人臉跟蹤與特征點定位的研究.pdf

1、目前計算機視覺受到很多學者的青睞，視頻人臉跟蹤與識別是其中的一個研究熱點。它有著廣泛的應用前景及研究意義，如在安防監(jiān)控系統(tǒng)、視頻會議、門禁系統(tǒng)、遠程教學、身份識別中都會用到。人臉檢測、跟蹤、識別三者密不可分相輔相成。人臉檢測是人臉跟蹤的基礎，為跟蹤目標提供初始位置信息，人臉檢測與實時跟蹤為后續(xù)動態(tài)地進行特征點擬合提供準確位置信息。本文分別對視頻人臉檢測、跟蹤、關鍵特征點定位三大部分做了深入的研究。
　　本文采用Adaboost算法

2、對靜態(tài)圖像幀進行人臉檢測定位。檢測之前需要利用訓練樣本集訓練出人臉分類器，選擇5種基本Haar特征以及擴展的Haar特征來表征臉部灰度分布特征，并利用積分圖法計算每一個像素點的特征值保存在一個矩陣中以簡化計算。在訓練人臉分類器過程中，通過逐次改變樣本權重實現(xiàn)樣本集更新，不斷突出未檢測到的圖像，消弱已檢測到的圖像的權重。經過T次循環(huán)得到T個帶有權重的弱分類器，最后選擇若干個弱分類器加權為一個強分類器，并可將若干個分類能力逐級增強的強分類器

3、級聯(lián)起來構成級聯(lián)分類器，至此人臉檢測分類器訓練完成。為提高人臉檢測的準確度和魯棒性，本文在目標檢測之前，對輸入圖片進行一系列預處理操作，如:光照補償、直方圖均衡化、噪聲濾除。預處理完成后，即可用Adaboost人臉檢測器對圖像中人臉進行檢測定位，為后續(xù)人臉跟蹤與識別做準備。
　　本文的視頻人臉跟蹤算法是以Adaboost人臉檢測為基礎的。傳統(tǒng)的Camshift算法，是一種半自動化人臉跟蹤算法。在跟蹤開始時需要手動輸入人臉的初始位置

4、。本文將Adaboost與Camshift算法相結合實現(xiàn)了人臉跟蹤器的自動化功能。人臉跟蹤是以人臉膚色為基礎的，容易受到光照和背景以及近膚色目標的干擾，影響跟蹤效果。鑒于上述問題，本文分別給與了相應的改善方案。首先，加入Adaboost檢測器，在跟蹤之前啟用檢測器對人臉進行初始定位并且給定搜索窗口初始位置;對于近膚色或遮擋物出現(xiàn)時本文采用尺寸約束對其改善;若在跟蹤過程中，由于兩幀之間的距離太大、有部分遮擋或者由于出現(xiàn)近膚色目標等問題導致

5、跟蹤目標丟失，此時可以重新啟用Adaboost跟蹤器對人臉重新定位。Adaboost人臉檢測器的引入以及尺寸約束規(guī)則的使用，很好的實現(xiàn)了Camshift算法的高效跟蹤，很好的解決了跟蹤目標丟失的問題，也實現(xiàn)了其自動循環(huán)檢測跟蹤。其次，在概率密度分布圖中，人臉區(qū)域內會有黑色的像素點。本文采用opencv里面的中值濾波函數(shù)cvSmooth以及腐蝕與膨脹等方法加以改善，使圖像更加連通并去除臉部的噪聲點。另外，由于Adaboost檢測算法使用矩

6、形框標注人臉位置，不太符合人臉形狀，在拐角處會引入一些背景點，本文將其轉換為橢圓形，并加一個旋轉角度，有效的提高了跟蹤算法的準確率與魯棒性。人臉跟蹤定位的位置信息為后續(xù)的特征點擬合提供了初始參數(shù)。
　　本文采用主動表觀模型(Active Appearance Model，AAM)與反向組合算法進行人臉特征擬合。首先利用Camshift算法的定位結果作為特征擬合的初始位置，然后通過紋理信息能量函數(shù)約束形狀不斷逼近輸入圖片人臉的真實位

7、置，直到能量函數(shù)達到最小。求出此時局部以及全局形狀參數(shù)及紋理參數(shù)以對關鍵特征點進行定位。傳統(tǒng)的反向組合AAM擬合算法能夠很好地實現(xiàn)對正面人臉圖片進行定位，但是對于在平面內有旋轉角度的人臉，在定位的準確率和效率上都不是很高。針對這個問題，本文提出用眼睛定位法求取人臉的旋轉角度，并將旋轉角度傳遞給全局初始位置參數(shù)。這樣不僅減少了迭代的次數(shù)，而且提高了關鍵特征點定位正確率，對一些原先擬合失敗的圖片也可以準確的找到關鍵特征點的位置。