CN103778430A - 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 - Google Patents
一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 Download PDFInfo
- Publication number
- CN103778430A CN103778430A CN201410060480.0A CN201410060480A CN103778430A CN 103778430 A CN103778430 A CN 103778430A CN 201410060480 A CN201410060480 A CN 201410060480A CN 103778430 A CN103778430 A CN 103778430A
- Authority
- CN
- China
- Prior art keywords
- image
- face
- gaussian pyramid
- rectangle
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明公开了一种基于肤色分割和AdaBoost相结合的快速人脸检测方法,包括以下步骤:第一步,构建N层高斯金字塔;第二步,确定在高斯金字塔中进行肤色分割人脸检测的层数Ev;第三步,对高斯金字塔的第Ev层图像进行肤色分割人脸检测,标定出矩形人脸候选区域;第四步,确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev';第五步,对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测;第六步,获取人脸区域。本发明结合了肤色分割和AdaBoost算法,并引入高斯金字塔,通过先为待检图像创建高斯金字塔,然后选择在高斯金字塔的适当层分别进行肤色分割和AdaBoost人脸检测,从而大幅提高了人脸检测效率。
Description
技术领域
本发明属于模式识别领域,涉及一种人脸检测方法。
背景技术
人脸识别技术是生物特征识别的关键技术之一,其研究内容是如何利用计算机分析人脸图像,从中提取有效的识别信息,完成身份辨识。而人脸检测是人脸识别系统的第一个环节,也是后续特征提取、特征分类等环节的基础。经过多年的发展,涌现出了大量的人脸检测算法,其中具有代表性的是基于肤色分割的人脸检测方法和基于AdaBoost的人脸检测方法。基于肤色分割人脸检测的方法检测速度很快但效果一般;相反,基于AdaBoost人脸检测的方法效果很好但速度较慢。本专利提出一种基于肤色分割和AdaBoost相结合的快速人脸检测算法,利用了适当的方法把基于肤色分割人脸检测和基于AdaBoost人脸检测进行组合,使这两种方法优势互补,既加快检测速度又提高检测效果。并在此改进的基础上,引入了高斯金字塔的思想,将肤色分割人脸检测和AdaBoost人脸检测用在高斯金字塔的不同层进行处理,进一步提高了整体的人脸检测效率。
发明内容
技术问题:本发明提供一种兼顾检测速度和检测效果,检测效果好,大幅提高了人脸检测效率、快速有效的基于肤色分割和AdaBoost相结合的快速人脸检测方法。
技术方案:本发明的基于肤色分割和AdaBoost相结合的快速人脸检测方法,包括以下步骤:
步骤1:构建高斯金字塔:将RGB彩色空间中待检测的彩色图像I扩展为N层的高斯金字塔G(I)={G0,G1,…,GN-1},其中,N≥2且N为自然数,高斯金字塔的最底层编号为0,最顶层编号为N-1,G0为高斯金字塔的最底层图像即原彩色图像I,GN-1为高斯金字塔的最顶层图像,Gl是高斯金字塔的第l层图像,0≤l≤N-1且l为自然数,每层图像的数据大小为Wl×Hl×3,其中Wl和Hl都为正整数,分别表示第l层图像Gl的列数和行数;
高斯金字塔的第l层图像Gl是原彩色图像I经过l次降采样得到的图像,其像素的计算公式如下:
Gl(β,γ)=Gl-1(2β,2γ)
其中,Gl(β,γ)表示高斯金字塔的第l层图像Gl的第β行第γ列的像素,且β和γ都为正整数,0≤β≤Hl-1,0≤γ≤Wl-1;
步骤2:根据下式确定在高斯金字塔中进行肤色分割人脸检测的层数Ev:
其中,SI(1),SI(2),…SI(N-1)分别表示在高斯金字塔的第1,2,…N-1层进行肤色分割人脸检测所要求的图像的最小尺寸,si(G1),si(G2),…si(GN-1)分别表示高斯金字塔的第1,2,…N-1层图像的实际尺寸;
