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。     

基于肤色的自适应光照法定位运动人体研究

为了解决自然环境下,环境光照变化和复杂背景等因素对视频监视和目标识别带来的干扰,提出了一种基于人体肤色特征遵循环境光照变化规律的自适应光照法运动人体定位方法。自适应光照法,即在HSV颜色模型下,分别计算不同光照条件下所有肤色像素点的平均色调H、平均饱和度S、平均亮度V;再计算不同光照条件下每幅帧图像所有像素点的相对亮度值μ;以相对亮度值为横坐标,肤色的H、S、V的平均值分别作为纵坐标,拟合出肤色相对于亮度的规律公式,通过自动选取阈值,进一步消除了环境光照变化对肤色检测的影响,使肤色区域定位更为准确,且计算量小、不需要消耗大量的存储空间和处理时间。以一年为周期采集并处理和分析了大量不同季节和时段的视频图像数据,实验结果表明,在运动区域查找人体肤色,自适应光照法提高了复杂自然环境下光照下对运动人体定位的实时性和准确性。     

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.     

基于支持向量机的肤色滤波器

为了探测图像中的肤色像素,提出了一种新的方法-支持向量机（SVM：Support Vector Machine）方法.它是一种基于肤色的非特定人的面部定位方法,是非接触人机交互技术和机器视觉中的一个重要内容.实验结果表明,采用支持向量机方法较传统人工神经网络方法不仅有更高的探测准确性,而且具有更好的推广性能.由于SVM采用结构风险最小化（SRM：Structural Risk Minimization）准则,在最小化训练误差（经验风险）的同时,尽量缩小模型预测误差的上界,从而使模型有更好的泛化能力.     

融合多特征的人脸检测方法

针对复杂环境下基于肤色模型的人脸检测误检率较高以及Adaboost算法对高分辨率图像时间效率低,提出了一种新的结合肤色模型和皮肤纹理特征以及Adaboost级联分类器的人脸检测方法,并改进了基于纹理刷色阶偏差法的皮肤纹理特征提取方法。该算法充分融合了肤色模型简单快捷、皮肤纹理突出的特性以及Adaboost级联分类器检测率高等优点。实验表明,该方法检测率高且有较好的鲁棒性。     

一种基于机器视觉的引体向上计数方法

针对引体向上项目人工计数效率低、误判率高等问题,提出了一种基于机器视觉的引体向上计数方法.利用AdaBoost算法构建Haar-like特征人脸人手分类器,通过计算图像不变矩获取人手人脸面积和质心坐标,分别取人脸面积、人脸与人手质心垂直距离做阈值;利用混合高斯背景模型提取运动前景,统计图像序列中ROI区域灰度变化,然后做椭圆肤色检测,计算图像不变矩获取图像序列中人脸质心坐标,通过对每帧的灰度值和质心坐标变化做分析,并与设定阈值作比较,得到引体向上数目.实验表明,该方法能快速的对复杂环境下引体向上动作进行计数,计数准确率约为91.3％.     

一种肤色定位的人脸检测算法

进行人脸识别前,首先要精确定位出一幅图像中人脸的位置,为了快速定位人脸位置,本文提出一种肤色定位的人脸检测算法。首先将实际获取的彩色图像转换为YCbCr和HSI空间图像,并将Cb和Cr图像中的数值进行四舍五入处理,结合Cb、Cr、H和S的阈值去除大部分背景,再统计当前图像中的彩色部分的Cb和Cr值,分别取最多2个数值来共同确定肤色位置,最后由当前位置的亮度信息图像排除手等纯肤色部分,准确定位人脸。本文算法能提高正检率并降低误检率,有利于人脸检测。     

一种新的基于直接最小二乘椭圆拟合的肤色检测方法

肤色检测是计算机视觉中的一个重要问题,本文提出了一种新的基于直接最小二乘椭圆拟合的肤色检测方法,其基本思想是根据肤色样本分布区域的边界数据点采用曲线拟合的方法得到肤色分布区域的边界方程。在实现时,为了解决直接在笛卡儿坐标系中提取肤色样本分布区域边界数据的困难,算法采用了一种新的解决思路,即首先把训练肤色样本在色度空间的统计分布转化为图像的形式,然后再利用边缘检测方法得到肤色分布区域的边界数据。根据所得的边界数据点用直接最小二乘椭圆拟合方法便可得到肤色分布区域的椭圆边界,方法简单直观。实践表明,该算法能完成对各种不同环境条件下所拍摄图像的肤色分割,效果理想,其性能明显优于常用的域值界定法和单高斯模型法。     

基于L^＊a^＊b^＊肤色模型和数学形态学的人脸检测

提出利用L*a*b*肤色模型和数学形态学相结合的方法,实现彩色图像人脸检测.建立L*a*b*颜色空间的肤色模型,利用该模型提取肤色区域;然后,用数学形态学算子,完成去除噪声和干扰,分割候选目标等处理过程;最后,利用人脸的比例关系框选出人脸区域.实验表明,该方法计算开销较小,易于实现,准确率较高,速度快.     

基于肤色分割和改进AdaBoost算法的人脸检测

为解决当被检测图像中具有复杂背景或者含有多人脸时,不能够快速准确的进行人脸检测的问题,本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理,排除样本图像的复杂背景和人体非肤色区域,简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法,以减少弱分类器个数,提升训练速度;改进权值更新规则,防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明,两种算法结合后在训练速度上提升,在检测速度和检测率上有明显提高。