基于視頻圖像的人臉檢測(cè)與跟蹤方法研究.pdf

1、人臉檢測(cè)及跟蹤屬于模式識(shí)別與計(jì)算機(jī)視覺(jué)的研究領(lǐng)域，它作為人臉信息處理中的一項(xiàng)關(guān)鍵技術(shù)，在基于內(nèi)容的圖像與視頻檢索、視頻監(jiān)視與跟蹤、視頻會(huì)議以及智能人機(jī)交互等方面都有著重要的應(yīng)用價(jià)值。 本文主要研究了視頻中的人臉檢測(cè)及跟蹤技術(shù)。在總結(jié)現(xiàn)有算法的基礎(chǔ)上，針對(duì)視頻這一應(yīng)用背景的實(shí)時(shí)性要求，選取人臉的小波特征作為視頻中人臉的主要特征，通過(guò)Adaboost 訓(xùn)練算法架構(gòu)人臉檢測(cè)器。本文研究了基于直方圖統(tǒng)計(jì)學(xué)習(xí)的人臉檢測(cè)方法與基于haar-

2、like 特征的人臉檢測(cè)方法兩種方法。前者通過(guò)使用5/3 小波變換，能有效地提取出空域、頻域和方向場(chǎng)上的信息進(jìn)行建模，同時(shí)反映目標(biāo)各部分之間的幾何關(guān)系，從而提取出完備的特征，能有效地檢測(cè)正面和側(cè)面人臉；后者先利用“積分圖”快速計(jì)算特征，構(gòu)造弱分類器，然后通過(guò)Adaboost學(xué)習(xí)算法從得到的大量弱分類器中產(chǎn)生一個(gè)高效的強(qiáng)分類器，最后采用級(jí)聯(lián)方式將單個(gè)的強(qiáng)分類器再合成為一個(gè)更加復(fù)雜的層疊分類器，使圖像背景區(qū)域快速地丟棄，保證了檢測(cè)速度，滿足

3、視頻的實(shí)時(shí)性需要。 在人臉跟蹤方法上，本文分別研究了兩種側(cè)重點(diǎn)不同的人臉跟蹤方法。一種以基于直方圖統(tǒng)計(jì)學(xué)習(xí)的人臉檢測(cè)為基礎(chǔ)，通過(guò)膚色預(yù)處理和視頻中的運(yùn)動(dòng)信息獲得人臉候選區(qū)域，再通過(guò)人臉檢測(cè)算法精確定位人臉，實(shí)現(xiàn)了視頻中基于人臉檢測(cè)的人臉跟蹤。另一種將Mean-Shift 目標(biāo)跟蹤算法和Kalman 濾波運(yùn)用到人臉跟蹤上，通過(guò)不斷的進(jìn)行均值偏移矢量的迭代和目標(biāo)模版更新，可以快速有效的在視頻中跟蹤人臉。 本文的創(chuàng)新點(diǎn)分別體現(xiàn)

4、在以下3個(gè)方面： (1) 高效的膚色分割預(yù)處理算法；對(duì)已有的光照補(bǔ)償算法做了改進(jìn)；提出了針對(duì)于膚色二值圖像的區(qū)域分割與合并算法； (2)提出了求取小波系數(shù)量化參數(shù)的方法，并提出了分組量化的概念；改變了Adaboost 訓(xùn)練過(guò)程中弱分類器的輸出值，給出了弱分類器的閾值選取方法，減小了分類誤差；提出了基于樣本統(tǒng)計(jì)的最終人臉?lè)诸惼鏖撝颠x取準(zhǔn)則。 (3) 在Mean-Shift 目標(biāo)跟蹤算法和Kalmam 濾波的基礎(chǔ)上，提出了