基于TLD框架的人臉跟蹤算法的研究與實(shí)現(xiàn).pdf

1、目標(biāo)跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的一塊重點(diǎn)內(nèi)容。隨著其它支撐類學(xué)科的發(fā)展，目標(biāo)跟蹤算法也在不斷進(jìn)步當(dāng)中。傳統(tǒng)的目標(biāo)跟蹤算法往往是通過(guò)對(duì)目標(biāo)運(yùn)動(dòng)趨勢(shì)的估計(jì)來(lái)實(shí)現(xiàn)對(duì)非快速運(yùn)動(dòng)目標(biāo)的跟蹤。也就是根據(jù)前一幀圖像中目標(biāo)的位置，利用相鄰幀間目標(biāo)位移緩慢的特性來(lái)進(jìn)行跟蹤的算法，筆者在文中稱其為利用時(shí)間相關(guān)性的跟蹤算法。由于這種跟蹤算法無(wú)法解決目標(biāo)消失再出現(xiàn)時(shí)的二次跟蹤問(wèn)題，計(jì)算機(jī)視覺(jué)跟蹤領(lǐng)域的學(xué)者們開(kāi)始利用檢測(cè)來(lái)代替預(yù)估計(jì)進(jìn)行目標(biāo)檢測(cè)類跟蹤。這類跟蹤算法主要

2、利用了目標(biāo)前景和背景的空間特性，提取特征，訓(xùn)練分類器進(jìn)行檢測(cè)識(shí)別，從而實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。筆者將這類算法稱為利用空間相關(guān)性的算法。近幾年，在目標(biāo)跟蹤方面出現(xiàn)了一種新的跟蹤算法—TLD跟蹤算法。它同時(shí)利用了時(shí)間相關(guān)性和空間相關(guān)性，設(shè)計(jì)出了一種可適應(yīng)長(zhǎng)期在線學(xué)習(xí)更新樣本的學(xué)習(xí)機(jī)制P-N Learning。在這種學(xué)習(xí)機(jī)制的幫助下，結(jié)合傳統(tǒng)的運(yùn)動(dòng)估計(jì)和圖像檢測(cè)兩類跟蹤算法設(shè)計(jì)出一種更加貼近人類跟蹤行為的跟蹤算法。該算法如果應(yīng)用到人臉識(shí)別領(lǐng)域，可以

3、在一定程度上提高人臉識(shí)別系統(tǒng)的精度，減輕人臉識(shí)別系統(tǒng)的硬件負(fù)載。將原來(lái)人臉識(shí)別系統(tǒng)中常用的逐幀識(shí)別策略替代為跟蹤加識(shí)別的策略，從而達(dá)到改善原有系統(tǒng)的目的。因此，本文設(shè)計(jì)出一種基于TLD框架的人臉跟蹤算法并將該算法應(yīng)用到人臉識(shí)別領(lǐng)域。
　　本文首先介紹了TLD算法中用到的相關(guān)理論知識(shí)，其中包括LK光流跟蹤算法、視頻檢測(cè)相關(guān)理論和P-N Learning學(xué)習(xí)算法。在第三章，本文主要介紹了在TLD跟蹤算法的框架下用于進(jìn)行人臉檢測(cè)的兩種分

4、類算法的設(shè)計(jì)與實(shí)現(xiàn)。同時(shí)也論述了兩種分類算法相關(guān)的網(wǎng)格生成模塊和特征提取模塊的實(shí)現(xiàn)方法。隨機(jī)蕨叢分類器是一種隨機(jī)森林分類器的變形分類器，它具有快速訓(xùn)練和魯棒性強(qiáng)的特點(diǎn)，在學(xué)習(xí)過(guò)程中，隨機(jī)蕨叢分類器不會(huì)因?yàn)闃颖靖露加妙~外存儲(chǔ)資源，因此很適合用于在線學(xué)習(xí)的跟蹤算法。最近鄰分類器配合TLD算法中的相似度計(jì)算方法和在線學(xué)習(xí)更新樣本的策略有出色地識(shí)別能力，因此被選中作為T(mén)LD算法中最后一級(jí)分類器。在第四章，本文首先概述了基于TLD框架的人臉跟

5、蹤算法整體框架結(jié)構(gòu)。之后詳細(xì)論述了人臉跟蹤算法的工作原理、融合決策模塊的設(shè)計(jì)與決策方法。本文在第四章還論述了TLD跟蹤算法中跟蹤模塊、檢測(cè)模塊、學(xué)習(xí)模塊的設(shè)計(jì)原理和實(shí)現(xiàn)方法。在實(shí)驗(yàn)結(jié)果與分析一章中，論文分別介紹了基于TLD框架的人臉跟蹤算法在單獨(dú)使用跟蹤模塊、跟蹤與檢測(cè)模塊、完整算法三種情況下對(duì)同一視頻跟蹤效果，并分析學(xué)習(xí)模塊在整個(gè)算法中的重要作用。對(duì)人臉跟蹤算法進(jìn)行魯棒性測(cè)試，通過(guò)測(cè)試該算法在遮擋、消失再現(xiàn)、相似目標(biāo)干擾等情況下的跟蹤