步骤3:对高斯金字塔的第Ev层图像进行肤色分割人脸检测,标定出矩形人脸候选区域[(xLm,yLm),(xRm,yRm)]Ev,其中,矩形人脸候选区域的两边分别和第Ev层图像的两边平行,(xLm,yLm)和(xRm,yRm)分别为该层中标定出的第m个矩形人脸候选区域[(xLm,yLm),(xRm,yRm)]Ev的左上角和右下角的坐标,其中m为矩形人脸候选区域的编号,1≤m≤S,m为正整数,S为该层中标定出的矩形人脸候选区域的个数;
步骤4:根据下式确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev':
步骤5:对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测:
高斯金字塔第Ev层中的第m个矩形人脸候选区域对应到第Ev'层中,得到第Ev'层中的矩形人脸候选区域为[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev',其中(x'Lm,y'Lm)和(x'Rm,y'Rm)分别为根据下式计算得到的矩形人脸候选区域[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev'在第Ev'层图像中的左上角坐标和右下角坐标:
在高斯金字塔第Ev'层中,采用AdaBoost算法训练得到的人脸检测级联分类器,分别对所有的矩形人脸候选区域[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev'进行人脸检测,检测到Q个矩形人脸区域,记为集合{[(x'Lθ,y'Lθ),(x'Rθ,y'Rθ)]Ev'SUC|1≤θ≤Q},其中,θ为自然数,表示检测到的矩形人脸区域的编号,0≤Q≤S,Q=0时表示没检测到人脸,(x'Lθ,y'Lθ)和(x'Rθ,y'Rθ)分别为在高斯金字塔Ev'层中检测到的第θ个矩形人脸区域的左上角坐标和右下角坐标;
步骤6:获取人脸区域:
即得到高斯金字塔第Ev'层中第θ个矩形人脸区域对应到原彩色图像I中的矩形人脸区域
本发明方法的一种优选方案中,步骤3的具体流程为:
步骤3.1:按照下式将第Ev层的图像GEv由RGB彩色空间转化到YCbCr彩色空间:
转化后的图像为A,大小和图像GEv一致,为WEv×HEv×3,其中WEv和HEv分别表示图像GEv的列数和行数,其中,Y表示YCbCr彩色空间中的亮度分量,Cb表示YCbCr彩色空间中的蓝色色度分量,Cr表示YCbCr彩色空间中的红色色度分量,R表示RGB彩色空间中的红色分量,G表示RGB彩色空间中的绿色分量,B表示RGB彩色空间中的蓝色分量;
图像A在第p行第q列的肤色像素值为向量Apq=(cb,cr)T,其中T为转置符号,cb和cr分别表示图像A的第p行第q列的像素在Cb通道和Cr通道的分量,且有0≤p≤HEv-1,0≤q≤WEv-1;
步骤3.2:按照如下方法计算图像A中所有像素点与肤色的相似度:
根据下式求取图像A中每个像素点的简单高斯分布模型的概率密度P(Apq):
其中,函数exp()表示以e为底的指数函数,μs表示肤色训练样本的均值,Σs表示肤色训练样本的协方差矩阵,μs和Σs分别按照下式计算:
其中,a为样本数目,zζ为第ζ个样本,1≤ζ≤a,且ζ为自然数;
然后根据下式对求得的所有P(Apq)做归一化处理:
其中Pmax为求得的所有P(Apq)中的最大值,S(Apq)为图像A中第p行第q列像素的肤色相似度;
步骤3.3:根据下式对图像A进行二值化处理,得到图像A的二值化图像的像素点f(S(Apq)),即可得到图像A的二值化图像C:
其中,Th为预先设定好的肤色相似度阈值,且0<Th<1,二值化图像C上的每点像素都有Cpq=f(S(Apq)),其中Cpq为图像C在第p行第q列的像素值,0≤p≤HEv-1,0≤q≤WEv-1;
步骤3.4:按照如下方法标定矩形人脸候选区域:
检测出图像C中像素值Cpq=1的区域,作为人脸候选区域,将其用矩形框标定出来,并用[(xLm,yLm),(xRm,yRm)]Ev来表示在高斯金字塔的第Ev中标定出的第m矩形人脸候选区域,其中(xLm,yLm)和(xRm,yRm)分别表示该矩形人脸候选区域的左上角坐标和右下角坐标。
有益效果:与现有的技术相比,本发明具有以下优点:
