CN109657544A - 一种人脸检测方法和装置 - Google Patents

一种人脸检测方法和装置 Download PDF

Info

Publication number
CN109657544A
CN109657544A CN201811334986.0A CN201811334986A CN109657544A CN 109657544 A CN109657544 A CN 109657544A CN 201811334986 A CN201811334986 A CN 201811334986A CN 109657544 A CN109657544 A CN 109657544A
Authority
CN
China
Prior art keywords
image
gauss model
result
improved
human face
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
Application number
CN201811334986.0A
Other languages
English (en)
Other versions
CN109657544B (zh
Inventor
潘成华
肖康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Net Into Polytron Technologies Inc
Original Assignee
Jiangsu Net Into Polytron Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu Net Into Polytron Technologies Inc filed Critical Jiangsu Net Into Polytron Technologies Inc
Priority to CN201811334986.0A priority Critical patent/CN109657544B/zh
Publication of CN109657544A publication Critical patent/CN109657544A/zh
Application granted granted Critical
Publication of CN109657544B publication Critical patent/CN109657544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种人脸检测方法，包括将接收的RGB图像转换为改进的的HSV图像，并将接收的RGB图像转换为改进的YCgCr图像；将所述改进的HSV图像和YCgCr图像输入高斯模型中进行计算处理；对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果；根据第一检测结果识别人脸。本发明将HSV空间对光照的适应性和YCgCr对与强光照和弱光照的适应性融合在一起，其次，上述两种空间对于肤色都有很好的聚合性，使得肤色检测模型具有了更好的鲁棒性，大大提高了远距离人脸图片中人脸检测的成功率，对复杂环境下人脸检测的效率也有大大的提高。

