响, 使复杂背景下人脸检测难度大、 速度慢和准确率低的问题, 使用Adaboost算法进行人脸检测, 并在OpenCV上实现其检测过程。分别对具有面部旋转和复杂背景的图像进行了人脸检测实验, 其检测准确率分别为85%和99%, 平均检测时间分别是16.67 ms/张和76 ms/张。实验结果表明, 该算法能在复杂背景下准确、 快速地实现人脸检测, 且能满足人脸识别系统实时性的要求。     

基于改进Adaboost算法的人脸检测研究

分析Adaboost弱分类器计算耗时的原因,并提出了本文的改进。根据强分类器错误率上限的计算公式,推导出弱分类器错误率的期望值,并以此作为减少计算量的依据。实验结果表明,本文的改进方法,在保持弱分类器性能不变的条件下,可以有效降低计算量。     

一种改进的Adaboost算法的人脸检测分类器

针对人脸检测中单一分类器检测非常耗时,而且没有考虑到检测后提取标准人脸对后续工作(如识别)等问题,提出了运用Adaboost算法,采用正面人脸和人眼两个特征作为分类器,首先用Cascade算法筛选出输入图像中最有可能是人脸的区域,然后根据以正面人脸和人眼为特征的分类器检测人脸区域,并根据检测出来的人眼距离和角度对人脸进行精确的定位.同时针对实际的图像中人脸常常存在一定倾斜,从而影响后续的人脸的识别率这一问题,采取了根据人眼的位置对倾斜图像进行修正.实验结果表明改进的算法能够在保持一定运算速度的基础上取得准确的人脸,具有较好的实用性.     

一种基于Adaboost算法的人脸检测

针对经典Adaboost算法存在训练速度缓慢、检测结果过分依赖训练样本集的现象,提出一种改进的人脸检测算法.该算法在原有Adaboost算法的基础上,利用特征约简来提高训练速度,引入样本扩张、多分辨率搜索等策略来提高检测效率.算法还在一定程度上解决了遮挡、旋转、光照对人脸检测带来的影响等问题.实验结果表明:该方法具有较快的训练速度和良好的检测性能.     

Adaboost算法在人脸检测中的应用

针对人脸检测的特点,详细叙述了检测中应用的特征值的计算以及积分图的使用,给出了基于Adaboost算法的弱分类器选取和单个强分类器的训练过程,以及最后的层叠分类器的具体组成形式.基于此算法的人脸检测具有检测率高、速度快、对于光照变化适应性强的特点,能够达到实时检测的要求.     

基于神经网络的人脸检测算法研究

针对复杂场景图像中的人脸，提出了一种基于BP神经网络的人脸检测算法，由网络训练和人脸定位两部分组成．可以有效地运用于多人脸、不同尺寸、不同姿态、不同面部表情、不同肤色、不同光照条件和复杂背景的情况。实验结果表明该算法快速有效。     

基于Adaboost的人脸检测技术

利用OpenCV图像处理软件,选取扩展的Haar like特征,实现了基于Adaboost的人脸检测器.阐述了Ad aboost人脸检测技术的基本原理,深入分析了强分类器的个数及排序对检测器性能的影响,并对3种分类方法得到的分级分类器的检测能力进行了比较,最后给出一种实用的分类方法.实验结果表明,该检测器检测速度快,开发周期短,具有可行性.     

基于AdaBoost人脸检测算法中的特征筛选方法

文章从机器视觉的发展历程出发,首先介绍了人脸检测的概念原理。接下来在引入AdaBoost算法后,详细阐述了算法中的关于积分图、特征值的计算方法以及强分类器的具体训练过程。在对训练效率进行科学分析后,文章重点介绍了一种基于降低错误率的贡献度的特征筛选方法,以减少垃圾特征对系统的资源的消耗和不良的影响。最后给出人脸检测的实验结果并得出结论。     

基于肤色统计矩和Adaboost算法的人脸检测研究

采用基于Adaboost的人脸检测算法检测出彩色图像中的人脸候选区域,在此基础上利用人脸肤色统计矩剔除非人脸区域,最终实现对人脸的准确检测.由于本算法检测速度快、准确率高可以应用于对实时性要求较高的智能监控领域.     

结合肤色模型和Adaboost算法的人脸检测

提出了一种结合肤色模型和Adaboost算法的人脸检测方法．Adaboost是一种分类器算法,把弱分类器提升为强分类器,具有很高的检测率,但其误检率也比较高．人脸肤色检测由于受光照等条件的影响,其检测率比较低,但是其误检率也比较低．结合这两种方法进行检测,能够优势互补,改善算法性能．实验证明该算法具有较好的检测效果．     

基于级联卷积神经网络的人脸特征点识别算法实现

针对在有冗余图像信息干扰下进行人脸有效特征点提取时精度不高的问题,提出了基于级联卷积神经网络的人脸特征点检测算法.在该算法中:输入层读入规则化的原始图像,神经元提取图像的局部特征;池化层进行局部平均和降采样操作,对卷积结果降低维度;卷积层和池化层分布连接,迭代训练,输出特征点检测结果.该算法采用Python语言编程实现,在人脸数据集进行仿真实验,结果表明该算法对人脸特征点有较高的识别率.     

基于沃尔什特征的增强型AdaBoost 人脸 快速检测算法

提出一种基于沃尔什特征的增强型AdaBoost 人脸快速检测算法,不仅具有很快的训练速度,而且利 用较少的非人脸样本进行训练就可以达到较好的检测效果。首先,提出用较少的沃尔什特征来代替大量的 Harr － Like 特征可以较大幅度的降低特征之间的冗余。然后提出一种双阈值增强型AdaBoost 算法,其中双阈 值的快速搜索方法大大节约了训练时间,并且在训练Cascaded 检测器过程中,前层分类器的训练结果对后层 分类器的训练具有指导作用,加强了总体检测器的性能,另外通过各层分类器阈值的调节,能够将人脸和非 人脸的训练结果尽量分离。最后,使用该算法训练的检测器对MIT ＋ CMU 人脸测试库进行了测试,结果表明 该方法在训练速度、测试精度、检测时间等方面都优于相应的方法。     

基于级联Adaboost和神经网络主元分析算法的人脸检测系统

针对人脸检测过程中难以区分人脸与非人脸等问题,提出了一种基于级联Adaboost和神经网络主元分析(PCA)算法的人脸检测新方法以提高人脸检测的正确率。采用两级检测器对人脸进行区分检测:首先将计算速度较快的Adaboost算法作为第一级检测器对人脸图像快速扫描,对所有判断为人脸的窗口进行合并。然后将合并的窗口提取特征并送入作为第二级检测器的PCA进行验证,排除那些不可能是人脸模式的窗口。最后经过PCA检测结果判别输出验证后的人脸窗口参数(包括窗口的大小和位置信息)。不同算法检测结果显示,基于本方法的人脸检测正确率达到了92.6%,检测率为94.1%;基于Adaboost检测正确率为62.5%,检测率为88%;基于SVM检测正确率为54%,检测率为89%;基于FSS检测正确率为66%,检测率为92%。实验结果表明,本方法能够很好地区分人脸模式和非人脸模式。因此,级联Adaboost和PCA算法组成的两级检测器可以明显提高人脸检测系统的性能。     

基于改进Adaboost人脸检测算法的研究及DSP实现

在Adaboost人脸检测算法的基础上,通过将所有的特征值排序并构建一个次序表,并使用改进Adaboost权值更新算法和分类误差计算方法,训练分类器并检测样本图像,达到了减少训练分类器耗时、提高检测率和降低误检率的效果.最后在DSP上实现了人脸检测系统,验证了改进系统在实时性能上得到较大的改善.     

基于Adaboost算法的正面多角度人脸检测

人脸检测不仅是全自动人脸识别系统的基本步骤,而且本身也可以独立应用于视频监控、图检索等领域、因而具有重要的研究价值。人脸检测是一个开放性的,比较活跃的课题,在人脸检测算法中,依照时间顺序的发展有：模版匹配模型、肤色模型、ANN模型、SVM模型、Ad-aboost模型等。其中Adaboost模型在速度与精度的综合性上表现最好。     

关于Adaboost算法在人脸检测中应用的研究

人脸检测算法研究是计算机视觉、模式辨识、图像处理等领域的一项重要研究方向,具有十分广泛的应用前景.详尽阐述了Adaboost算法的检测原理、特征值分布、积分图的计算,分类器的训练过程及强分类器的构建.对Adaboost算法对有倾斜角度人脸的识别具有检测盲区的缺陷,提出了算法的优化方法,引入两种新特征模版,训练后得到的分类器增强了倾斜人脸的检测率及误识率,达到了优化检测的目的.     

基于嵌入式平台的人脸疲劳检测算法

提出一种基于眼部和嘴部相结合的人脸疲劳检测算法,利用深度学习对人脸特征点进行定位,并通过眼部特征点计算PERCLOS参数,计算过程中详细讨论了不同特征对于PERCLOS参数提取的精确性,最后用角度特征来计算PERCLOS参数,同时将PERCLOS的时序信号进行频域分析,进而检测眼部代表的疲劳程度。与眼部协同的嘴部也是疲劳的重要指标,详细论述并提出了一种眼部和嘴部的疲劳协同参数。实验结果表明本文提出的方法是有效的,可以定量反映人的疲劳程度。同时将其部署在移动端用于车载疲劳检测和使用手机过程中的疲劳检测。     

基于OpenCV的人脸检测算法研究

介绍了一种开放源代码的计算机视觉类库OpenCv,阐述了该软件的特点及结构,并对其在Visual C++2005开发环境下的配置作了详细的说明.然后提出了一个基于OpenCv的人脸检测算法.实验结果表明,该算法具有识别效果、实时性好,检测速度快的特点.     

基于沃尔什特征和增强型Cascade算法的人脸检测

在训练基于AdaBoost和Cascade算法的人脸检测器时,由于使用了大量的Haar-Like特征,所以训练过程消耗了大量的时间和存储空间,为此该文提出用较少的沃尔什特征来代替大量的Haar-Like特征,可以较大幅度地降低特征之间的冗余,节约训练时间和存储空间.针对Nesting Cascade完全继承前层分类器的不足之处,提出一种具有自主和继承双重特性的增强型Cascade算法.MIT-CBCL库上的实验表明:沃尔什特征可以加快训练速度,而增强型Cascade算法有助于提高测试精度.最后,使用训练好的人脸检测器对MIT CMU前视人脸测试集进行了测试.结果证明该文方法比相应的对比方法更加有效.