1、现有的人脸检测技术大多是运用单一的人脸检测方法,而本发明把肤色分割人脸检测方法和AdaBoost人脸检测方法相结合。由于肤色分割人脸检测方法速度较快但准确率偏低,而AdaBoost人脸检测方法准确率高但速度偏慢,所以将肤色分割人脸检测作为AdaBoost人脸检测的前级,进行粗略的人脸检测,把检测到的区域作为人脸候选区域,再把这些人脸候选区域用AdaBoost方法进行精确人脸检测,从而缩小AdaBoost方法的检测范围,在保证检测效果的基础上大大降低了检测时间。
2、由于待检测的图像可能较大,如果直接进行人脸检测速度肯定很慢。因此本发明引入了高斯金字塔的思想,为待检测图像创建高斯金字塔。高斯金字塔是对原图进行降采样得到的,金字塔上层图像比其下层图像尺寸小,对金字塔上层图像进行人脸检测时速度会变快,但准确率会有一定下降。在兼顾检测效果与检测速度的基础上,本发明选择在高斯金字塔的适当层进行肤色分割人脸检测和AdaBoost人脸检测,然后把检测到的人脸区域对应到原待检测图像中,从而在保证检测效果的基础上大大加快了检测速度。
附图说明
图1是本发明方法的整体流程图。
具体实施方式
下面结合实施例和说明书附图,对本发明的作进一步详细说明。
本发明的基于肤色分割和AdaBoost相结合的快速人脸检测方法,包括以下步骤:
步骤1:构建高斯金字塔:将RGB彩色空间中待检测的彩色图像I扩展为N层的高斯金字塔G(I)={G0,G1,…,GN-1},其中,N≥2且N为自然数,对原图像不断向下采样,得到一系列不同分辨率的图像,同时每次得到的新图像的宽和高是前一幅图像宽和高的二分之一,把这一系列图像从大到小排列起来就构成了高斯金字塔,高斯金字塔的最底层编号为0,最顶层编号为N-1,G0为高斯金字塔的最底层图像即原彩色图像I,该图像尺寸最大,GN-1为高斯金字塔的最顶层图像,该图像尺寸最小,Gl是高斯金字塔的第l层图像,0≤l≤N-1且l为自然数,每层图像的数据大小为Wl×Hl×3,其中Wl和Hl都为正整数,分别表示第l层图像Gl的列数和行数;
高斯金字塔的第l层图像Gl是原彩色图像I经过l次降采样得到的图像,其像素的计算公式如下:
Gl(β,γ)=Gl-1(2β,2γ)
其中,Gl(β,γ)表示高斯金字塔的第l层图像Gl的第β行第γ列的像素,且β和γ都为正整数,0≤β≤Hl-1,0≤γ≤Wl-1;
步骤2:根据下式确定在高斯金字塔中进行肤色分割人脸检测的层数Ev:
其中,SI(1),SI(2),…SI(N-1)分别表示在高斯金字塔的第1,2,…N-1层进行肤色分割人脸检测所要求的图像的最小尺寸,si(G1),si(G2),…si(GN-1)分别表示高斯金字塔的第1,2,?N-1层图像的实际尺寸;
步骤3:对高斯金字塔的第Ev层图像进行肤色分割人脸检测,标定出矩形人脸候选区域[(xLm,yLm),(xRm,yRm)]Ev,其中,矩形人脸候选区域的两边分别和第Ev层图像的两边平行,(xLm,yLm)和(xRm,yRm)分别为该层中标定出的第m个矩形人脸候选区域[(xLm,yLm),(xRm,yRm)]Ev的左上角和右下角的坐标,其中m为矩形人脸候选区域的编号,1≤m≤S,m为正整数,S为该层中标定出的矩形人脸候选区域的个数;
步骤4:根据下式确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev':
步骤5:对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测:
高斯金字塔第Ev层中的第m个矩形人脸候选区域对应到第Ev'层中,得到第Ev'层中的矩形人脸候选区域为[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev',其中(x'Lm,y'Lm)和(x'Rm,y'Rm)分别为根据下式计算得到的矩形人脸候选区域[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev'在第Ev'层图像中的左上角坐标和右下角坐标:
在高斯金字塔第Ev'层中,采用AdaBoost算法训练得到的人脸检测级联分类器,分别对所有的矩形人脸候选区域[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev'进行人脸检测,检测到Q个矩形人脸区域,记为集合{[(x'Lθ,y'Lθ),(x'Rθ,y'Rθ)]Ev'SUC|1≤θ≤Q},其中,θ为自然数,表示检测到的矩形人脸区域的编号,0≤Q≤S,Q=0时表示没检测到人脸,(x'Lθ,y'Lθ)和(x'Rθ,y'Rθ)分别为在高斯金字塔Ev'层中检测到的第θ个矩形人脸区域的左上角坐标和右下角坐标;
AdaBoost是一种迭代算法,其核心思想是针对同一个训练集训练不同的弱分类器,然后把这些弱分类器结合起来,构成强分类器,最后训练多个强类器通过级联生成级联分类器,具体训练过程如下:
设训练集J={(x1,y1),(x2,y2),…,(xn,yn)}包含n个样本,其中xi表示训练本,xi∈X,i=1,2,?,n,X为训练样本集,yi∈Y是xi对应的判别标志,有Y={1,-1},其中yi=1表示xi是正样本,yi=-1表示xi是负样本;
级联分类器按以下步骤训练:
第一步:初始化样本权值:
其中,w1(i)表示第i个样本的初始权值,u表示训练集J中正样本的总数,v表示训练集J中负样本的总数,有u+v=n,n为样本总数;
第二步:对于t=1,2,…,Td进行如下循环,其中Td为迭代次数:
①权值归一化
其中,wt(i)表示第t轮训练中第i个样本的权值;
②训练弱分类器,并计算其加权误差:
选定用于人脸检测的所有哈尔特征,并对每个哈尔特征j训练一个弱分类器hj(x),表示如下:
其中,变量x表示训练样本,Fj(x)表示训练样本x中哈尔特征j的值,θj表示对哈尔特征j设定的阈值,pj=±1用于控制不等号的方向;
分别计算上述训练出的弱分类器对所有训练样本的加权误差εj:
选择加权误差最低的弱分类器作为此次循环的分类器,记为ht(x),最低的加权误差记为εt;
③按照如下公式更新样本权值:
其中ei={0,1},ei=0时表示样本xi被正确分类,ei=1时表示样本xi被错误分类;
第三步:得到最终的强分类器H(x):
其中
第四步:训练多个强分类器,构成级联分类器。通过上述步骤训练出多个强分类器H1(x),H2(x),?,Hd(x),其中d为强分类器的个数,然后把这些强分类器级联起来,构成最后的级联分类器Hcas(x),其中Hcas(x)=H1(x)?H2(x)?,?,?Hd(x);
步骤6:获取人脸区域:
最终得到的矩形人脸区域集合作为最终检测结果。
本发明的一种实施例中,步骤3的具体流程为:
步骤3.1:按照下式将第Ev层的图像GEv由RGB彩色空间转化到YCbCr彩色空间:
转化后的图像为A,大小和图像GEv一致,为WEv×HEv×3,其中WEv和HEv分别表示图像GEv的列数和行数,其中,Y表示YCbCr彩色空间中的亮度分量,Cb表示YCbCr彩色空间中的蓝色色度分量,Cr表示YCbCr彩色空间中的红色色度分量,R表示RGB彩色空间中的红色分量,G表示RGB彩色空间中的绿色分量,B表示RGB彩色空间中的蓝色分量;
图像A在第p行第q列的肤色像素值为向量Apq=(cb,cr)T,其中T为转置符号,cb和cr分别表示图像A的第p行第q列的像素在Cb通道和Cr通道的分量,且有0≤p≤HEv-1,0≤q≤WEv-1;
步骤3.2:按照如下方法计算图像A中所有像素点与肤色的相似度:
根据下式求取图像A中每个像素点的简单高斯分布模型的概率密度P(Apq):
其中,函数exp()表示以e为底的指数函数,μs表示肤色训练样本的均值,Σs表示肤色训练样本的协方差矩阵,μs和Σs分别按照下式计算:
其中,a为样本数目,zζ为第ζ个样本,1≤ζ≤a,且ζ为自然数;
然后根据下式对求得的所有P(Apq)做归一化处理:
其中Pmax为求得的所有P(Apq)中的最大值,S(Apq)为图像A中第p行第q列像素的肤色相似度;
步骤3.3:根据下式对图像A进行二值化处理,得到图像A的二值化图像的像素点f(S(Apq)),即可得到图像A的二值化图像C:
其中,Th为预先设定好的肤色相似度阈值,且0<Th<1,二值化图像C上的每点像素都有Cpq=f(S(Apq)),其中Cpq为图像C在第p行第q列的像素值,0≤p≤HEv-1,0≤q≤WEv-1;
步骤3.4:按照如下方法标定矩形人脸候选区域:
检测出图像C中像素值Cpq=1的区域,作为人脸候选区域,将其用矩形框标定出来,并用[(xLm,yLm),(xRm,yRm)]Ev来表示在高斯金字塔的第Ev中标定出的第m矩形人脸候选区域,其中(xLm,yLm)和(xRm,yRm)分别表示该矩形人脸候选区域的左上角坐标和右下角坐标。
Claims (2)
1.一种基于肤色分割和AdaBoost相结合的快速人脸检测方法,该方法包括以下步骤:
步骤1:构建高斯金字塔:将RGB彩色空间中待检测的彩色图像I扩展为N层的高斯金字塔G(I)={G0,G1,…,GN-1},其中,N≥2且N为自然数,高斯金字塔的最底层编号为0,最顶层编号为N-1,G0为高斯金字塔的最底层图像即原彩色图像I,GN-1为高斯金字塔的最顶层图像,Gl是高斯金字塔的第l层图像,0≤l≤N-1且l为自然数,每层图像的数据大小为Wl×Hl×3,其中Wl和Hl都为正整数,分别表示第l层图像Gl的列数和行数;