Description

一种人脸检测方法和装置
技术领域
本发明涉及图像处理技术，特别涉及一种人脸检测方法和装置。
背景技术
人脸识别技术不仅用于安防，公安监控，更深入到人们生活的点点滴滴，例如：手机人脸识别解锁技术，其有基于静态图片的，有基于3D建模的等等，另外还有考勤打卡机。但这些人脸识别技术都是基于高分辨率的图片或者是背景极简单环境，不能应用于复杂场景和低分辨率的图片。
中国专利CN101667245公开一种基于支持矢量检测分类器级联的人脸检测方法，主要解决的是人脸检测过程中计算复杂度过大导致检测时间过长的问题，用此级联强分来器对灰度图片进行人脸的检测并标出。该发明具有检测速度快的优点，可用于机器学习和模式识别范畴内的人脸检测。但并不适合远距离的人脸识别技术，远距离人脸识别技术面临两个主要困难，首先是如何从远距离获取人脸图像；其次，在远距离受光照影响的情况下，得到的数据并不理想的情况下，如何识别身份。现有的基于肤色的人脸检测方法均是基于单个颜色空间的建模方法，往往单个颜色空间的特性有限，不能高效的检测肤色，或者对接近肤色的像素区域不能很好的分辨，和对亮度变化的鲁棒性不是很好。
发明内容
针对现有技术中的缺陷，本发明涉及一种人脸检测方法和装置，以解决上述问题。
根据本发明实施例的第一方面，提供了一种人脸检测方法，包括：
将接收的RGB图像转换为改进的的HSV图像，并将接收的RGB图像转换为改进的YCgCr图像；
将所述改进的HSV图像和YCgCr图像输入高斯模型中进行计算处理；
对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果；
根据第一检测结果识别人脸。
优选的，所述高斯模型包括二阶高斯混合模型，所述二阶高斯混合模型对所述改进的HSV图像和所述改进的YCgCr图像进行融合：
其中K为混合阶数，αi为单个高斯模型的权重，μi为m的统计平均值，d为单高斯模型的参数个数，Σi为m的协方差矩阵，即m的标准差为
优选的，所述将所述改进的HSV图像和YCgCr图像输入高斯模型中进行计算处理；对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果的步骤还包括：
对所述高斯模型输出的结果进行高斯平滑处理，所述高斯平滑处理包括腐蚀操作和膨胀操作；
对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果。
优选的，所述对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果的步骤包括：
对所述高斯模型输出的结果与第一预设宽长比进行比对，获得满足第一预设宽长比的目标检测结果。
优选的，所述对所述高斯模型输出的结果与第一预设宽长比进行比对，获得满足第一预设宽长比的目标检测结果的步骤之后还包括：
将目标检测结果与第一预设像素进行比对，获得满足第一预设像素的第一检测结果。
优选的，所述方法还包括：将第一检测结果通过改进的HOG特征在SVM分类器进行分类，具体为：
主对角线梯度：Gf(x,y)＝H(x-1,y-1)-H(x+1,y+1)
副对角线梯度：Gs(x,y)＝H(x-1,y+1)-H(x+1,y-1)
加入对角线梯度后的水平竖直方向梯度为：
优选的，将目标检测结果与第一预设像素进行比对，将不满足第一预设像素的目标检测结果利用关联算子进行处理，识别人脸。
在本发明的第二方面，还提供了一种人脸检测装置，包括：
第一转换单元，用于将接收的RGB图像转换为改进的的HSV图像；
第二转换单元，用于将接收的RGB图像转换为改进的YCgCr图像；
高斯模型计算单元，用于将所述改进的HSV图像和YCgCr图像输入高斯模型计算单元中进行计算处理；
处理单元，对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果；
识别单元，连接至所述处理单元，根据第一检测结果识别出人脸。
优选的，还包括：高斯平滑处理单元，用于对所述高斯模型输出的结果进行高斯平滑处理，所述高斯平滑处理包括腐蚀操作和膨胀操作。
与现有技术相比，本发明的有益效果：
本发明采用了二阶高斯混合模型，将H-SV空间对于光照的适应性和YCgCr对与强光照和弱光照的适应性融合在一起，因上述两种空间对于肤色都有很好的聚合性，使得肤色检测模型具有了更好的鲁棒性，大大提高了远距离人脸图片中人脸检测的成功率，对复杂环境下人脸检测的效率也有大大的提高。其次，利用改进的HOG特征和SVM对肤色检测后的人脸区域进行二次检测，改进的HOG特征大大提高的对于复杂环境的适应性。所以整套流程对于人脸检测的成功率将会有巨大的提升。
附图说明
图1所示为本发明的一较佳实施例提供的人脸检测方法的流程图。
图2所示为本发明的另一较佳实施例提供的人脸检测方法的流程图。
图3所示为本发明的一较佳实施例提供的人脸检测装置的结构示意图。
具体实施方式：
为使本发明的上述目的、特征和优点能够更加明显易懂。下面结合附图对本发明的具体实施方式做详细说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况做类似改进，因此本发明不受下面公开的具体实施方式的现实。
图1所示为本发明的一较佳实施例提供的人脸检测方法的流程图。
如图1所示，根据本发明的人脸检测方法主要包括以下四个步骤：
步骤S11，输入待检测的RGB图像；所述RGB图像可以来自于手机拍摄的照片，可以来自监控拍摄的照片，也就是我们通常接触的三通道真彩图像。
步骤S12，将接收的待检测的RGB图像转换为改进的HSV图像和改进的YCgCr图像。
本发明将接收的RGB图像转换为改进的HSV图像，其中，H表示色调，S表示饱和度，V表示明度，现有的RGB图像转换为HSV图像采用六棱锥表示法，具体转换方法如下：
