导读:本文包含了正面人脸检测论文开题报告文献综述及选题提纲参考文献，主要关键词:非正面人脸检测,肤色检测,轮廓提取,脖子剔除
正面人脸检测论文文献综述
王浩南,沈天飞,蒋晨[1]（2018）在《基于非正面人脸检测的脖子剔除研究》一文中研究指出人脸检测可以分为正面人脸和非正面人脸两种,主要讨论在非正面情况下的人脸区域检测。正面人脸检测中通常会使用五官信息,比如眼睛、鼻子等,并且目前已经能够达到很高的检测精度。但是在非正面情况下,照片中不含有五官信息或者五官信息不完整时,肤色信息就成为了非正面人脸检测最主要的信息。通过肤色检测得到的肤色区域往往会包含脖子,因此为了得到完整的人脸部分,剔除脖子成为一个重要的研究工作。介绍了一种基于肤色检测和边缘检测的脖子剔除方法,通过肤色区域轮廓特征实现人脸与脖子区域的分割。(本文来源于《工业控制计算机》期刊2018年03期）
唐浩,李小霞[2]（2015）在《复杂背景下的叁级级联快速正面人脸检测算法》一文中研究指出针对复杂背景下的正面人脸检测问题,提出一种叁级级联快速正面人脸检测算法:第一级使用HSV肤色模型,通过分析最大肤色连通区,快速排除非人脸区域;第二级采用Haar-like特征结合Ada Boost算法定位人脸区域;最后提出基于局部特征点加权的改进主动形状模型(W-ASM)算法匹配人脸的特征点坐标,通过68个特征点位置判断当前人脸图像是否是正面人脸.实验结果表明,本算法能准确识别出垂直于图像旋转不超过±5°的正面人脸,每幅图像(640×480)平均用时仅52ms,满足实时性要求.(本文来源于《计算机系统应用》期刊2015年05期）
陈浩[3]（2011）在《基于Adaboost算法的正面多角度人脸检测》一文中研究指出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。(本文来源于《科技信息》期刊2011年16期）
冉会中,周激流,王霖[4]（2008）在《彩色图像中的正面人脸检测的研究》一文中研究指出提出了彩色图像中一种人脸检测方法。该方法利用肤色模型分割出彩色图像中的肤色区域,并将同一幅图片用不同的肤色模型分割后的图像进行融合,这样能较好地获取肤色区域。将彩色图像中的肤色区域转换为灰度分布图,用正面人脸的结构规则筛选出肤色区域中的人脸区域。结果表明:该方法能快速地较为准确地定位彩色图像中的正面、小角度偏侧的人脸。(本文来源于《成都纺织高等专科学校学报》期刊2008年03期）
胡凯[5]（2008）在《对灰度复杂背景下的正面多视角人脸检测与跟踪技术的研究》一文中研究指出人脸检测由于它的学术价值和应用范围,越来越受到人们的关注。其中自适应自举学习算法(AdaBoost)将人脸检测带入了实用领域。人脸检测的任务是从静态图像或视频中定位人脸的位置。深入研究了灰度图像复杂背景下的平面内多视角的人脸检测以及人脸跟踪技术,具体工作如下:改进了AdaBoost的训练算法。该算法改原分类器的单阈值为双阈值,且对样本的一次遍历便可完成一个弱分类器的训练,降低训练耗时。对其可行性给出了数学证明。提出了一种改进的AdaBoost权值更新算法,该算法较原算法加入了评价其整体分类性能参数,以缓解的过拟合特性。对于改进后算法在训练集上的错误率上限给出了数学证明。对Haar型特征进行了扩展,采用45°积分图像并放宽了特征的计算条件以发掘具有更好分类性能的特征,从而保证多视角人脸检测的需要。提出了层级决策树分类器以满足检测多视角人脸需要。出于不同层次的子分类器对其性能有不同的要求,在训练时,对于不同样本赋予不同的分类错误代价,并参考错误代价,改进AdaBoost的权值更新算法,使其满足不同分类器性能要求。在人脸跟踪方面,改进了Mean-shift算法的采样方法,加入了灰度几何特征,使算法在复杂背景下的人脸跟踪更具鲁棒性。数学证明了加入核带宽后的自适应检测窗口大小的Mean-shift算法的收敛性。(本文来源于《中南大学》期刊2008-05-01）