高斯金字塔的第l层图像Gl是原彩色图像I经过l次降采样得到的图像,其像素的计算公式如下:
Gl(β,γ)=Gl-1(2β,2γ)
其中,Gl(β,γ)表示高斯金字塔的第l层图像Gl的第β行第γ列的像素,且β和γ都为正整数,0≤β≤Hl-1,0≤γ≤Wl-1;
步骤2:根据下式确定在高斯金字塔中进行肤色分割人脸检测的层数Ev:
其中,SI(1),SI(2),…SI(N-1)分别表示在高斯金字塔的第1,2,…N-1层进行肤色分割人脸检测所要求的图像的最小尺寸,si(G1),si(G2),…si(GN-1)分别表示高斯金字塔的第1,2,…N-1层图像的实际尺寸;
步骤3:对高斯金字塔的第Ev层图像进行肤色分割人脸检测,标定出矩形人脸候选区域[(xLm,yLm),(xRm,yRm)]Ev,其中,矩形人脸候选区域的两边分别和第Ev层图像的两边平行,(xLm,yLm)和(xRm,yRm)分别为该层中标定出的第m个矩形人脸候选区域[(xLm,yLm),(xRm,yRm)]Ev的左上角和右下角的坐标,其中m为矩形人脸候选区域的编号,1≤m≤S,m为正整数,S为该层中标定出的矩形人脸候选区域的个数;
步骤4:根据下式确定在高斯金字塔中进行AdaBoost人脸检测的层数Ev':
步骤5:对高斯金字塔的第Ev'层图像进行AdaBoost人脸检测:
高斯金字塔第Ev层中的第m个矩形人脸候选区域对应到第Ev'层中,得到第Ev'层中的矩形人脸候选区域为[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev',其中(x'Lm,y'Lm)和(x'Rm,y'Rm)分别为根据下式计算得到的矩形人脸候选区域[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev'在第Ev'层图像中的左上角坐标和右下角坐标:
在高斯金字塔第Ev'层中,采用AdaBoost算法训练得到的人脸检测级联分类器,分别对所有的矩形人脸候选区域[(x'Lm,y'Lm),(x'Rm,y'Rm)]Ev'进行人脸检测,检测到Q个矩形人脸区域,记为集合{[(x'Lθ,y'Lθ),(x'Rθ,y'Rθ)]Ev'SUC|1≤θ≤Q},其中,θ为自然数,表示检测到的矩形人脸区域的编号,0≤Q≤S,Q=0时表示没检测到人脸,(x'Lθ,y'Lθ)和(x'Rθ,y'Rθ)分别为在高斯金字塔Ev'层中检测到的第θ个矩形人脸区域的左上角坐标和右下角坐标;
步骤6:获取人脸区域:
2.根据权利要求1所述的基于肤色分割和AdaBoost相结合的快速人脸检测方法,其特征在于,所述的步骤3的具体流程为:
步骤3.1:按照下式将第Ev层的图像GEv由RGB彩色空间转化到YCbCr彩色空间:
转化后的图像为A,大小和图像GEv一致,为WEv×HEv×3,其中WEv和HEv分别表示图像GEv的列数和行数,其中,Y表示YCbCr彩色空间中的亮度分量,Cb表示YCbCr彩色空间中的蓝色色度分量,Cr表示YCbCr彩色空间中的红色色度分量,R表示RGB彩色空间中的红色分量,G表示RGB彩色空间中的绿色分量,B表示RGB彩色空间中的蓝色分量;
图像A在第p行第q列的肤色像素值为向量Apq=(cb,cr)T,其中T为转置符号,cb和cr分别表示图像A的第p行第q列的像素在Cb通道和Cr通道的分量,且有0≤p≤HEv-1,0≤q≤WEv-1;
步骤3.2:按照如下方法计算图像A中所有像素点与肤色的相似度:
根据下式求取图像A中每个像素点的简单高斯分布模型的概率密度P(Apq):
其中,函数exp()表示以e为底的指数函数,μs表示肤色训练样本的均值,Σs表示肤色训练样本的协方差矩阵,μs和Σs分别按照下式计算:
其中,a为样本数目,zζ为第ζ个样本,1≤ζ≤a,且ζ为自然数;
然后根据下式对求得的所有P(Apq)做归一化处理:
其中Pmax为求得的所有P(Apq)中的最大值,S(Apq)为图像A中第p行第q列像素的肤色相似度;
步骤3.3:根据下式对图像A进行二值化处理,得到图像A的二值化图像的像素点f(S(Apq)),即可得到图像A的二值化图像C:
其中,Th为预先设定好的肤色相似度阈值,且0<Th<1,二值化图像C上的每点像素都有Cpq=f(S(Apq)),其中Cpq为图像C在第p行第q列的像素值,0≤p≤HEv-1,0≤q≤WEv-1;
步骤3.4:按照如下方法标定矩形人脸候选区域:
检测出图像C中像素值Cpq=1的区域,作为人脸候选区域,将其用矩形框标定出来,并用[(xLm,yLm),(xRm,yRm)]Ev来表示在高斯金字塔的第Ev中标定出的第m矩形人脸候选区域,其中(xLm,yLm)和(xRm,yRm)分别表示该矩形人脸候选区域的左上角坐标和右下角坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060480.0A CN103778430B (zh) | 2014-02-24 | 2014-02-24 | 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060480.0A CN103778430B (zh) | 2014-02-24 | 2014-02-24 | 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778430A true CN103778430A (zh) | 2014-05-07 |
CN103778430B CN103778430B (zh) | 2017-03-22 |
Family
ID=50570643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060480.0A Active CN103778430B (zh) | 2014-02-24 | 2014-02-24 | 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778430B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182729A (zh) * | 2014-07-31 | 2014-12-03 | 四川长虹电器股份有限公司 | 基于arm嵌入式平台的行人检测方法 |
CN104331690A (zh) * | 2014-11-17 | 2015-02-04 | 成都品果科技有限公司 | 一种基于单张图像的肤色人脸检测方法及系统 |
CN106778543A (zh) * | 2016-11-29 | 2017-05-31 | 北京小米移动软件有限公司 | 单人脸检测方法、装置及终端 |
CN107220624A (zh) * | 2017-05-27 | 2017-09-29 | 东南大学 | 一种基于Adaboost算法的人脸检测方法 |
WO2018082308A1 (zh) * | 2016-11-07 | 2018-05-11 | 深圳云天励飞技术有限公司 | 一种图像处理方法及终端 |
CN110263712A (zh) * | 2019-06-20 | 2019-09-20 | 江南大学 | 一种基于区域候选的粗精行人检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002183729A (ja) * | 2000-10-20 | 2002-06-28 | Eastman Kodak Co | 画像肌色検出における金髪画素除去方法 |
CN103020949A (zh) * | 2011-09-27 | 2013-04-03 | 康佳集团股份有限公司 | 人脸图像检测方法 |
CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
-
2014
- 2014-02-24 CN CN201410060480.0A patent/CN103778430B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002183729A (ja) * | 2000-10-20 | 2002-06-28 | Eastman Kodak Co | 画像肌色検出における金髪画素除去方法 |
CN103020949A (zh) * | 2011-09-27 | 2013-04-03 | 康佳集团股份有限公司 | 人脸图像检测方法 |
CN103116763A (zh) * | 2013-01-30 | 2013-05-22 | 宁波大学 | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182729A (zh) * | 2014-07-31 | 2014-12-03 | 四川长虹电器股份有限公司 | 基于arm嵌入式平台的行人检测方法 |
CN104182729B (zh) * | 2014-07-31 | 2017-08-29 | 四川长虹电器股份有限公司 | 基于arm嵌入式平台的行人检测方法 |
CN104331690A (zh) * | 2014-11-17 | 2015-02-04 | 成都品果科技有限公司 | 一种基于单张图像的肤色人脸检测方法及系统 |
CN104331690B (zh) * | 2014-11-17 | 2017-08-29 | 成都品果科技有限公司 | 一种基于单张图像的肤色人脸检测方法及系统 |
WO2018082308A1 (zh) * | 2016-11-07 | 2018-05-11 | 深圳云天励飞技术有限公司 | 一种图像处理方法及终端 |
CN106778543A (zh) * | 2016-11-29 | 2017-05-31 | 北京小米移动软件有限公司 | 单人脸检测方法、装置及终端 |
CN107220624A (zh) * | 2017-05-27 | 2017-09-29 | 东南大学 | 一种基于Adaboost算法的人脸检测方法 |
CN110263712A (zh) * | 2019-06-20 | 2019-09-20 | 江南大学 | 一种基于区域候选的粗精行人检测方法 |
CN110263712B (zh) * | 2019-06-20 | 2021-02-23 | 江南大学 | 一种基于区域候选的粗精行人检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103778430B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Towards real-time traffic sign detection and classification | |
CN103778430A (zh) | 一种基于肤色分割和AdaBoost相结合的快速人脸检测方法 | |
CN108268859A (zh) | 一种基于深度学习的人脸表情识别方法 | |
CN105825183B (zh) | 基于部分遮挡图像的人脸表情识别方法 | |
CN107506761A (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
CN106650830A (zh) | 基于深层模型和浅层模型决策融合的肺结节ct图像自动分类方法 | |
CN107844795A (zh) | 基于主成分分析的卷积神经网络特征提取方法 | |
CN110427832A (zh) | 一种基于神经网络的小数据集手指静脉识别方法 | |
CN106682569A (zh) | 一种基于卷积神经网络的快速交通标识牌识别方法 | |
CN108764041A (zh) | 用于下部遮挡人脸图像的人脸识别方法 | |
CN107480649A (zh) | 一种基于全卷积神经网络的指纹汗孔提取方法 | |
CN105678231A (zh) | 一种基于稀疏编码和神经网络的行人图片检测方法 | |
CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
CN103116763A (zh) | 一种基于hsv 颜色空间统计特征的活体人脸检测方法 | |
CN104751142A (zh) | 一种基于笔划特征的自然场景文本检测算法 | |
CN109446922B (zh) | 一种实时鲁棒的人脸检测方法 | |
CN107633229A (zh) | 基于卷积神经网络的人脸检测方法及装置 | |
CN103186776B (zh) | 基于多特征和深度信息的人体检测方法 | |
CN105354824B (zh) | 基于区域提取的双参数恒虚警检测方法 | |
CN101661554A (zh) | 远距离视频下的正面人体自动身份识别方法 | |
CN107944428A (zh) | 一种基于超像素集的室内场景语义标注方法 | |
CN108021869A (zh) | 一种结合高斯核函数的卷积神经网络跟踪方法 | |
CN109614866A (zh) | 基于级联深度卷积神经网络的人脸检测方法 | |
CN107705323A (zh) | 一种基于卷积神经网络的水平集目标追踪方法 | |
CN107145841A (zh) | 一种基于矩阵的低秩稀疏人脸识别方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |