复杂光照场景下基于MTCNN的人脸检测

为了提高复杂光照条件下的人脸检测识别率,提出了一种基于Retinex图像增强技术应用于多任务卷积神经网络(multi-task cascaded convolutional networks,MTCNN)的人脸测算法.算法用Retinex理论对图像进行增强,能明显提高MTCNN在不同光照场景下的人脸检测精度,同时使面部...     

基于VPU加速的嵌入式实时人脸检测系统设计与实现

智能设备高昂的设计费用和庞大的计算资源需求成为在便携式、低功耗设备上实现深度学习算法及其应用的主要障碍.文中基于树莓派平台,借助Intel的视频处理器(V PU)低功耗加速模块,设计并实现了基于残差特征提取模块CNN模型的实时人脸检测系统.结果表明,相较于单纯使用树莓派CPU进行计算,文中方法在视频流中检测人脸和人脸关键点提取的实验中分别实现了18.62倍和17.46倍的加速,在便携式设备中实现快速、实时、在线的人脸检测和特征点提取成为现实,同时为使用便携式、低功耗设备运行深度学习算法提供了一种确实可行的方案.     

复杂场景下实时人脸口罩检测研究

针对AIZOO开源人脸口罩检测算法FaceMaskDetection存在较严重的人脸口罩分类精度低的缺陷,本文设计了高精度轻量级人脸口罩分类模型,提出快速特征提取模块FastBlock和基于多层级特征融合的轻量级人脸口罩分类网络（Light MaskNet）。FastBlock减少深度可分离（depthwise, DW）卷积和1×1卷积中间张量的通道数量,进一步降低计算成本,从而提高了特征提取速度。不同层级之间的特征融合可以增大模型的广度,提高模型的鲁棒性。实验结果表明,该人脸口罩分类模型精度可达98.852%,中央处理器(central processing unit, CPU)推理时间仅为9.8 ms,图形处理器(graphics processing unit, GPU)可实现亚毫秒级运算,仅牺牲少量计算资源就能弥补FaceMaskDetection精度低的缺陷,可很好地满足计算资源有限的边缘设备、移动端等的应用需求。     

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法，能够对复杂环境中大小不等的人脸进行快速、准确的检测．算法首先通过假面变换来预测人脸位置上边沿的中心，然后对图像中的预测位置进行模板匹配，设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法，最后对匹配结果进行验证，确定人脸准确位置．采用多种环境下的大量图片进行实验，结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性．     

利用颜色信息的人脸检测方法

提出一种利用颜色信息的人脸检测方法,首先把输入的彩色图像从ＲＧＢ转换到ＹＩＱ颜色空间,提取与人的肤色相关的Ｉ分量图像,通过对整幅Ｉ分量图像进行尺度变化和窗口扫描,解决待测人脸的位置,大小不同问题,实现平移不变和尺度不变。然后对Ｉ分量图像进行门限化处理。     

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法,能够对复杂环境中大小不等的人脸进行快速、准确的检测.算法首先通过假面变换来预测人脸位置上边沿的中心,然后对图像中的预测位置进行模板匹配,设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法,最后对匹配结果进行验证,确定人脸准确位置.采用多种环境下的大量图片进行实验,结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性.     

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。     

基于级联Adaboost和神经网络PCA算法的人脸检测系统研究

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PCA算法的人脸检测新方法以提高人脸检测的正确率。该方法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%,此时的检测率为88%;基于SVM检测正确率为54%,此时的检测率为89%;基于FSS检测正确率为66%,此时的检测率为92%。实验结果表明,本方法能够很好的区分人脸模式和非人脸模式。因此,在这种意义上来说,级联的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。     

基于局部形状约束网络的人脸对齐

基于级联回归的人脸对齐方法已经取得了很大的成就,但是由于复杂的级联回归器设计、人为设计特征等局限性的影响使得人脸对齐没有找到一个性能更好的解决方案,尤其对于大姿态、大表情等条件下的人脸对齐任务.因此,为解决该问题,提出了一种新颖的人脸对齐方法——基于人脸局部形状约束.首先利用卷积神经网络初始化人脸整体形状;然后利用人脸局部区域的同质性,将人脸区域进行划分,对每一个区域定义局部形状约束;最后再由整体形状估计做为全局约束,组合各个面部局部形状约束,对整体面部特征点进行回归.实验结果表明,该方法提高了人脸对齐的精确度且速度上达到了实时.     

视频序列中基于肤色的人脸实时检测

利用肤色在颜色空间的聚类特性来检测人脸,为了去除亮度对肤色的影响,增强检测的可靠性,采用了同时在RGB归一化颜色空间和HSV颜色空间中对肤色进行检测.在肤色检测之前采用了图像差分法先检测出运动空间,消除了背景对肤色检测的影响,也缩小了肤色搜索的范围.关于实际场景的实验表明,本文算法既能准确地检测出人脸,同时又能够达到实时效果.     

一种基于显著性和部件模型的无约束条件人脸检测方法

针对无约束条件下的人脸检测进行研究,提出了一种基于显著性度量和部件模型的人脸检测方法。在部件模型为基础的检测方法中引入显著性理论,融合正面、左侧面、右侧面的三种平面外旋转姿态下的信息,生成完整有效的人脸显著图,并用于人脸检测。实验结果表明本文生成的人脸显著图能够更有针对性描述人脸区域,并且本文人脸检测方法相较Viola Jones人脸检测方法和基于部件模型的人脸检测方法有更高的检测率,运算速度相较原基于部件模型的人脸检测方法大有提高。     

复杂背景图像中彩色人脸的检测

提出了一种在复杂背景的图像中自动检测彩色人脸的方法.该方法首先在YCrCb和HSV色彩空间进行肤色和非肤色的分割,对检测到的肤色像素在CrCb空间中进行聚类,在每一聚类中心应用形态学算子除去一些较小的背景区域,然后进行区域合并形成候选人脸区域.在候选人脸区域内应用重复阈值法得到候选眼睛对,最后采用BP神经网络进行确认.实验结果表明这种方法在复杂背景的图像中检测人脸的正确率为90%.     

基于改进的RetinaFace人脸检测方法

针对RetinaFace在人脸检测任务中不能够兼顾检测精度与实时性的问题,提出一种基于改进RetinaFace的轻量化网络方法。首先使用MobileNetV3网络替代RetinaFace中的特征提取网络,大幅度降低参数和计算量;其次将高效通道注意力机制(efficient channel attention,ECA)与RetinaFace中的特征金字塔(feature pyramid networks,FPN)机制相融合,提高人脸检测精度;最后使用Soft-NMS非极大值抑制代替原始的非极大值抑制(non-maximum suppression,NMS)在2个候选框重合面积很大时也给1个权重,避免直接误删的情况,在人脸重合时也能更好地检测出来。实验结果表明：相较原算法,在widerface人脸数据集的easy、medium、hard分类情况下的准确率分别是93.79%、91.92%、72.18%,检测速度达到了72f/s,满足人脸测任务中的准确率和实时性要求。本文分析结果可为人脸检测领域提供参考。     

一种改进的人脸检测方法

针对一种基于多模板匹配的单人脸检测方法的不足 ,提出了一种改进的人脸检测方法。实验表明经过改进的方法在准确性和速度上都有一定的提高     

视频流下的人脸检测与跟踪

研究了基于AdaBoost算法的人脸检测、级联分类器,讨论了Haar-Like特征及其积分图的计算方法,以及微结构特征的详细定义和表示方式,并给出4种不同矩形特征的计算方法.以色彩直方图为跟踪特征,将基于AdaBoost的人脸检测算法与CamShift跟踪算法进行了有效的结合,并给出视频下的人脸检测与跟踪实验结果.实验结果表明,在尺度变化、角度变化以及有遮挡的情况下都得到了很好的检测、跟踪效果.     

基于肤色分割和神经网络确认的快速人脸检测

为了提高人脸检测速度,提出了一种基于肤色分割的快速人脸检测方法．利用颜色信息将彩色图像分割成皮肤区域和非皮肤区域,从而缩小了神经网络的检测区域,提高了人脸检测速度．     

基于OpenCV的人脸检测与跟踪方法实现

人脸是视频内容中的重要信息,对人脸的检测与跟踪是智能视频分析的一个重要分支。实现了基于OpenCV的人脸检测与跟踪方法。首先计算视频图像的Haar-like特征,然后利用AdaBoost级联分类器进行人脸检测,最后使用基于颜色的Camshift算法实现人脸跟踪。在VS 2010开发平台上调用OpenCV函数库进行C++编程;并使用MFC框架实现了人脸检测与跟踪方法。仿真实验结果证明方法思路合理、计算复杂度较低、鲁棒性较好。     

一种眼睛精确定位的人脸检测方法

提出了一种图像生成的概率模型,通过检测人脸区域与该区域内人脸的特征,获得最佳的推理算法．该方法将图像分割成若干任意大小区域,包括人脸区域与背景区域,其目的是对相似度模型进行改进,以便判别人脸与背景区域的生成部分,然后利用GentleBoost算法定位出任意图像的人脸和人眼部分．实验结果表明,采用该方法能获得较好的效果,具有一定的使用价值．