赵秀英,郭颂[6]（2008）在《基于线性SVM子空间的正面人脸检测研究》一文中研究指出通过对二阶段的子空间方法的研究,提出了基于线性SVM子空间的正面人脸检测方法.首先构造线性SVM粗分类滤波器,然后在线性SVM粗分类滤波器分割的子空间内构造高斯核的非线性SVM分类器.检测时,为了加快速度引入了平均脸模板匹配进行粗筛选,然后依次通过线性SVM粗分类滤波器、非线性SVM分类器进行人脸检测.(本文来源于《信阳师范学院学报(自然科学版)》期刊2008年02期）
吴彩虹,陈金明[7]（2008）在《复杂背景下具有偏转角度的正面人脸检测》一文中研究指出美国的Voila博士提出的基于Haar-like特征的人脸检测算法是一种具有巨大发展潜力的新算法,快速而准确。通过研究,认为这一算法还存在两个有待改进的地方:一是在检测率和误检率之间难以权衡,二是可检测人脸姿态受训练样本制约。对此提出了改进措施,设计了一个可以检测相对于垂直方向有±45°偏转的正面人脸的检测算法,与基于Haar-like特征的人脸检测算法相比,具有更好的鲁棒性和更低的误差率。(本文来源于《计算机工程与应用》期刊2008年04期）
张峰[8]（2007）在《国人正面彩色图像人脸检测系统》一文中研究指出本系统是中软吉大软件公司的人脸识别系统的一部分,中软公司主要是致力于做教育类的软件,本系统是该公司考试系统软件的一部分,目的是实时的确定考生的身份,以确定是本人参加考试。采用的方法:首先,利用人的肤色聚类特性建立肤色模型,分离出肤色以及与肤色相近的背景区域,生成肤色二值图:然后,利用图形整形技术,对肤色分割图进行滤波处理,去除连通的人脸区域中的非肤色噪音,得到人脸连通区域:最后利用色度和亮度的双重匹配,来确定人眼和嘴的位置,并且标出人脸中眼睛、嘴唇的位置。从实验结果可以看出,本文提出的方法具有一定的鲁棒性,能实现在较为复杂的环境下的人脸检测。研究了基于YCrCb色彩空间的肤色建模方法,结果表明这是一种比较好的肤色模型;研究了基于面部特征的人脸判别方法,结果表明这是一种判断真实人脸的优秀的方法,但具有其局限性,并针对其缺点提出改进方法。此方法能对一定大小不同表情的正面人脸进行检测,具有一定的实用性。(本文来源于《吉林大学》期刊2007-04-25）
吴彩虹[9]（2006）在《复杂背景下的正面人脸检测》一文中研究指出美国的Voila博士在2001年提出的基于Haar-like特征的级联分类器人脸检测算法，具有检测率高、实时性好等优点，是被当今学术界普遍看好的检测方法。本文在Viola所提出方法的基础上进一步提出改进措施，设计了一个对偏转人脸鲁棒性好、适用于复杂场景下静态图像处理的正面人脸检测系统。改进措施之一是将待检原图像和进行左右旋转30°后的图像分别输入正面直立人脸样本训练的级联分类器中进检测，以提高系统对于有旋转角度的正面人脸的鲁棒性；改进措施之二是在保证级联分类器有高检测率的情况下，利用彩色图像中的肤色信息来降低级联分类器的误检率、提高检测速度。检测结果表明我们的尝试是成功的：本文提出的检测系统在CMU的标准人脸测试集的rotated子集上中达到了84.7％的率，而单纯采用级联分类器在此测试集上只有18.5％的检测率。另外，作者从实际生活和网上收集了32张彩色图片，图片中大部分人脸为正面，各个图片中人脸数目不等且背景复杂。检测系统在这个检测集上的检测速率和误检率也呈现出明显的优势。(本文来源于《暨南大学》期刊2006-05-01）
沈谦[10]（2005）在《基于支持向量机的正面人脸检测研究》一文中研究指出目前人脸检测的研究重点已逐渐集中于在复杂条件下的人脸检测,一方面需要检测系统提高人脸检测率降低错误报警率,另一方面希望加快检测速度同时易于训练,能够快速适应不同的环境。由于支持向量机方法具有坚实的数学基础和良好的推广能力,它被广泛的用于模式识别和回归分析等问题中。在本文中,我们主要讨论了支持向量机方法在人脸检测中的应用,同时提出了采样非线性支持向量机过滤器和基于矩形特征的非线性支持向量机检测方法。 支持向量机是一种统计学习理论,我们通过一个简单的线性分类问题说明了它的具体思想,然后介绍了几种改进的训练算法,利用这些改进方法我们能够大大加快支持向量机的训练过程。 传统的支持向量机人脸检测方法是将检测图像中的像素作为输入,与之配合的过滤器也是如此。我们对人脸平均模板、主分量分析和采样非线性支持向量机叁种过滤器通过实验进行了详细的分析和比较,采样支持向量机过滤器取得了最好的过滤效果。在检测中,图像序列中的检测窗口被依次送入过滤器和主检测器,通过的窗口经过定位合并最后在原图像上输出。 我们提出了基于矩形特征的支持向量机人脸检测方法,它将Viola方法中的矩形特征和层迭分类器与支持向量机结合起来,把经过简化的层迭分类器作为过滤器,支持向量机主检测器的输入也变成了经过选择的矩形特征。这样虽然检测速度比Viola方法有所下降,但是可以大大加快训练速度,同时取得相当的人脸检测率和错误报警率。 为了进一步提高检测速度,我们介绍了SIMD(single-instruction,multiple-data单指令多数据)指令集在人脸检测中的应用。通过使用不同的指令集我们可以将四个整型或者单精度浮点数在一条指令中同时进行运算。 最后,我们提出了支持向量机人脸跟踪系统的设想,并探讨了通过特征选择加快层迭分类器训练的可能途径。(本文来源于《湖南大学》期刊2005-03-25）
正面人脸检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对复杂背景下的正面人脸检测问题,提出一种叁级级联快速正面人脸检测算法:第一级使用HSV肤色模型,通过分析最大肤色连通区,快速排除非人脸区域;第二级采用Haar-like特征结合Ada Boost算法定位人脸区域;最后提出基于局部特征点加权的改进主动形状模型(W-ASM)算法匹配人脸的特征点坐标,通过68个特征点位置判断当前人脸图像是否是正面人脸.实验结果表明,本算法能准确识别出垂直于图像旋转不超过±5°的正面人脸,每幅图像(640×480)平均用时仅52ms,满足实时性要求.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
正面人脸检测论文参考文献
[1].王浩南,沈天飞,蒋晨.基于非正面人脸检测的脖子剔除研究[J].工业控制计算机.2018
[2].唐浩,李小霞.复杂背景下的叁级级联快速正面人脸检测算法[J].计算机系统应用.2015
[3].陈浩.基于Adaboost算法的正面多角度人脸检测[J].科技信息.2011
[4].冉会中,周激流,王霖.彩色图像中的正面人脸检测的研究[J].成都纺织高等专科学校学报.2008
[5].胡凯.对灰度复杂背景下的正面多视角人脸检测与跟踪技术的研究[D].中南大学.2008
[6].赵秀英,郭颂.基于线性SVM子空间的正面人脸检测研究[J].信阳师范学院学报(自然科学版).2008
[7].吴彩虹,陈金明.复杂背景下具有偏转角度的正面人脸检测[J].计算机工程与应用.2008
[8].张峰.国人正面彩色图像人脸检测系统[D].吉林大学.2007
[9].吴彩虹.复杂背景下的正面人脸检测[D].暨南大学.2006
[10].沈谦.基于支持向量机的正面人脸检测研究[D].湖南大学.2005