H(c)＝[F(c)+H(c)]×60；
其中：
V(c)＝Max(c)
其中：
Max(c)＝Maximun(R,G,B)
Min(c)＝Minimun(R,G,B)
Mid(c)＝Median(R,G,B)
上述转换方法中，当亮度发生变化时，RGB图像的三种分量的改变量上式中Max(c)-Min(c),Max(c)-Mid(c),Mid(c)-Min(c)基本不变，因而H(c)也不变，但是，S(c),V(c)会随着亮度的变化而变化，因此检测结果受到光照的影响，本发明为了实现对光照更加敏感的效果，采取改进的HSV模型，改进的HSV模型通过S(c),V(c)的乘积可抑制其随着亮度的变化而变化，具体的
S(c)×V(c)＝Max(c)-Min(c)
这样就使得某一区域像素亮度发生变化时，H(c)，S(c)×V(c)均保持不变，对于某一颜色相近区域的像素，各个像素的H(c)，S(c)×V(c)也是相似的。而人脸区域的肤色大约在红黄之间，通过这种改进的HSV方法，可以保持一定的稳定聚合特性，对光照的改变具有很强的适应能力。
本发明S12中将接收的RGB图像转换为改进的YCgCr图像(Y是指亮度分量，Cg指绿色色度分量，而Cr指红色色度分量)的方法包括：
这里由于色度还是对亮度有依赖，本发明采取对YCgCr空间进行线性变换的方法消除色度对亮度的依赖，变换后的颜色空间我们用YC′gC′r表示，具体变换过程如下：
其中和表示肤色聚类的中轴线。
非线性分段变化色度函数：
其中，Ci指Cg或Cr；Kh＝150和Kl＝100为变换的分段阈值；Ymin＝16和Ymax＝235是聚类区域中Y分量的最大值和最小值；
然后采用椭圆公示匹配两个色度分量的距离：
其中，Cx＝108.46，Cy＝164.16，θ＝2.36(rad)，ecx＝1.02，ecy＝3.26，a＝26.32，b＝9.86都是根据C′gC′r空间计算而来。
本发明通过采用改进的YCgCr图像消除了光照的变化对人脸检测的影响，提高了检测效果。
步骤S13，将改进的HSV图像和YCgCr图像输入高斯模型中进行计算处理。
在本发明的一个具体实施例中，所述高斯模型包括二阶高斯混合模型，通过二阶高斯混合模型检测肤色区域，对上述步骤S12中改进的HSV图像和改进的YCgCr图像进行融合，采取两个图像各自的优势，提高了检测效果。具体的模型为：
其中K为混合阶数，αi为单个高斯模型的权重，μi为m的统计平均值，d为单高斯模型的参数个数，Σi为m的协方差矩阵，即m的标准差为
步骤S14，对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果。
步骤S15，根据第一检测结果识别人脸。
在本发明的另一实施例中，请参考图2所示，步骤S14还包括:
步骤S141，对所述高斯模型输出的结果进行高斯平滑处理，所述高斯平滑处理包括腐蚀操作和膨胀操作，用于去除噪音和干扰，得到的检测结果更准确。
步骤S142，判断高斯模型输出的结果是否在第一预设宽长比范围内，若是，则对满足条件的目标检测结果执行步骤S143，否则执行步骤S144，将不满足第一预设宽长比范围的目标检测结果丢弃。
在该步骤S142中，对所述高斯模型输出的结果与第一预设宽长比进行比对，若满足，则获得满足第一预设宽长比的目标检测结果。
在本发明的一优选实施例中，根据黄金分割比例，并在此基础上进行适当的调整，将人脸肤色区域的宽长比定义在第一预设宽长比范围[0.5，1]内，根据此判断条件，将由步骤141检测出来的检测结果进行第一次比例选择，经过筛选后的人脸区域宽长比即目标检测结果将统一在区间[0.5，1]内。
步骤S143，判断满足条件的目标检测结果是否大于第一预设像素，若是，则执行步骤S145，否则执行步骤S146。
步骤S143中将满足预设条件的目标检测结果与第一预设像素进行比对，获得满足第一预设像素的第一检测结果。根据步骤S142筛选出的肤色区域比例在[0.5，1]内的肤色区域再次进行像素选择，选择像素大于第一预设像素，例如24×16的区域。
步骤S145，将满足第一预设像素的检测结果通过改进的HOG特征在SVM分类器进行分类。
将步骤S143中筛选的像素区域大于第一预设像素的区域送入SVM分类器进行人脸检测，得到第一检测结果，这个分类器本发明采用经过改进了的HOG特征和支持向量机(SVM)来分类，由于传统的HOG特征梯度的计算方式只计算了竖直和垂直方向的梯度。
水平方向：Gy(x,y)＝H(x,y+1)-H(x,y-1)
竖直方向：Gx(x,y)＝H(x+1,y)-H(x-1,y)
本发明为了进一步弱化光照和背景等因素的干扰，本发明将对角线的梯度也计算出来如下：
主对角线梯度：Gf(x,y)＝H(x-1,y-1)-H(x+1,y+1)
副对角线梯度：Gs(x,y)＝H(x-1,y+1)-H(x+1,y-1)
加入对角线梯度后的水平竖直方向梯度为：
改进后的HOG特征对于图像的纹理有了很好的表达，对外部环境和光照条件有更好的鲁棒性，提高了人脸检测率。
本发明通过SVM分类器分析人脸区域或者非人脸区域，分类更准确。
步骤S146，将不满足第一预设像素的目标检测结果利用关联算子进行处理，识别人脸。
本发明将利用关联算子对不满足第一预设像素的区域进行处理，分析这个区域是否存在眼睛，嘴巴等明显的特征，本发明称其为“孔洞”，作为判断在这个像素区域是否为人脸的依据。若有眼睛，嘴巴等明显特征，则判断为人脸，否则判断为非人脸。
本发明采用了二阶高斯混合模型，将H-SV空间对于光照的适应性和YCgCr对与强光照和弱光照的适应性融合在一起，因上述两种空间对于肤色都有很好的聚合性，使得肤色检测模型具有了更好的鲁棒性，大大提高了远距离人脸图片中人脸检测的成功率，对复杂环境下人脸检测的效率也有大大的提高。其次，利用改进的HOG特征和SVM对肤色检测后的人脸区域进行二次检测，改进的HOG特征大大提高的对于复杂环境的适应性。所以整套流程对于人脸检测的成功率将会有巨大的提升。
请参考图3所示为本发明的一较佳实施例提供的人脸检测装置的结构示意图。本发明的一种人脸检测装置包括第一转换单元10，第二转换单元20，高斯模型计算单元30，处理单元40和识别单元50，其中，第一转换单元10，用于将接收的RGB图像转换为改进的的HSV图像；第二转换单元20，用于将接收的RGB图像转换为改进的YCgCr图像；高斯模型计算单元30，用于将所述改进的HSV图像和YCgCr图像输入高斯模型计算单元30中进行计算处理，具体的，高斯模型包括二阶高斯混合模型，通过二阶高斯混合模型检测肤色区域，对第一转换单元10中改进的HSV图像和第二转换单元20中改进的YCgCr图像进行融合，采取两个图像各自的优势，提高了检测效果。处理单元40，对上述高斯模型计算单元30输出的结果进行阈值化处理，得到第一检测结果，在另一具体实施例中，处理单元40还包括高斯平滑处理单元，用于对所述高斯模型输出的结果进行高斯平滑处理，所述高斯平滑处理包括腐蚀操作和膨胀操作，用于去除噪音和干扰。处理单元40将经过腐蚀操作和膨胀操作后的检测结果与第一预设宽长比进行比较，并将满足条件的目标检测结果与第一预设像素进行比较，获得第一检测结果；识别单元50，用于根据第一检测结果识别出人脸。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人是能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡如本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种人脸检测方法，其特征在于，包括：
将接收的RGB图像转换为改进的的HSV图像，并将接收的RGB图像转换为改进的YCgCr图像；
将所述改进的HSV图像和YCgCr图像输入高斯模型中进行计算处理；
对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果；
根据第一检测结果识别人脸。
2.根据权利要求1所述的人脸检测方法，其特征在于，所述高斯模型包括二阶高斯混合模型，所述二阶高斯混合模型对所述改进的HSV图像和所述改进的YCgCr图像进行融合：
其中K为混合阶数，αi为单个高斯模型的权重，μi为m的统计平均值，d为单高斯模型的参数个数，Σi为m的协方差矩阵，即m的标准差为
3.根据权利要求1所述的人脸检测方法，其特征在于，所述将所述改进的HSV图像和YCgCr图像输入高斯模型中进行计算处理；对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果的步骤还包括：
对所述高斯模型输出的结果进行高斯平滑处理，所述高斯平滑处理包括腐蚀操作和膨胀操作；
对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果。
4.根据权利要求1所述的人脸检测方法，其特征在于，所述对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果的步骤包括：
对所述高斯模型输出的结果与第一预设宽长比进行比对，获得满足第一预设宽长比的目标检测结果。
5.根据权利要求4所述的人脸检测方法，其特征在于，所述对所述高斯模型输出的结果与第一预设宽长比进行比对，获得满足第一预设宽长比的目标检测结果的步骤之后还包括：
将目标检测结果与第一预设像素进行比对，获得满足第一预设像素的第一检测结果。
6.根据权利要求5所述的人脸检测方法，其特征在于，所述方法还包括：将第一检测结果通过改进的HOG特征在SVM分类器进行分类，具体为：
主对角线梯度：Gf(x,y)＝H(x-1,y-1)-H(x+1,y+1)
副对角线梯度：Gs(x,y)＝H(x-1,y+1)-H(x+1,y-1)
加入对角线梯度后的水平竖直方向梯度为：
7.根据权利要求5所述的人脸检测方法，其特征在于，将目标检测结果与第一预设像素进行比对，将不满足第一预设像素的目标检测结果利用关联算子进行处理，识别人脸。
8.一种人脸检测装置，其特征在于，包括：
第一转换单元，用于将接收的RGB图像转换为改进的的HSV图像；
第二转换单元，用于将接收的RGB图像转换为改进的YCgCr图像；
高斯模型计算单元，用于将所述改进的HSV图像和YCgCr图像输入高斯模型计算单元中进行计算处理；
处理单元，对所述高斯模型输出的结果进行阈值化处理，得到第一检测结果；
识别单元，连接至所述处理单元，根据第一检测结果识别出人脸。
9.根据权利要求8所述的人脸检测装置，其特征在于，还包括：高斯平滑处理单元，用于对所述高斯模型输出的结果进行高斯平滑处理，所述高斯平滑处理包括腐蚀操作和膨胀操作。
CN201811334986.0A 2018-11-10 2018-11-10 一种人脸检测方法和装置 Active CN109657544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811334986.0A CN109657544B (zh) 2018-11-10 2018-11-10 一种人脸检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811334986.0A CN109657544B (zh) 2018-11-10 2018-11-10 一种人脸检测方法和装置

Publications (2)

Publication Number Publication Date
CN109657544A true CN109657544A (zh) 2019-04-19
CN109657544B CN109657544B (zh) 2023-04-18

Family

ID=66110801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811334986.0A Active CN109657544B (zh) 2018-11-10 2018-11-10 一种人脸检测方法和装置

Country Status (1)

Country Link
CN (1) CN109657544B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488039A (zh) * 2020-12-15 2021-03-12 哈尔滨市科佳通用机电股份有限公司 基于机器学习的铁路货车钩尾框托板脱落故障检测方法
CN114266736A (zh) * 2021-12-07 2022-04-01 北京的卢深视科技有限公司 眩光检测方法、装置、电子设备和计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663354A (zh) * 2012-03-26 2012-09-12 腾讯科技（深圳）有限公司 人脸标定方法和系统
CN104732206A (zh) * 2015-03-12 2015-06-24 苏州阔地网络科技有限公司 一种人脸检测方法及装置
CN107609584A (zh) * 2017-09-06 2018-01-19 长沙学院 一种基于特征选择的皮肤检测混合颜色空间的选取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663354A (zh) * 2012-03-26 2012-09-12 腾讯科技（深圳）有限公司 人脸标定方法和系统
CN104732206A (zh) * 2015-03-12 2015-06-24 苏州阔地网络科技有限公司 一种人脸检测方法及装置
CN107609584A (zh) * 2017-09-06 2018-01-19 长沙学院 一种基于特征选择的皮肤检测混合颜色空间的选取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐云等: "第449-454页", 《青岛科技大学学报（自然科学版）》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488039A (zh) * 2020-12-15 2021-03-12 哈尔滨市科佳通用机电股份有限公司 基于机器学习的铁路货车钩尾框托板脱落故障检测方法
CN114266736A (zh) * 2021-12-07 2022-04-01 北京的卢深视科技有限公司 眩光检测方法、装置、电子设备和计算机可读存储介质

Also Published As

Publication number Publication date
CN109657544B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN108038456B (zh) 一种人脸识别系统中的防欺骗方法
US6332033B1 (en) System for detecting skin-tone regions within an image
CN103824059B (zh) 一种基于视频图像序列的人脸表情识别方法
CN105354530B (zh) 一种车身颜色识别方法及装置
CN108509902B (zh) 一种驾驶员行车过程中手持电话通话行为检测方法
CN110084135A (zh) 人脸识别方法、装置、计算机设备及存储介质
CN102027505A (zh) 使用脸部检测的自动脸部和皮肤修饰
Sanchez-Cuevas et al. A comparison of color models for color face segmentation
CN105844242A (zh) 图像中的肤色检测方法
CN106845328A (zh) 一种基于双摄像头的智能人脸识别方法及系统
CN106067016B (zh) 一种人脸图像眼镜检测方法及装置
CN106326823A (zh) 一种获取图片中头像的方法和系统
CN106650606A (zh) 人脸图像的匹配及处理方法、人脸图像模型构建系统
CN106909883A (zh) 一种基于ros的模块化手部区域检测方法和装置
CN109657544A (zh) 一种人脸检测方法和装置
Lionnie et al. A comparison of human skin color detection for biometrie identification
Yusuf et al. Human face detection using skin color segmentation and watershed algorithm
KR101408344B1 (ko) 얼굴 검출 장치
Kakumanu et al. Image chromatic adaptation using ANNs for skin color adaptation
Bourbakis et al. Neural network approach for image chromatic adaptation for skin color detection
JPH07311833A (ja) 人物の顔の検出装置
CN110245590B (zh) 一种基于皮肤图像检测的产品推荐方法及系统
CN107527357B (zh) 暴力场景中人脸检测定位与实时跟踪方法
Li et al. Improved level set method for lip contour detection
Devi et al. Active facial tracking

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant